基于二维提升小波变换的图像融合_何伟.pdf

文章是描述二维提升小波变换的图像融合，何伟。将图像进行提升小波变换，分别对高低频采用不同的融合方法，得到融合后图像。 并引入信息熵、相关系数和清晰度等性能指 标对融合后的图像进行分析。 实验结果表明，此提升方法在融合图像质量上优于传统小波变换需要的可以下载 【二维提升小波变换】是图像处理领域中一种高效的小波分解方法，相较于传统小波变换，提升小波变换在1995年由Sweldens等人提出，它通过分裂、预测和更新三个步骤，能够在时域内直接构建小波，简化了计算过程，并实现了整数到整数的变换，降低了计算复杂性。提升小波变换的核心在于通过“懒惰小波”逐步构建新小波，通过对信号执行以下操作： 1. **分裂**：将信号拆分为偶子集和奇子集。 2. **预测**：利用偶子集预测奇子集，预测误差代表高频信息。 3. **更新**：通过预测误差和更新算子产生低频信息，保持原始数据特性。 这种变换方式不仅减少了运算量，而且提高了信号的频率分解效率。 【图像融合】是一种将不同传感器获取的多幅图像整合成一幅新图像的技术，以提高信息分析和提取能力。按照融合层次，图像融合可分为像素级、特征级和决策级。基于变换域的图像融合算法通常包括三个步骤： 1. **图像变换**：将源图像通过金字塔变换或小波变换分解为不同频段的系数。 2. **融合规则**：根据特定准则对分解后的系数进行融合处理。 3. **逆变换**：将融合后的系数通过逆变换恢复为融合图像。 在本文中，作者何伟提出了基于二维提升小波变换的图像融合方法。具体地，针对高低频成分采用不同的融合策略，然后通过信息熵、相关系数和清晰度等性能指标评估融合图像的质量。实验结果显示，这种方法在图像融合效果上优于传统的基于小波变换的方法。 **融合算法细节**： 在低频域（近似子图像）融合时，采用加权平均规则，即融合结果F是源图像A和B的加权和，权重α介于0到1之间，这允许根据需要调整不同源图像的贡献。这种规则可以保留源图像的主要结构信息同时结合两者的细节信息。 总结来说，本文探讨了提升小波变换在图像融合中的应用，通过优化的融合策略和性能指标评估，提升了图像融合的质量。这一方法对于多传感器图像处理和分析，尤其是在遥感、医学成像等领域具有重要意义，因为它能够有效提取和整合不同图像源的有用信息。