Un algorithme amélioré de fusion d'images
Nous sommes une grande imprimerie à Shenzhen en Chine. Nous proposons toutes les publications de livres, impression de livres à couverture rigide, impression de livres à couverture rigide, cahiers à couverture rigide, impression de livres en papier, impression de livres pour piqûre à cheval, impression de brochures, boîte d'emballage, calendriers, PVC de toutes sortes, brochures de produit, notes, livre pour enfants, autocollants, tout types de produits d'impression couleur spéciaux sur papier, cartes de jeu, etc.
Pour plus d'informations, s'il vous plaît visitez
http://www.joyful-printing.com. ENG seulement
http://www.joyful-printing.net
http://www.joyful-printing.org
email: info@joyful-printing.net
Premier. introduction
La fusion d'images est la synthèse d'informations d'images obtenues par deux capteurs ou plus afin de former une image plus précise et plus riche. La fusion d'images est divisée en trois niveaux, de bas en haut: fusion de niveau pixel, fusion de niveau caractéristique et fusion de niveau décision. La transformation en ondelettes est une méthode couramment utilisée dans la fusion d'images. La recherche montre que la transformation en ondelettes n'est pas la méthode de représentation de fonction optimale dans les cas de grandes dimensions. Afin de représenter et de traiter plus efficacement des données spatiales de grandes dimensions telles que des images, les chercheurs ont proposé une série d'outils d'analyse géométrique multi-échelles tels que Ridgelet, Curvelet, Bandelet, Contourlet et Wavelet-Contourlet. Les méthodes proposées jettent les bases de la construction de méthodes de fusion de plus en plus efficaces dans le domaine de la fusion d'images.
La transformation en ondelettes et la transformation en contour sont deux outils principaux et couramment utilisés pour la fusion d'images. La transformée en ondelettes est mature dans les applications théoriques et pratiques. Il a toujours été un outil commun pour la fusion d’images, mais il ne peut obtenir des informations que dans trois directions: horizontale, verticale et diagonale. La transformée de contour peut compenser la finitude de la direction de transformation en ondelettes et obtenir des informations dans n'importe quelle direction de l'image. Dans le même temps, les transformées en ondelettes et les contours transformés traitent l'image de la même manière, c'est-à-dire que l'image est décomposée en parties basse fréquence et haute fréquence, et que la fusion de l'image est effectuée respectivement en basse fréquence et en haute fréquence. Par conséquent, la transformation en ondelettes et la transformation Contourlet peuvent être combinées pour améliorer les performances de l'image.
La recherche sur la fusion d'images inclut non seulement la recherche d'algorithmes, mais également la recherche de règles de fusion. Les règles de fusion sélectionnent désormais généralement les règles de fusion par région (ou fenêtrage). Parce que la basse fréquence reflète principalement l'information d'énergie de l'image et que la haute fréquence reflète l'information de limite de l'image, c'est-à-dire le degré de changement. La variance reflète également le changement global entre les pixels de l’image. Par conséquent, dans cet article, la méthode de fusion consistant à sélectionner la moyenne pondérée de la variance régionale est sélectionnée dans la partie haute fréquence.
Deuxièmement, la transformation en ondelettes-Contourlet
1. Transformation en ondelettes
En 1989, inspiré par l'algorithme pyramidal de décomposition et de reconstruction d'image de Burt et Adelson (l'algorithme pyramidal Gauss-Laplace), Mallat a introduit des idées d'analyse multi-échelles dans le domaine de la vision par ordinateur dans l'analyse en ondelettes. Le concept d'analyse de résolution est donné par l'algorithme Mallat rapide.
L’algorithme Mallat bidimensionnel peut être exprimé par:
Dans la formule, les composantes basse fréquence de la résolution spatiale sont respectivement les composantes haute fréquence des directions horizontale, verticale et diagonale de la résolution spatiale. En tant qu'ensemble d'entiers, il s'agit d'un filtre miroir conjugué.
2. transformée de contour
Puisque la transformation en ondelettes ne représente pas bien les informations de direction de l'image. En 2002, Do et Vetterli ont proposé la transformation de Contourlet. La transformation de contour est une méthode de représentation d'image multi-résolution, locale et directionnelle. Il peut fournir des informations dans n'importe quelle direction et est une représentation fragmentaire d'une image en deux dimensions. La transformation Contourlet utilise une banque de filtres à deux canaux qui traite l'image en deux étapes:
2.1 La pyramide laplacienne (LP) est utilisée pour décomposer l'image d'entrée. La décomposition LP comprend quatre étapes: filtrage passe-bas, sous-échantillonnage, amplification par interpolation et filtrage passe-bande. La décomposition continue par LP des sous-bandes basse fréquence donne des sous-bandes basse fréquence et haute fréquence à différentes échelles.
