Výstava

Vylepšený algoritmus fúze obrazu

Oct 12, 2018 Zanechat vzkaz

Vylepšený algoritmus fúze obrazu

Jsme velká tisková společnost v Shenzhen Číně. Nabízíme veškeré publikace knih, tiskovou knihu v obálkách, papírový tisk, knihařský obal, knihařský tisk, knihařský tisk, tisk brožur, obalový box, kalendáře, všechny druhy PVC, produktové brožury, poznámky, dětská kniha, samolepky druhy speciálních produktů pro tisk barevného papíru, herní karty atd.

Pro více informací navštivte prosím

http://www.joyful-printing.com. Pouze ENG

http://www.joyful-printing.net

http://www.joyful-printing.org

email: info@joyful-printing.net


První. Úvod


Image fusion je syntéza obrazové informace získané dvěma nebo více senzory pro vytvoření přesnějšího a bohatšího obrazu. Image fusion je rozdělena do tří úrovní od nízké k vysoké: fúze na úrovni pixelů, fúze na úrovni funkcí a fúze na úrovni rozhodování. Transformace Wavelet je běžně používaná metoda při fúzi obrazu. Výzkum ukazuje, že waveletová transformace není optimální metodou reprezentace funkce ve velkých rozměrových případech. Aby mohli efektivněji reprezentovat a zpracovávat prostorová data jako jsou obrazy, výzkumníci navrhli řadu nástrojů pro geometrické analýzy, jako jsou Ridgelet, Curvelet, Bandelet, Contourlet a Wavelet-Contourlet. Navrhované metody kladou základy pro budování stále účinnějších metod fúze v oblasti fúze obrazu.


Transformace Wavelet a transformace Contourlet jsou dva hlavní a běžně používané nástroje pro fúzi obrazu. Transformace Wavelet je zralá jak v teoretických, tak praktických aplikacích. To bylo vždy společným nástrojem pro fúzi obrazu, ale může získat informace pouze ve třech směrech: horizontální, vertikální a diagonální. Transformace Contourletu může kompenzovat konecnost směru transformace waveletů a získávat informace v libovolném směru obrazu. Transformace wavelet transformace a transformace Contourlet současně zpracovávají obraz podobným způsobem, tj. Obraz se rozkládá na části s nízkým kmitočtem a vysokou frekvencí a fúze obrazu se provádí v nízkofrekvenčním a vysokofrekvenčním provedení. Transformace waveletů a transformace Contourlet lze proto kombinovat, aby se zlepšila výkonnost obrazu.


Výzkum fúze obrazu zahrnuje nejen výzkum algoritmů, ale také výzkum fúzních pravidel. Pravidla fúze nyní obecně vybírají pravidlo fúze pro region (nebo okno). Vzhledem k tomu, že nízká frekvence odráží především informace o energii snímku a vysoká frekvence odráží hraniční informace obrazu, tedy stupeň změny. Varianta také odráží celkovou změnu mezi obrazovými pixely. Proto v tomto článku je metoda fúze výběru váženého průměru regionální odchylky zvolena ve vysokofrekvenční části.


Za druhé, wavelet-Contourletová transformace


1. Přeměna vlny

V roce 1989, inspirovaný Burtovým a Adelsonovým rozkladem a rekonstrukcí pyramidovým algoritmem (pyramidový algoritmus Gauss-Laplace), Mallat představil myšlenky na analýzu v oblasti počítačového vidění v analýze waveletů. Koncept analýzy rozlišení je dán rychlým algoritmem Mallat.

Dvojrozměrný Mallatův algoritmus lze vyjádřit jako:

Ve vzorci jsou nízkofrekvenční komponenty v prostorovém rozlišení příslušně vysokofrekvenční komponenty v horizontálním, vertikálním a diagonálním směru v prostorovém rozlišení. Jako soubor celých čísel je to zrcadlový konjugovaný filtr.


2.Contourletová transformace

Vzhledem k tomu, že waveletová transformace nereprezentuje správné informace o směru obrazu. V roce 2002 navrhli Do a Vetterli transformaci Contourlet. Konfigurační transformace je metoda s více rozlišeními, lokální a směrovou reprezentací obrazu. Může poskytovat informace v libovolném směru a je řídkou reprezentací dvourozměrného obrazu. Transformace Contourlet používá dvoukanálovou filtrační banku, která zpracovává obraz ve dvou krocích:

2.1 Laplaciánská pyramida (LP) se používá k rozložení vstupního obrazu. LP rozklad se skládá ze čtyř kroků: filtrování dolní propusti, odebírání vzorků, interpolační zesílení a filtrování pásmového průchodu. Pokračující LP rozklad nízkofrekvenčních dílčích pásem poskytuje subpásma s nízkou frekvencí a vysokou frekvencí v různých rozsazech.

