Javított képfúziós algoritmus
Nagy nyomda vagyunk Shenzhen Kínában. Minden könyvkiadványt, keménykötésű könyvnyomtatást, papírkötésű könyvnyomtatást, keménytáblás noteszgépet, sprial könyvnyomtatást, nyeregtároló könyvnyomtatást, füzetnyomtatást, csomagoló dobozokat, naptárakat, mindenféle PVC-t, termék brosúrákat, jegyzeteket, gyermekkönyveket, matricákat speciális papír színes nyomdai termékek, játék kártya és így tovább.
További információkért látogasson el
http://www.joyful-printing.com. Csak ENG
http://www.joyful-printing.net
http://www.joyful-printing.org
e-mail: info@joyful-printing.net
Első. Bevezetés
A képfúzió két vagy több érzékelő által kapott képinformáció szintézise, pontosabban és gazdagabb képet alkotva. Az Image fúzió három szintre van osztva az alacsonyról a magasra: a képpont szintű fúzió, a funkciószintű fúzió és a döntési szintű fúzió. A Wavelet transzformáció egy általánosan használt módszer a képfúzióban. A kutatások azt mutatják, hogy a wavelet transzformáció nem az optimális funkció-reprezentációs módszer nagy dimenziós esetekben. A nagy dimenziós térbeli adatok, például a képek hatékonyabb képviseletére és feldolgozására a kutatók többféle geometriai elemzési eszközt javasoltak, mint a Ridgelet, a Curvelet, a Bandelet, a Contourlet és a Wavelet-Contourlet. A javasolt módszerek megalapozzák a hatékonyabb fúziós módszerek kialakítását a képfúzió területén.
A Wavelet transzformáció és a Contourlet transzformáció két fő és általánosan használt eszköz a képfúzióhoz. A Wavelet transzformáció mind elméleti, mind gyakorlati alkalmazásokban érett. Mindig is a képfúzió közös eszköze, de csak három irányban tud információt szerezni: vízszintes, függőleges és átlós. A Contourlet transzformáció kompenzálhatja a wavelet transzformáció irányának végességét és információt nyerhet a kép bármely irányában. Ugyanakkor a wavelet transzformáció és a Contourlet átalakítja a képet hasonló módon, vagyis a képet alacsony frekvenciájú és nagy frekvenciájú részekre bomlik, és a képfúzió alacsony frekvencián és nagy frekvencián történik. Ezért a wavelet transzformáció és a Contourlet transzformáció kombinálható a kép teljesítményének javítására.
A képfúzió kutatása nemcsak az algoritmusok kutatását, hanem a fúziós szabályok kutatását is magában foglalja. A fúziós szabályok mostantól általában kiválasztják a (vagy ablakos) fúziós szabályokat. Mivel az alacsony frekvencia elsősorban a kép energiainformációját tükrözi, és a nagyfrekvenciát tükrözi a kép határainformáció, vagyis a változás mértéke. A variancia a képpontok közötti átfogó változást is tükrözi. Ezért ebben a cikkben a nagy szórási szakaszban a regionális variancia súlyozott átlagának kiválasztására szolgáló fúziós módszert választjuk.
Másodszor, a wavelet-Contourlet átalakul
1. Wavelet transzformáció
1989-ben, Burt és Adelson képbontó és rekonstrukciós piramis algoritmusa (a Gauss-Laplace piramis algoritmus) inspirálta, Mallat többszempontú elemzési ötleteket vezetett be a számítógépes látás területén a hullámelem-elemzésre. A felbontáselemzés fogalmát a Mallat gyors algoritmus adja.
A kétdimenziós Mallat algoritmus a következőképpen fejezhető ki:
A képletben a térbeli felbontásban lévő alacsony frekvenciájú komponensek a nagy felbontású komponensek a vízszintes, függőleges és átlós irányban a térbeli felbontásban. Mint egész számok, ez egy tükör konjugált szűrő.
2.Contourlet transzformáció
Mivel a wavelet transzformáció nem képviseli a kép irány információját. 2002-ben a Do és a Vetterli a Contourlet átalakulását javasolta. A kontúrbemutató többfelbontású, helyi és irányított képmegjelenítési módszer. Minden irányba tud információt szolgáltatni, és egy kétdimenziós kép szűk reprezentációja. A Contourlet transzformáció egy kétcsatornás szűrő bankot használ, amely két lépésben feldolgozza a képet:
2.1 A Laplacián piramis (LP) a bemeneti kép dekompozíciójára szolgál. Az LP bomlás négy lépésből áll: az aluláteresztő szűrés, a leolvasás, az interpolációs erősítés és a sávszűrő szűrés. Az alacsony frekvenciás részsávok folyamatos LP bomlása alacsony frekvenciájú és nagyfrekvenciás alsávokat eredményez különböző skálákon.
