基于Shearlet变换的图像融合与去噪方法研究

发布时间：2020-10-10 02:12

　　多传感器图像融合(包括高空间分辨率全色图像与多光谱图像的融合以及多聚焦图像的融合等)与图像去噪(包括图像中高斯噪声的去除以及随机脉冲噪声的去除等)都是当前图像处理领域的研究热点。现有变换域高空间分辨率全色图像与多光谱图像的融合方法难以在空间分辨率的提高与光谱信息的保持之间达到良好的平衡；现有变换域多聚焦图像融合算法又存在融合规则对变换系数的误选,从而导致融合图像的清晰度相对于源图像的聚焦区域来说存在一定程度的降低；现有的高斯噪声去除方法在去除图像中所含高斯噪声的同时,会导致图像中边缘细节信息的模糊；现有的随机脉冲噪声去除方法在对图像中的随机脉冲噪声进行去除时,通常都不能有效恢复被噪声污染数据所具有的几何特征,从而导致在去噪图像中出现锯齿状边缘以及其他类型的失真(如块状效应)。针对图像融合与去噪中存在的上述问题,本文以一种新的多尺度几何分析工具——平移不变Shearlet变换(Transaction Invariant Shearlet Transform, TIST)为主线,对其在多传感器图像融合领域与图像去噪处理领域的应用进行了深入研究。本文的主要工作和创新可以概括为以下几个方面：(1)针对高空间分辨率全色图像与多光谱图像融合中难以在空间分辨率的提高与光谱信息的保持之间达到良好平衡的问题,提出了一种基于区域分割与IHS彩色空间域TIST变换的融合算法。该算法将IHS变换与平移不变剪切波变换结合起来,采用Mean-shift图像分割方法对高空间分辨率全色图像进行分割,根据分割所得区域的方差,将对应区域分为需要进行空间细节信息增强的区域以及需要保持光谱特性的区域,据此来指导TIST域带通方向子带系数的融合。对于TIST域低频子带系数,采用基于局部四阶相关系数的融合策略；对于带通方向子带系数,则采用在区域的边界以及需要进行空间细节信息增强的区域注入全色图像带通方向子带系数,而在需要保持光谱特性的区域保留多光谱图像的带通方向子带系数的融合策略。该融合算法在空间分辨率的提高与光谱信息的保持之间达到了较好的平衡,融合后的多光谱图像不仅较好地保持了源多光谱图像的光谱特性,而且其空间分辨率也得到了有效提高。(2)针对基于多尺度分解的多聚焦图像融合方法的不足(①常用的多尺度分解与重构算法都存在不同程度的误差,这种误差的存在会导致源图像中部分有用信息的丢失；②多尺度变换域内图像内容的复杂性会导致融合规则对变换系数的误选,从而导致融合图像的清晰度相对源图像的聚焦区域来说存在一定程度的降低),提出了一种基于聚焦区域检测的平移不变Shearlet变换域(TIST域)多聚焦图像融合算法。该算法首先通过一种简单的TIST域多聚焦图像融合方法得到一幅初始的融合图像,然后根据所有源图像与初始融合图像像素间的局部相似程度来获得每一源图像的聚焦区域检测图,并据此将该源图像中的所有像素分成聚焦区域内部、聚焦与离焦区域之间的过渡以及离焦区域内部,最终据此来指导TIST域各子带系数的融合。该算法能在融合图像中注入更多源图像中的有用信息,避免“伪影”等虚假信息的引入,有效提高融合图像的质量,从而得到与所有区域都清晰的标准参考图像更为接近的融合图像。(3)针对图像中高斯噪声的去除问题,提出了一种基于TIST域高斯比例混合模型(GSM)的图像高斯噪声去除方法。该方法根据图像剪切波变换系数的分布具有非高斯性及重尾性的特点,用高斯比例混合模型作为描述图像平移不变剪切波系数在局部邻域内分布规律的分布模型,通过贝叶斯最小二乘(Bayes Least Squares, BLS)估计对邻域中心的平移不变剪切波系数进行估计。该算法不仅能有效抑制图像中的高斯噪声,而且还能在抑制噪声的同时,较好地保持图像中的边缘、纹理等细节信息,有效改善图像的主客观效果。(4)针对图像中随机脉冲噪声的检测与去除问题,通过引入迭代技术对一种高效随机脉冲噪声检测方法HEIND进行了改进,并在此基础上提出了一种结合改进高效随机脉冲噪声检测方法与基于Shearlet的图像修复方法的随机脉冲噪声去除方法。该方法将改进高效随机脉冲噪声检测方法检测所得的噪声像素所在的位置作为需要进行修复的区域,利用基于Shearlet的图像修复方法对噪声所在位置的灰度值进行修复,从而在有效去除图像中随机脉冲噪声的同时,有效恢复被噪声污染数据所具有的几何特征,更好地保护图像的边缘、轮廓等细节信息,使去噪后的图像具有更好的视觉效果。
【学位单位】：西安电子科技大学
【学位级别】：博士
【学位年份】：2015
【中图分类】：TP391.41
【部分图文】：

