基于MSTO的含噪声多传感器图像融合算法

发布时间：2021-07-02 13:54

　　为了解决在含噪声多源传感器图像融合中,常规滤波存在图像边缘缺失、对比度差的缺点,提出了一种基于多尺度顺序开关算子（multi-scale sequential toggle operator,MSTO）和Beamlet保边滤波算子的含噪声红外与可见光图像融合算法.首先,将多源图像通过MSTO进行多尺度分解,得到能量分量和细节分量.对于细节分量采用Beamlet保边滤波算子进行处理,保持图像边缘细节的同时滤除噪声,采用MSTO计算出能量图像的亮边缘和暗边缘并融合叠加到细节分量中,进一步增强融合图像的边缘.对于能量分量采用基于灰度值取大的融合规则.最后根据MSTO反变换对融合后的能量分量和细节分量进行重构,得到结果图像.实验结果表明,融合后的图像不但滤除了噪声,而且对轮廓和边缘细节得到较完整的提取和增强.该图像融合算法在含噪声多源传感器的融合中取得较好的效果. 

【文章来源】：东南大学学报(自然科学版). 2017,47(06)北大核心EICSCD

【文章页数】：6 页

【部分图文】：

Lena图三层分解结果

http://journal．seu．edu．cn式中，i为分解的尺度．对Lena图像作三阶多尺度分解后的图像如图1所示．(a)一次分解能量图(b)一次分解细节图(c)二次分解能量图(d)二次分解细节图(e)三次分解能量图(f)三次分解细节图图1Lena图三层分解结果1.2亮边缘和暗边缘数学形态学多尺度顺序开关算子能够在能量图像中提取出红外图像和可见光图像的亮边缘bi(f)(x，y)，bi(g)(x，y)和暗边缘ai(f)(x，y)，ai(g)(x，y)，即bi(f)(x，y)=max(si－1(f)(x，y)－si(f)(x，y)，0)(5)bi(g)(x，y)=max(si－1(g)(x，y)－si(g)(x，y)，0)(6)ai(f)(x，y)=max(si(f)(x，y)－si－1(f)(x，y)，0)(7)ai(g)(x，y)=max(si(g)(x，y)－si－1(g)(x，y)，0)(8)三阶Lena图的亮边缘和暗边缘的提取图像如图2所示．(a)亮边缘(b)暗边缘图2Lena的亮边缘和暗边缘2基于MSTO的含噪声多传感器图像融合算法2.1算法流程基于MSTO的含噪声多传感器图像融合算法流程如下:①将严格配准过的红外图像和可见光图像进行MSTO多尺度分解，分别得到红外图像和可见光图像的能量分量s(f)，s(g)和细节分量d(f)和d(g)．②采用改进的Beamlet保边滤波算子对红外图像和可见光图像的细节分量进行滤波，得到滤波后的细节分量dF(f)，fF(g)．③采用MSTO计算红外和可见光能量图像的亮边缘b(f)(x，y)，b(g)(x，y)和暗边缘图像a(f)(x，y)，a(g)(x，y)，并采用加权融合方法将亮边缘和暗边缘图像分别进行融合．④采用融合公式的细节融合规则对亮边缘、暗边缘与红外和可见光图像的细节分量进行融合．⑤采用灰度值取大的低频融合规则，对红外和可见光图像的能量分量进行融合．⑥采用MSTO反向变换对融合后的能量

http://journal．seu．edu．cn式中，i为分解的尺度．对Lena图像作三阶多尺度分解后的图像如图1所示．(a)一次分解能量图(b)一次分解细节图(c)二次分解能量图(d)二次分解细节图(e)三次分解能量图(f)三次分解细节图图1Lena图三层分解结果1.2亮边缘和暗边缘数学形态学多尺度顺序开关算子能够在能量图像中提取出红外图像和可见光图像的亮边缘bi(f)(x，y)，bi(g)(x，y)和暗边缘ai(f)(x，y)，ai(g)(x，y)，即bi(f)(x，y)=max(si－1(f)(x，y)－si(f)(x，y)，0)(5)bi(g)(x，y)=max(si－1(g)(x，y)－si(g)(x，y)，0)(6)ai(f)(x，y)=max(si(f)(x，y)－si－1(f)(x，y)，0)(7)ai(g)(x，y)=max(si(g)(x，y)－si－1(g)(x，y)，0)(8)三阶Lena图的亮边缘和暗边缘的提取图像如图2所示．(a)亮边缘(b)暗边缘图2Lena的亮边缘和暗边缘2基于MSTO的含噪声多传感器图像融合算法2.1算法流程基于MSTO的含噪声多传感器图像融合算法流程如下:①将严格配准过的红外图像和可见光图像进行MSTO多尺度分解，分别得到红外图像和可见光图像的能量分量s(f)，s(g)和细节分量d(f)和d(g)．②采用改进的Beamlet保边滤波算子对红外图像和可见光图像的细节分量进行滤波，得到滤波后的细节分量dF(f)，fF(g)．③采用MSTO计算红外和可见光能量图像的亮边缘b(f)(x，y)，b(g)(x，y)和暗边缘图像a(f)(x，y)，a(g)(x，y)，并采用加权融合方法将亮边缘和暗边缘图像分别进行融合．④采用融合公式的细节融合规则对亮边缘、暗边缘与红外和可见光图像的细节分量进行融合．⑤采用灰度值取大的低频融合规则，对红外和可见光图像的能量分量进行融合．⑥采用MSTO反向变换对融合后的能量

【参考文献】：
期刊论文
[1]基于噪声评价的微光红外图像自适应融合方法[J]. 胡清平,张晓晖,刘超.  海军工程大学学报. 2017(01)
[2]基于可控滤波器和空间频率的图像融合算法[J]. 郭峰,杨静,史健芳.  计算机工程与设计. 2016(08)
[3]一种新的基于多尺度几何分析的图像融合方法[J]. 沈瑜,党建武,王阳萍,冯鑫,罗维薇.  光电子.激光. 2013(12)
[4]多源视频序列噪声抑制融合算法[J]. 王昕,魏有利,李高略,刘富.  中南大学学报(自然科学版). 2013(S2)
[5]一种抗噪声的高效多聚焦图像融合算法[J]. 严春满,郭宝龙,杨秀红.  西安电子科技大学学报. 2011(03)
[6]结构优化型颜色传递融合方法[J]. 李光鑫,徐抒岩,董吉洪.  电子学报. 2011(01)



本文编号：3260594