图像融合规则

图像融合的规则图像多尺度分解和重构对多尺度图像融合的结果有着至关重要的作用，图像融合规则则是另一个关键因素，它直接影响图像融合的性能。基于融合规则可以将图像融合分为三类：基于像素的图像融合、基于窗口的图像融合和基于区域的图像融合。1、 基于像素的图像融合基于像素的图像融合规则分为均值法和最大值法。像素绝对值取大(Choose-Max,CM)规则是最简单、直接的融合规则。CM规则可描述为：cF (m,n)cA(m,n),| cA(m, n)| |cB (m, n)| cB(m,n),| cA(m, n)|<|cB(m, n) |式 (2-14)其中，CA(m,n)和CB(m,n)分别为源图像A和源图像B的某一组分解系数，Cf(m,n)为融合后的系数。例如，小波变换的高频分解系数对应输入图像的边缘、纹理等细节信息，而像素绝对值是对这种细节信息强度的最直观的度量，CM规则正是基于这一点可以对高频系数进行融合。CM规则具有简单、易实现、运算速度快等优点。但是仅仅依赖单独像素点作为细节信息的强度度量是不稳定的，尤其当多尺度变换缺乏平移不变性时，分解系数的能量会随源图像的平移、旋转等规则变化发生剧烈的不规则的变化，导致融合后的图像缺乏一致性。另外CM规则传递并放大源图像中的噪声和死点。PetrovicV*口XydeasC.S.H®出了考虑分解层内各子带系数及分解层间各子带系数相关性的系数选取融合规则。根据人眼视觉系统对局部对比度比较敏感这一特性，蒲恬50提出了基于对比度系数选取融合规则。考虑人眼视觉系统不仅具有频率选择特性，还具有方向特性，刘贵喜51等人提出了基于方向对比度的系数选取融合规则。基于像素的融合规则在融合处理时表现出对边缘的高度敏感性，使得在预处理时要求图像是严格配准的，否则处理结果将不尽如人意，这就加大了预处理的难度。但该规则是在假设图像相邻像素(或系数)之间不存在相关性的前提下提出的，然而，这与实际情况并不相符，因此基于像素选取的融合规则不能获得令人十分满意的融合效果。2、 基于窗口选择的融合规则为克服CM规则的不稳定性，人们提出了基于窗口的融合规则。细节信息强度的度量不再仅仅依赖某一点，而是根据待融合系数局部区域(一般窗口大小为33或者55等)的统计特性来选取像素系数的一种融合规则。常用的基于窗口的融合规则有Burt等提出的加权平均(WeightedAverage,WA)®则。Burts方法的具体步骤如下：第一步：在系数图像c(m,n)(A,B)中，计算以m,n点为中心周围窗口区域内的能量(或方差)作为该点细节信息强度的度量S(m,n)；第二步：计算Ca和Cb之间局部的、归一化的互相关系数MAB(m,n);第三步：根据互相关系数大小，采取不同的融合方式。当MAB(m,n)时(一般取0.85)，说明源图像系数间相关性比较低，所以选取区域内的能量(或方差)大的系数为融合后系数更为合理，即：CA(m, n),SA(m, n)Cf (m, n),、CB(m, n),SA(m, n)Sb (m, n)Sb (m,n)式(2-15)当MAB(m,n)时，说明系数间相关性比较大，采用加权平均的方法更为合理，即式(2-16)式(2-17)CF(m,n)Wi(m,n)CA(m,n)E(m,n)w1(m,n)CB(m,n)其中，Em,n为单位矩阵，权系数wi(m,n)由下式确定：11,1MAB(m,n)、w1(m, n)22()，SA(m，n)SB(m，n)1 1/1MAB(m,n).-(一),SA(m,n)SB(m,n)2 21基于区域的融合规则由于考虑了与相邻像素间的相关性，降低了对边缘的敏感性，能够有效减少融合像素的错误选取，在一定程度上显着提高了融合算法的鲁棒性，从而提高了融合效果，所以具有更加广泛的适用性。3、基于区域特征的融合规则由于图像中的局部特征并不是由单个像素或局部窗口所能完全表征的，而是由构成该区域的、具有较强相关性的多个像素来共同表征和体现的，所以基于像素的融合规则和基于窗口的融合规则存在一定的局限性。基于区域的融合是将构成某区域的多个像素作为一个整体参与到融合过程中，其融合图像的整体视觉效果更好，并可有效抑制融合痕迹。同时，基于区域的融合还能够有效降低算法对噪声的敏感度和配准误差对融合性能的影响。通常情况下，基于区域的融合规则先采用某种图像分割算法将源图像分割成不同的区域，然后再针对每一个区域根据一定的区域特征显着性测度分别进行融合。下面介绍几种常用的融合规则和适用类型：(1)系数绝对值取大法该方法适用于源图像高频成分较丰富，亮度、对比度较高的情况，否则在融合图像中只保留一幅图像的特征，其他的特征将被覆盖。(2)加权平均法采用此方法融合图像的小波变换系数为源图像系数的加权平均值。该方法权重系数可调，适用范围广，可消除部分噪声，源图像信息损失较小，但是会造成融合图像的对比度下降。(3)双阈值法双阈值适用于源图像中一幅图像的灰度分布均衡，高频成分较多的情况。该方法增加了算法的实用性，但选择阈值时要考虑源图像灰度分布的特点，否则有可能出现边缘跳跃的现象。(4)消除高频噪声法图像中的噪声一般频率较高，经小波分解后主要反映在细节图像中，所以图像重建时将部分细节图像去除，即把高频部分的小波变换系数置零，其余系数取平均值将不会对融合结果造成明显的影响。当图像噪声以高频为主时，采用该方法可以使融合图像高频噪声基本消除，源图像特征可较好地保留在融合图像中，但在消除高频噪声的同时，也损失了部分高频信息。(5)高低频互补法所谓高低频互补法就是选择一幅源图像的高频信息和另一幅源图像的低频信息重构图像。这种方法适合于融合具有多种空间频率的源图像，融合图像的高频信息来自高频成分丰富的源图像数据，低频信息来自低频成分丰富的源图像数据，这种算法有效保留了各源图像的特征。以上介绍的几种融合方法根据其特点都有一定的适用范围，具体选择可以根据我们所观察的目标和使用平台来决定。