2.2 Analýza směrovosti se provádí na vysokofrekvenčním směrovém filtru získaném rozkladem LP. Cílem směrového filtru je zachycení směrových vysokofrekvenčních informací obrazu a kombinace singulárních bodů ve stejném směru do jednoho koeficientu.


Směrová filtrační banka rozkládá stromovou strukturu obrazu a rozkládá kmitočtovou doménu na dílčí pásy, z nichž každá má klínovitý tvar. Metoda nejprve používá filtr ventilátoru znázorněný na obrázku 1 a pět vzorkovacích filtrů k rozložení vstupního obrazu na dva podřízené pásy, horizontální a vertikální, a pak zavádí pásmo operátorů pro převzorkování.

Obrázek 1 Filtrační vrstva (filtr ventilátoru a pět vzorkovacích filtrů)

Obrázek 1 představuje pět vzorkovacích matic a oblast černého sektoru představuje ideální rozklad frekvenční oblasti pro každý filtr.


3. Transformace Wavelet-Contourlet

Rozklad LP použitý v první fázi transformace Contourlet je redundantní, což má za následek 4/3 redundanci transformace Contourlet. Navíc de-korelace LP rozkladu není také dobrá jako transformace waveletů. V reakci na výše uvedené problémy Eslami R a Radha H navrhli transformaci wavelet-Contourlet. Transformace wavelet-contourlet se skládá z dvoustupňové filtrační banky. První stupeň se rozkládá transformací vlnových délek, aby se získaly vysokofrekvenční složky obrazu, čímž se snižuje korelace informací o detailním detailu. Druhý stupeň využívá směrovou filtrační banku. Subbands ve všech směrech vysoké frekvence jsou získány. Jak je znázorněno na obrázku 2:


Za třetí, založený na průměrném algoritmu fusion algoritmu


Kroky algoritmu fúze uvedené v tomto příspěvku jsou následující:

1 Provádění wavelet-Contourlet transformace na levém rozmazaném obrazu a pravém rozmazaném snímku a získání nízkofrekvenční části a části s vysokou frekvencí zdrojového obrazu;


2 Nízkofrekvenční část používá jednoduché vážené průměrné pravidlo jaderné syntézy.

Po transformaci obrazu wavelet-Contourlet koeficienty s nízkou frekvencí převážně soustřeďují většinu energie původního obrazu, který určuje přehled obrazu. V tomto článku používáme vážené průměrné pravidlo fúze pro koeficienty nízkofrekvenčních dílčích pásem.


3 Část s vysokou frekvencí přijímá vážený průměr výběrového pravidla výběru rozptylu.

Po transformaci obrazu pomocí wavelet-Contourlet obsahuje vysokofrekvenční koeficient především detaily a okrajové informace obrazu. Každý vysokofrekvenční koeficient dílčího pásma obsahuje směrové charakteristiky. V tomto článku je použit algoritmus fúze založený na zprůměrování výběru rozptylu. Pravidla pro fúzi jsou následující:


Nejdříve se získají rozkladné vrstvy vysokofrekvenčních dílčích obrazů rozmazaného obrazu levé strany a rozmazaného obrazu na pravé straně a místní odchylky odpovídajících obrazových bodů v příslušných směrech se zaznamenají jako:. Viz vzorec (2) pro vzorec:

Potom normalizujte:

Definujte prahovou hodnotu: Tento článek obsahuje simulaci. Pak existují:

Kde, resp., Představují hodnoty pixelu fúzovaného obrazu, obrazu a obrazu v rozložené vrstvě a ve směru. Z rovnic (5) a (6) lze vidět, že když jsou lokální hodnoty rozptylu normalizovaných obrazů A a B velké, znamená to, že jeden snímek obsahuje bohaté informace o okrajích detailů, zatímco druhý snímek obsahuje méně detailů , hodnota pixelu s větším lokálním rozptylem je vybrána jako koeficient fúzování; když jsou dva obrazy normalizovány, místní rozptyl je blízký, což naznačuje, že oba obrázky obsahují bohaté informace o okrajích detailů. Vážený průměr algoritmu fúze se používá po stanovení vlnových koeficientů po fúzi. To zachovává detailní vlastnosti obrazu a zároveň se vyhne ztrátě informací.


4 Proveďte inverzní transformaci wavelet-Contourlet, abyste získali konečný fúzovaný obraz.

Specifický proces je znázorněn na obrázku 3.

