非下采样轮廓波变换的前视声呐图像融合

发布时间：2020-04-14 03:58

【摘要】：针对前视声呐图像清晰程度不同,局部区域模糊的特点,本文提出一种基于非下采样轮廓波变换的前视声呐图像融合算法。依据图像多尺度分解的理论,对源图像进行非下采样轮廓波变换,得到一系列多尺度子带分解系数;根据图像中清晰目标反射声波能量大、对比度高特点,构建前视声呐图像融合规则,即低频子带采用Gabor能量、高频子带计算局部对比度指导融合规则,提出区域一致性校验准则抑制图像噪声,产生融合图像多尺度子带分解系数,并应用非下采样轮廓波逆变换获得融合图像。声呐图像融合对比实验证明,采用提出方法生成的融合图像在主观视觉和客观指标上均优于其他融合方法。
【图文】：

多尺度分解,图像,子带

带和1个高频子带;然后，重复将每次分解后的低频成分通过NSPFB分解k次，得到k+1个子带图像，，包括1个低频子带和k个高频子带;最后，分别将每个高频子带图像经过l级NSDFB处理，在每个高频子带上产生2l个方向子带。NSCT通过NSPFB保证其多尺度分析的特性，利用NSDFB充分地表达图像各向异性信息。由于NSCT在分解过程中避免对图像进行采样操作，能够有效地抑制“伪吉布斯”现象产生。此外，非下采样分解产生的子带图像大小与源图像相同，保证子带图像信息与源图像信息空间位置一致，方便制定图像融合规则［14］。图1NSCT图像多尺度分解Fig．1ImagedecompositionbyNSCT与其他MST图像融合方法类似，对于两幅源图像A和B，基于NSCT的图像融合算法步骤如下所述:1)应用NSCT分别对源图像A和B均进行K尺度和L方向分解，得到多尺度子带分解系数{LA，HAkl}和{LB，HBkl}。其中，LA和LB是源图像低频子带，HAkl和HBkl是源图像在k∈［1，K］尺度和l∈［1，L］方向上的高频子带;2)采用不同的融合规则，分别融合源图像的低频子带和高频子带，得到融合图像F的多尺度子带分解系数{LF，HFkl};3)对融合图像分解系数{LF，HFkl}进行NSCT逆变换，得到融合图像F。综上所述，基于NSCT的图像融合算法框架如图2所示。2基于NSCT的前视声呐图像融合算法在基于NSCT多尺度分析的图像融合算法中，图像首先被分解为低频子带和高频子带，再分别建立合适的融合规则，获得融合系数。融合规则是图像融合算法的核心步骤，合理地制定融合规则可以提高融合质量，改善视觉感受。·1374·

框架图,框架,声呐图像,融合规则

第9期张健，等:非下采样轮廓波变换的前视声呐图像融合图2NSCT图像融合算法框架Fig．2FrameworkofimagefusionalgorithmbasedonNSCT一般地，融合系数通过“选择”或“平均”获得［15］。当源图像在同一像素位置存在显著差异时，融合过程直接选择源图像分解系数中突出信息，作为融合图像相应位置的分解系数，并放弃非突出信息。当同一像素位置信息相似时，融合过程通过平均或加权平均确定该位置的融合系数。这样，“选择”有效地保留图像间互补信息，“平均”保证图像内容均匀稳定。综上，多尺度分析图像融合算法根据源图像差异性信息，选择或平均源图像分解系数确定融合规则，获得融合图像。对于光学图像，其图像灰度均匀，细节特征丰富，噪声干扰小，往往衡量图像局部区域活跃程度，如梯度、空间频率和局部方差等参数作为差异信息，指导融合规则。然而，由于声呐图像亮度非均匀，细节特征不突出且噪声污染严重，导致局部活跃信息受这些因素影响较大，不能准确地体现声呐图像间的差异。因此，应该重点根据声呐图像的特殊性，合理确定图像间差异信息，以此建立适用于声呐图像的融合规则。2.1低频子带系数融合规则由于前视声呐图像本质是目标反射声波能量在空间上的分布，反射能量越大，目标越清晰。而低频子带保留了源图像绝大部分信息，体现图像的能量分布。因此，应该以能量强弱体现前视声呐图像差异性。在此，选择Gabor能量作为衡量源图像差异的参数，建立前视声呐图像低频子带系数融合规则。Gabor能量可以有效地反映图像中能量分布，良好的抗噪性和相似不变性使其在前视声呐图像处理方面也有较好的效果［16－17］。低频子带系数与Gabor滤波器二维卷积生成不同尺度和方向上的Gabor系数。m尺度n方向的Gabor滤波?

【相似文献】