2.2 Az irányítottsági elemzést a nagyfrekvenciás irányított szűrőpáron végezzük, amelyet az LP bomlása nyer. Az irányszűrő bank célja, hogy rögzítse a kép irányított nagyfrekvenciás információit, és egyesítse az egyes pontokat ugyanabban az irányban egy együtthatóval.
Az irányszűrő bank elbontja a kép faszerkezetét, és bontja a frekvenciatartományt al-sávokká, amelyek mindegyike ék alakú. A módszer először az 1. ábrán bemutatott ventilátorszűrőt és öt mintavételi szűrőt használja a bemeneti kép vízszintes és függőleges két részsávba bontásához, majd bevezeti a shearing resampling operator sávot.
1. ábra Szűrőbetét (ventilátorszűrő és öt mintavevő szűrő)
Az 1. ábra öt mintavételi mátrixot ábrázol, és a fekete szektor területe az egyes szűrők ideális frekvenciatartalmának bomlását jelenti.
3. Wavelet-Contourlet transzformáció
A Contourlet transzformáció első szakaszában használt LP-bomlás redundáns, ami a Contourlet-transzformáció 4/3 redundanciáját eredményezi. Ráadásul az LP bomlás de-korrelációja szintén nem olyan jó, mint a wavelet transzformáció. A fenti problémákra válaszul Eslami R és Radha H egy wavelet-Contourlet transzformációt javasolt. A wavelet-Contourlet transzformáció kétfokozatú szűrőbetétből áll. Az első lépcső a wavelet transzformációval lebomlik, hogy megkapja a kép nagyfrekvenciás összetevőit, ezáltal csökkentve a térköz részletes információinak korrelációját. A második szakasz az irányított szűrőbetétet használja. A nagyfrekvenciás sugárzások minden irányának aljzatai kaphatók. Amint a 2. ábrán látható:
Harmadszor, a variancia-kiválasztási átlag fúziós algoritmus alapján
Az ebben a cikkben megadott fúziós algoritmus lépései a következők:
1 Wavelet-Contourlet transzformáció végrehajtása a bal homályos képen és a megfelelő homályos képen, valamint a forráskép alacsony frekvenciájú részének és nagyfrekvenciás részének megszerzésével;
2 Az alacsony frekvenciájú rész egy egyszerű súlyozott átlagos fúziós szabályt alkalmaz.
Miután a kép wavelet-Contourlet által átalakult, az alacsony frekvenciájú együtthatók elsősorban az eredeti kép energiájának nagy részét koncentrálják, ami meghatározza a kép áttekintését. Ebben a cikkben a súlyozott átlagos fúziós szabályt alkalmazzuk az alacsony frekvenciájú részsáv-együtthatókra.
3 A nagyfrekvenciás rész a variancia-kiválasztási súlyozott átlag fúziós szabályt alkalmazza.
Miután a kép wavelet-Contourlet által átalakult, a nagyfrekvenciás együttható elsősorban a kép részleteit és élinformációit tartalmazza. Minden nagy frekvenciájú alsáv-együttható az irányított jellemzőket testesíti meg. Ebben a dokumentumban a variancia kiválasztás átlagolásán alapuló fúziós algoritmust alkalmazzuk. A fúziós szabályok a következők:
Először a bal oldali homályos kép és a jobb oldali homályos kép nagyfrekvenciás részképeinek bontási rétegeit kapjuk, és a megfelelő képpontok helyi eltéréseit a megfelelő irányban rögzítjük:. Lásd a (2) képletet az alábbi képlet esetében:
Ezután normalizáljuk:
Határérték meghatározása: Ez a cikk veszi a szimulációt. Aztán ott vannak:
Amelyben a fuzionált kép, kép és kép pixel értékeit reprezentálják a felbomlott rétegben és irányban. Az (5) és (6) egyenletekből látható, hogy amikor az A és B normalizált képek helyi variancia értékei nagyok, az azt jelenti, hogy az egyik kép gazdag részletinformációkat tartalmaz, míg a másik kép tartalmaz kevesebb élrészinformációt , a nagyobb helyi varianciával rendelkező pixelértéket választott koefficiensként választjuk ki; amikor a két kép normalizálódik, a helyi variancia közel van, jelezve, hogy mindkét kép tartalmaz gazdag él-részletadatokat. A súlyozott átlagos fúziós algoritmust a wavelet koefficiensek meghatározására használják a fúzió után. Ez megőrzi a kép részletes jellemzőit, miközben elkerüli az információvesztést.
4 Hajtsa végre a wavelet-Contourlet inverz transzformációt, hogy megkapja a végleges kondenzált képet.
Az egyedi folyamatot a 3. ábrán mutatjuk be.