2.2 L'analyse de directionnalité est effectuée sur le groupe de filtres directionnels haute fréquence obtenu par la décomposition LP. La banque de filtres directionnels a pour but de capturer les informations directionnelles haute fréquence de l’image et de combiner les points singuliers dans la même direction en un seul coefficient.
La banque de filtres directionnels décompose la structure arborescente de l'image et décompose le domaine de fréquence en sous-bandes, chacune ayant la forme d'un coin. La méthode utilise d’abord le filtre en éventail illustré à la figure 1 et cinq filtres d’échantillonnage pour décomposer l’image d’entrée en deux sous-bandes, horizontale et verticale, puis introduit la bande opérateur de ré-échantillonnage en cisaillement.
Figure 1 Banc de filtres (filtre à ventilateur et cinq filtres d'échantillonnage)
La figure 1 représente cinq matrices d'échantillonnage et la zone du secteur noir représente la décomposition idéale dans le domaine fréquentiel pour chaque filtre.
3. Transformation en ondelettes-contour
La décomposition LP utilisée dans la première étape de la transformation Contourlet est redondante, ce qui entraîne une redondance 4/3 de la transformation Contourlet. De plus, la décorrélation de la décomposition de LP n’est pas aussi bonne que la transformation en ondelettes. En réponse aux problèmes ci-dessus, Eslami R et Radha H ont proposé une transformation en ondelettes-Contourlet. La transformation wavelet-Contourlet est composée d'une banque de filtres à deux étages. La première étape est décomposée par transformation en ondelettes pour obtenir les composantes haute fréquence de l'image, réduisant ainsi la corrélation des informations de détail de sous-espace. La deuxième étape utilise la banque de filtres directionnels. Des sous-bandes dans toutes les directions de haute fréquence sont obtenues. Comme le montre la figure 2:
Troisièmement, basé sur l'algorithme de fusion moyen de sélection de variance
Les étapes de l'algorithme de fusion donné dans cet article sont les suivantes:
1 Effectuer une transformation en ondelettes-Contourlet sur l'image floue gauche et l'image floue droite, respectivement, et obtenir la partie basse fréquence et la partie haute fréquence de l'image source;
2 La partie basse fréquence utilise une simple règle de fusion moyenne pondérée.
Une fois l'image transformée par ondelette-contour, les coefficients basse fréquence concentrent principalement la majeure partie de l'énergie de l'image d'origine, ce qui détermine la vue d'ensemble de l'image. Dans cet article, nous utilisons la règle de fusion moyenne pondérée pour les coefficients de la sous-bande de basse fréquence.
3 La partie haute fréquence adopte la moyenne pondérée de la règle de fusion de la variance de fusion.
Une fois l’image transformée par ondelette-contour, le coefficient de haute fréquence contient principalement les détails et les informations de bord de l’image. Chaque coefficient de sous-bande haute fréquence incarne les caractéristiques directionnelles. Dans cet article, un algorithme de fusion basé sur la moyenne de sélection de variance est adopté. Les règles de fusion sont les suivantes:
Tout d'abord, les couches de décomposition des sous-images haute fréquence de l'image floue du côté gauche et de l'image floue du côté droit sont obtenues, et les variances locales des pixels correspondants dans les directions respectives sont respectivement enregistrées comme suit:. Voir la formule (2) pour la formule:
Puis normalisez-le:
Définir un seuil: Cet article prend la simulation. Ensuite il y a:
Où, respectivement, représentent les valeurs de pixel de l'image fusionnée, de l'image et de l'image dans le calque et la direction décomposés. Les équations (5) et (6) montrent que, lorsque les valeurs de variance locale des images normalisées A et B sont grandes, cela signifie qu’une image contient des informations détaillées sur les arêtes, tandis que l’autre contient moins d’informations détaillées sur les arêtes. , la valeur de pixel avec la variance locale la plus grande est sélectionnée comme coefficient fusionné; Lorsque les deux images sont normalisées, la variance locale est proche, indiquant que les deux images contiennent des informations détaillées sur les bords riches. L'algorithme de fusion moyenne pondérée est utilisé pour déterminer les coefficients d'ondelettes après la fusion. Cela préserve les caractéristiques détaillées de l'image tout en évitant la perte d'informations.
4 Effectuez une transformation inverse en ondelettes-Contourlet pour obtenir l'image fusionnée finale.
Le processus spécifique est illustré à la figure 3.