Obrázek 3 Bloková schéma fúze transformace obrazu Wavelet-Contourlet


Za čtvrté, integrace hodnotících ukazatelů a analýza experimentálních výsledků


Za účelem ověření účinnosti navrženého algoritmu se podle stejných pravidel fúze porovnává s waveletovou transformací a transformací Contourlet. Obraz je rozložen a rekonstruován pomocí vlnky db5. Prahová hodnota je 0,6.

Aby bylo možné objektově vyhodnotit fúzovaný obraz, jako referenční obraz byl vybrán jasný obraz ve stupních šedi. Křížová entropie, odchylka a prostorová frekvence fúzovaného obrazu a referenčního obrazu se používají jako objektivní kritéria pro vyhodnocení výhod a nevýhod fúze.

1. Křížová entropie

Křížová entropie fúzovaného obrazu a standardní referenční obraz je definována jako:

V rovnici (7) je součtem pravděpodobnost součtu šedých hodnot. Celková úroveň šedi snímku. Křížová entropie, známá také jako relativní entropie, je klíčovým ukazatelem pro vyhodnocení rozdílu mezi dvěma obrázky. Čím menší je křížová entropie, tím menší je rozdíl mezi popisem a součtem, tím více informací se z něj získává, to znamená, že efekt sloučení obrazu je lepší.


2. Odchylka

Odchylka a je definována jako:

Ve vzorci (8) jsou hodnoty gradace součtu uvedeny. Velikost odchylky představuje rozdíl od šedé hodnoty. Čím menší je odchylka, tím lepší je efekt fúze.


3. Prostorová frekvence

Prostorová četnost obrazu je:

(9) je frekvence čáry obrazu a jeho výpočetní vzorec je uveden v (10):

(9) je frekvence sloupce obrazu a její výpočetní vzorec je uveden v (11):

Výše uvedený vzorec představuje šedou hodnotu v pixelové pozici a představuje počet řádků a počet sloupců obrázku.

Prostorová četnost obrazu je indikátorem vztahujícím se k rozptylu, který odráží celkovou aktivitu prostorové domény obrazu. Čím větší je prostorová frekvence, tím je obraz aktivnější, čím je obraz jasnější a tím lepší je efekt míchání obrazu.

Obrázek 4 zobrazuje výsledky fúzního experimentu. Obrázek 4 (a) je standardní referenční obraz. Obrázek 4 (b) je obraz, který má být spojen Gaussovským filtrem na levé straně, a Obrázek 4 (c) je obraz, který má být spojen gaussovským filtrem vpravo boční. Obrázek 4 (d) je fúzovaný obraz po vlnové transformaci, obr. 4 (e) je fúzovaný obraz po transformaci Contourlet a obr. 4 (f) je fúzovaný obraz po transformaci wavelet-Contourlet.

(a) Standardní referenční obraz (b) Rozmazaný obraz, který má být nalepen na levé straně (c) Rozmazaný obraz, který má být roztaven na pravé straně

(d) Průměr výběru vlny (e) Průměr výběru obrysu (f) wavelet - průměr výběru obrysu

Hodnoty vyhodnocení výkonnosti tří transformací pro fúzi jsou uvedeny v tabulce 1.

Tabulka 1 Analýza výkonnostní analýzy tří fúzních transformací

Z tab. 1 je patrné, že ve srovnání s transformací wavelet transformace wavelet-konturace zvyšuje prostorovou frekvenci o 11,27%, odchylka je o 10,84% nižší než vlnová transformace a křížová entropie je o 23,81% nižší než wavelet přeměnit.


Transformace wavelet-contourlet je téměř shodná s prostorovou frekvencí ve srovnání s transformací Contourlet. Odchylka je o 1,91% nižší než transformace Contourlet a křížová entropie je o 11,11% nižší než transformace Contourlet. Proto s ohledem na vyhodnocovací ukazatele je ověřena účinnost navrženého algoritmu.


V. Závěr

V tomto článku je navržen zlepšený algoritmus pro výběr váženého průměru regionálních odchylek pro vysokofrekvenční koeficienty a pro nízké frekvence se používá vážené průměrné zpracování. Experimenty ukazují, že navrhovaný algoritmus může snadněji získat detaily a informace o okrajích obrazu. Podle experimentálních dat jsou odchylka a křížová entropie transformace wavelet-contourlet nižší než odchylka transformace waveletů a transformace Contourlet.


Proto podle stejného pravidla fúze algoritmus fúze obrazů založený na transformaci wavelet-Contourlet a vážený průměr rozptylu oblasti může získat lepší výsledky než waveletová transformace a algoritmus transformace fúze Contourlet.

Odeslat dotaz