3. ábra Wavelet-Contourlet transzformációs képfúziós blokkdiagram
Negyedszer az értékelési mutatók integrálása és a kísérleti eredmények elemzése
A javasolt algoritmus hatékonyságának ellenőrzése érdekében, ugyanazon fúziós szabályok szerint, összehasonlítjuk a wavelet transzformációval és a Contourlet transzformációval. A kép bomlik és rekonstruálódik a db5 wavelet segítségével. A küszöbérték 0,6.
A fuzionált kép objektív kiértékeléséhez egy átlátszó szürkeárnyalatos képet választottunk referenciaképként. A fuzionált kép kereszt-entrópia, eltérése és térbeli frekvenciája és a referenciakép objektív kritériumként szolgálnak a fúziós hatás előnyeinek és hátrányainak értékelésére.
1. Kereszt entrópia
A fuzionált kép és a standard referenciakép kereszt entrópiája a következő:
A (7) egyenletben az összeg a szürke értékek összegének valószínűsége. A kép teljes szürke szintje. A kereszt entrópia, más néven relatív entrópia, kulcsfontosságú mutató a két kép közötti különbség értékeléséhez. Minél kisebb a kereszt entrópia, annál kisebb a különbség a leírás és az összeg között, annál több információt bocsátanak ki, vagyis a kép egyesítésének hatása jobb.
2. Eltérés
Az eltérés és a következőképpen definiált:
A (8) képletben az összeg gradációs értékei jelennek meg. Az eltérés nagysága a szürke értéktől való eltérést jelenti. Minél kisebb az eltérés, annál jobb a fúziós hatás.
3. Térbeli frekvencia
A kép térbeli frekvenciája:
(9) a kép vonal frekvenciája, és számítási képletét a (10) mutatja:
(9) a kép oszlopfrekvenciája, és a számítási képlet a (11) ábrán látható:
A fenti képlet a szürke értéket mutatja a pixelhelyzetben, és a képsorok sorszámát és a kép oszlopainak számát mutatja.
A kép térbeli frekvenciája a varianciához kapcsolódó mutató, amely egy kép térbeli tartomány általános aktivitását tükrözi. Minél nagyobb a térbeli frekvencia, annál aktívabb a kép, annál világosabb a kép, és annál jobb a képkeverés hatása.
A 4. ábra bemutatja a fúziós kísérlet eredményeit. A 4. ábra a) referencia kép, a 4. ábra b) a bal oldali Gauss-szűrő által fuzionált kép, a 4. ábra pedig a jobb oldali Gauss-szűrő által fuzionált kép oldal. A 4. (d) ábra a wavelet transzformáció után a fuzionált kép, a 4. ábra e) a Contourlet transzformáció után a kondenzált kép, és a 4. ábra (f) a fuzionált kép a wavelet-Contourlet transzformáció után.
(a) Szabványos referenciakép (b) Homályos kép a bal oldalra olvasztva (c) Elmosódott kép a jobb oldalra olvasztva
d) Wavelet kiválasztási átlag (e) Kontúrválasztás átlaga (f) wavelet-Contourlet selection average
A fúzió három transzformációjának teljesítményértékelési adatait az 1. táblázatban mutatjuk be.
1. táblázat A három fúziós transzformáció teljesítmény-összehasonlító adatelemzése
Az 1. táblázatban látható, hogy a wavelet-transzformációval összehasonlítva a wavelet-kontúrvonal transzformáció 11,27% -kal növeli a térbeli frekvenciát, 10,84% -kal kisebb az eltérés a wavelet transzformációnál, és a kereszt entrópia 23,81% -kal alacsonyabb, mint a wavelet átalakítani.
A wavelet-Contourlet transzformáció majdnem azonos a térbeli frekvenciával a Contourlet transzformációhoz képest. Az eltérés 1,91% -kal alacsonyabb, mint a Contourlet transzformáció, és a kereszt entrópia 11,11% -kal alacsonyabb, mint a Contourlet transzformáció. Ezért, figyelembe véve az értékelési mutatókat, ellenőrizni kell a javasolt algoritmus hatékonyságát.
V. Következtetés
Ebben a tanulmányban javasolt egy nagymértékű algoritmust a nagyfrekvenciás együtthatókra vonatkozó regionális eltérések súlyozott átlagának kiválasztására, és a súlyozott átlagfeldolgozást alacsony frekvenciákra használják. A kísérletek azt mutatják, hogy a javasolt algoritmus könnyebben beszerezheti a kép részleteit és él információit. A kísérleti adatok szerint a wavelet-Contourlet transzformáció eltérése és kereszt entrópiája alacsonyabb, mint a wavelet transzformáció és a Contourlet transzformáció.
Ezért ugyanazon fúziós szabály szerint a wavelet-Contourlet transzformáción alapuló képfúziós algoritmus és a régió variancia súlyozott átlaga jobb eredményeket érhet el, mint a wavelet transzformáció és a Contourlet transzformációs fúziós algoritmus.