剪切波,尺度,连续剪切,平移参数

逦（２－６）逡逑［逦Ｌ邋ａ邋２口」Ｌ２幻口」《，逦Ｊ逡逑知的支撑区间如图２．１所示。从图２．１可Ｗ看到，不同尺度下的剪切波在频逡逑域的支撑区域为沿着斜率为Ｓ的直线且关于原点对称的梯形区域因此，剪切波逡逑ＶＶ、，是一个尺度、方向及位置参数分别为ａ，ｓ与ｆ的具有良好局部性的函数的集逡逑合。随着尺度参数。的减小，图像／的剪切波变换况／，／（ａ，Ｗ；）的渐进衰减性不仅能逡逑够描述图像中边缘的位置，而且还可Ｕｉｌ指示出边缘的方向，剪切波变换具有捕捉逡逑１１逡逑

下采样,金字塔分解,局部化,变换系数

上述Ｓｈｅａｒｌｅｔ变换中的多尺度剖分（由Ｌａｐｌａｃｉａｎ金字塔分解算法得到）与方逡逑向局部化两个阶段中都存在下采样操作，下采样操作虽然使Ｓｈｅａｒｌｅｔ变换系数的兀逡逑余度较低，但同时也会导致该变换缺乏平移不变性，使得将其用于图像去噪Ｗ及逡逑融合时会出现振铃效应；同时，多抽样率理论告诉我们，对滤波后的图像进行隔逡逑行隔列下采样操作会导致频谱混叠效应的产生，因此，Ｓｈｅａｒｌｅｔ变换中经Ｌａｌａｃｉａｎ逡逑

过程图,融合方法,分块,子块

分别分成若干个小的子块，然后分别计算每一源图像对应位置子块的清晰度，将逡逑所有源图像中同一位置清晰度最大的子块作为融合图像对应位置的子块而得到融逡逑合图像，其融合过程参见图４．１。该算法虽然能较为准确地选出源图像中清晰度最逡逑大的子块，然而，它却面临子块大小和子块聚焦特性难确定、融合结果图像中逡逑会产生＂块效应＂等问题。如果分割所得的子块过大，就会导致在某些子块内同逡逑时含有源图像中聚焦区域内像素与离焦区域内像素的问题；如果分割所得的子块逡逑过小，就不能很好地反映子块所具有的特征，进而造成子块的误选；同样，当图逡逑像块的聚焦特性难Ｗ确定时，也会造成图像块的误选而在融合图像中产生＂块效逡逑应＂。近年来，一些学者针对该类算法的不足提出了一系列改进方案，如Ｄｅ邋Ｉ和逡逑Ｃｈａｎｄａ逦提出了一种结合四叉树结构和形态学聚焦测度的多聚焦图像融合方逡逑法，利用四叉树结构来解决基于分块的图像融合算法中块的尺寸大小难Ｗ确定的逡逑问题；Ｗ．邋Ｈｕａｎｇ等提出根据脉冲z1合神经网络（ＰＣＮＮ）来识别清晰的图像子块来逡逑解决基于分块的图像融合算法中子块聚焦特性难Ｗ确定的问题等，这些改进后的逡逑融合算法的融合性能都所提高

【共引文献】