正在加载图片...
.244 智能系统学报 第11卷 进行滤波,利用DTRF滤波器输出去生成更为接近 本文融合方法如图2所示并描述如下: 理想状态的融合决策图。利用式(9)计算所提出的 l)将源图像A和B进行l尺度的Multiwavelet MNSDFB高频系数的MSF值,并将其作为DTRF滤 分解,得到包含多小波低频系数G(i,)、 波器的输人,可以得到: G(i》和多小波高频系数G(i》、G哈(i》。 R(i,j)=RF(MSF(i,j)) (10) 2)对G(i,)和G(i,》的3个高频系数进行 由R(i,)得到的决策图为 NSDB分解得到k方向子带系数C.(i,)和 1, R(i,j》≥R.(i,i) M(i.j)= (11) C.(i,),k为NSDFB分解的方向。 0 R(i,》<R路(i,) 3)对低频系数和高频系数分别按照相应的融 根据决策图选择融合后的系数C,(i,》: 合规则选择系数得到融合后的系数C(i,)和 D,(i,j), M(i,j)=1 C(ij》。 C(i,j》= (12) D(ij). ,(i,j)=0 4)对融合后系数C(i,)和C(i,)进行反 NSDFB变换得到融合后的多小波低频系数 式中:C,(i,》、C.(i,)和C(i,》分别是源多 聚焦图像A、B和融合后图像F在k方向的高频分 G(i,)和高频系数G(i,)。 解系数。 5)对小波系数G(i,)、G(i,)进行反多小 2.4 算法步骤 波变换(IGHM)得到融合后的图像F。 低频 图像 MNSDFB 系数 A 融合 高撅 低颜融 合规则 低频 系数 系数 反向 融合图像 MNSDFB F 低频 融合 高频融 图像 MNSDFB 系数 高频 B 高频 合规则 系数 系数 图2本文提出的融合方法 Fig.2 Proposed image method 3实验及结果分析 法相同NSCT分解,融合规则采用修改的拉普拉斯 能量和融合图像:3)Kumar提出的采用Cross bilater- 为验证本文算法的有效性与优越性,将本文提 al filter的方法1s),本实验中采用和文献[l5]完全 出方法与其他3种算法进行了多聚焦图像融合对 相同的参数设置。本文提出方法采用2个尺度 比。1)Das提出的采用MSF激发脉冲耦合神经 GHM的Multiwavelet分解,对每个高频多小波系数 网络(pulse couple neural network,PCNN)融合所有 采用4方向NSDFB分解,低频系数采用SML融合 NSCT子带系数的方法。其中,非子采样方向滤波 规则,其他所有高频子带采用本文提出DTRF结合 器设置为“cd”,金字塔滤波器采用“maxflat”滤波 MSF的融合规则选择系数。图3分别是进行融合 器,分解方向设置为[2344]:2)采用与第1种方 测试的Clock、Lab、Disk、Pepsi4对源多聚焦图像。 a)Clock左聚焦图像 (b)Lab左聚焦图像(c)Disk左聚焦图像(d)Pepsi左聚焦图像 (e)Clock右聚焦图像 (DLab右聚焦图像 (g)Disk右聚焦图像(h)Pepsiz左聚焦图像 图3第一组源多聚焦图像 Fig.3 The first group of source images进行滤波,利用 DTRF 滤波器输出去生成更为接近 理想状态的融合决策图。 利用式(9)计算所提出的 MNSDFB 高频系数的 MSF 值,并将其作为 DTRF 滤 波器的输入,可以得到: R h,k (i,j) = RF(MSF h,k(i,j)) (10) 由 R h,k(i,j) 得到的决策图为 M h,k (i,j) = 1, R h,k A (i,j) ≥ R h,k B (i,j) 0, R h,k A (i,j) < R h,k { B (i,j) (11) 根据决策图选择融合后的系数 C h,k F (i,j) : C h,k F (i,j) = D h,k A (i,j), M h,k (i,j) = 1 D h,k B (i,j), M h,k { (i,j) = 0 (12) 式中: C h,k A (i,j) 、 C h,k B (i,j) 和 C h,k F (i,j) 分别是源多 聚焦图像 A、B 和融合后图像 F 在 k 方向的高频分 解系数。 2.4 算法步骤 本文融合方法如图 2 所示并描述如下: 1)将源图像 A 和 B 进行 l 尺度的 Multiwavelet 分解, 得 到 包 含 多 小 波 低 频 系 数 G l A (i,j) 、 G l B (i,j) 和多小波高频系数 G h A (i,j) 、 G h B (i,j) 。 2)对 G h A (i,j) 和 G h B (i,j) 的 3 个高频系数进行 NSDFB 分 解 得 到 k 方 向 子 带 系 数 C h,k A (i,j) 和 C h,k B (i,j) ,k 为 NSDFB 分解的方向。 3)对低频系数和高频系数分别按照相应的融 合规则 选 择 系 数 得 到 融 合 后 的 系 数 C l F (i,j) 和 C h,k F (i,j) 。 4)对融合后系数 C l F (i,j) 和 C h,k F (i,j) 进行反 NSDFB 变 换 得 到 融 合 后 的 多 小 波 低 频 系 数 G l F (i,j) 和高频系数 G h F (i,j) 。 5)对小波系数 G l F (i,j) 、 G h F (i,j) 进行反多小 波变换(IGHM)得到融合后的图像 F。 图 2 本文提出的融合方法 Fig.2 Proposed image method 3 实验及结果分析 为验证本文算法的有效性与优越性,将本文提 出方法与其他 3 种算法进行了多聚焦图像融合对 比。 1)Das [14]提出的采用 MSF 激发脉冲耦合神经 网络( pulse couple neural network,PCNN) 融合所有 NSCT 子带系数的方法。 其中,非子采样方向滤波 器设置为“ cd”,金字塔滤波器采用“ maxflat” 滤波 器,分解方向设置为[2 3 4 4];2)采用与第 1 种方 法相同 NSCT 分解,融合规则采用修改的拉普拉斯 能量和融合图像;3)Kumar 提出的采用 Cross bilater⁃ al filter 的方法[15] ,本实验中采用和文献[15] 完全 相同的参数设置。 本文提出方法采用 2 个尺度 GHM 的 Multiwavelet 分解,对每个高频多小波系数 采用 4 方向 NSDFB 分解,低频系数采用 SML 融合 规则,其他所有高频子带采用本文提出 DTRF 结合 MSF 的融合规则选择系数。 图 3 分别是进行融合 测试的 Clock、Lab、Disk、Pepsi 4 对源多聚焦图像。 图 3 第一组源多聚焦图像 Fig.3 The first group of source images ·244· 智 能 系 统 学 报 第 11 卷
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有