Figure 3 Schéma de principe de fusion d'images de transformation en ondelettes-contours
Quatrièmement, l'intégration des indicateurs d'évaluation et l'analyse des résultats expérimentaux
Afin de vérifier l'efficacité de l'algorithme proposé, il est comparé avec les mêmes règles de fusion que la transformation en ondelettes et la transformation de Contourlet. L'image est décomposée et reconstruite à l'aide de db5 wavelet. Le seuil est pris à 0.6.
Afin d'évaluer objectivement l'image fusionnée, une image en niveaux de gris claire a été sélectionnée comme image de référence. L'entropie croisée, l'écart et la fréquence spatiale de l'image fusionnée et l'image de référence sont utilisés comme critères objectifs pour évaluer le pour et le contre de l'effet de fusion.
1. Entropie croisée
L'entropie croisée de l'image fusionnée et de l'image de référence standard est définie comme suit:
Dans l'équation (7), la somme est la probabilité de la somme des valeurs de gris. Le niveau de gris total de l'image. L'entropie croisée, également appelée entropie relative, est un indicateur clé pour évaluer la différence entre deux images. Plus l'entropie croisée est petite, plus la différence entre la description et la somme est petite, plus l'information en est extraite, c'est-à-dire que l'effet de la fusion de l'image est meilleur.
2. Déviation
La déviation de et est définie comme:
Dans la formule (8), les valeurs de gradation de la somme sont respectivement indiquées. La magnitude de la déviation représente la différence par rapport à la valeur de gris. Plus l'écart est faible, meilleur est l'effet de fusion.
3. Fréquence spatiale
La fréquence spatiale de l'image est:
(9) est la fréquence de ligne de l'image et sa formule de calcul est montrée dans (10):
(9) est la fréquence de colonne de l'image et sa formule de calcul est celle indiquée en (11):
La formule ci-dessus représente la valeur de gris à la position du pixel, ainsi que le nombre de lignes et le nombre de colonnes de l'image, respectivement.
La fréquence spatiale d'une image est un indicateur lié à la variance, reflétant l'activité globale du domaine spatial de l'image. Plus la fréquence spatiale est grande, plus l'image est active, plus l'image est nette et meilleur est l'effet de fusion de l'image.
La figure 4 montre les résultats de l'expérience de fusion. La figure 4 (a) est l'image de référence standard, la figure 4 (b) est l'image à fusionner par le filtre gaussien du côté gauche et la figure 4 (c) est l'image à fusionner par le filtre gaussien de droite. côté. La figure 4 (d) est l'image fusionnée après la transformation en ondelettes, la figure 4 (e) est l'image fusionnée après la transformation Contourlet et la figure 4 (f) est l'image fusionnée après la transformation en ondelettes-Contourlet.
(a) Image de référence standard (b) Image floue à fusionner du côté gauche (c) Image floue à fusionner du côté droit
(d) Moyenne de sélection d'ondelettes (e) Moyenne de sélection de contourets (f) Moyenne de sélection d'ondelettes-Contourlets
Les données d’évaluation des performances des trois transformations pour la fusion sont présentées dans le tableau 1.
Tableau 1 Analyse des données de comparaison des performances de trois transformations de fusion
Le tableau 1 montre que, comparée à la transformation en ondelettes, la transformation en ondelettes-contourlets augmente la fréquence spatiale de 11,27%, l'écart est 10,84% inférieur à la transformation en ondelettes et que l'entropie croisée est inférieure à 23,81%. transformer.
La transformation en ondelettes-Contourlet est presque identique à la fréquence spatiale comparée à la transformation de Contourlet. La déviation est inférieure de 1,91% à la transformation de contour et l’entropie croisée est de 11,11% inférieure à la transformation de contour. Par conséquent, compte tenu des indicateurs d’évaluation, l’efficacité de l’algorithme proposé est vérifiée.
V. Conclusion
Dans cet article, un algorithme amélioré de sélection de la moyenne pondérée des variances régionales pour les coefficients haute fréquence est proposé et le traitement de la moyenne pondérée est utilisé pour les basses fréquences. Les expériences montrent que l’algorithme proposé permet d’obtenir plus facilement les détails et les informations de bord de l’image. Selon les données expérimentales, la déviation et l'entropie croisée de la transformation en ondelettes-Contourlet sont inférieures à celles de la transformation en ondelettes et de la transformation de Contourlet.
Par conséquent, selon la même règle de fusion, l'algorithme de fusion d'image basé sur la transformée en ondelette-Contourlet et la moyenne pondérée de la variance de région peuvent obtenir de meilleurs résultats que l'algorithme de fusion en transformée d'ondelette et Contourlet.