基于小波图像去噪及融合技术—刘

基于小波的图像增强和融合技术1、 什么是小波变换它是一种数据处理算法，以某些特殊函数为基将数据过程或数据系列变换为级数系列以发现它的类似频谱的特征，从而实现对数据的处理。2、 小波变换特点及应用领域小波变换具备良好的时频特性，在信号分析和处理中得到了很好的运用；平面图像可以看成二维信号，小波分析很自然地被运用到图像处理领域；目前小波分析已经被运用到图像处理的几乎所有的分支，如：图像融合、边缘检测，图像压缩，图像分割等。从图像处理角度看，小波变换有以下优点：(1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述) (2)小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性 (3)小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口) (4)小波变换实现上有快速算法(Mallat小波分解算法)3、 小波变换在图像增强中的应用在进行图像融合之前，有必要对图像进行增强。这是因为图像在获取和传输过程中, 往往受到噪声的干扰, 而降噪的目的是尽可能保持原始图像主要特征的同时, 除去图像中的噪声。是采用低通滤波方式进行去噪的方法，存在的问题是它在消除图像噪声的同时,，也会消除图像部分有用的高频信息。 因此，各种图像去噪方法其实就是在去噪和保留图像细节上保持平衡。小波变换由于在时域和频域同时具有良好的局部化性质，且对于高频成分采用逐渐精细的时频取样步长，从而可以充分突出研究对象的任何细节。因而实际应用也非常广泛.因此小波方法成功地应用于去噪领域。常见的去噪方法：1、 基于小波变换模极大值去噪2、 基于相邻尺度小波系数相关性去噪3、 基于小波变换域阈值去噪介绍种常用的阈值去噪方法：基于边缘检测的图像小波阈值去噪方法。图像经过小波变换后, 能量主要集中在最低分辨率子带图像上, 而图像的加性随机噪声经过小波变换后, 能量则分散在各个高分辨率子带图像上. 因此, 可以设定一个阈值, 将绝对值小于阈值的小波系数当作噪声去除, 从而达到去噪的效果. 阈值去噪的关键是阈值的设定, 因为过大的阈值, 会造成有用的高频信息(如边缘信息) 丢失, 使图像变得模糊; 而过小的阈值, 又会保留过多的噪声, 使去噪效果不明显.为了解决阈值设定的两难处境, 先通过小波边缘检测, 确定边缘特征在各个子带图像中的位置, 在这些位置上的小波系数将不受阈值去噪的影响. 由于预先保护了图像的边缘特征, 因此, 在阈值去噪的时候,尽可以根据噪声方差来设定阈值而不必担心损害图像的边缘特征.二维图像信号的去噪步骤：(1)二维图像信号的小波分解。选择合适的小波与恰当的分解层次N，并对待压缩的二维图像信号进行N层分解计算。(2)对分解后的每一层高频系数，选择一个恰当的阈值，并对该层高频系数进行软阈值量化处理。(3)二维图像信号的小波重构。用小波分解后的第N层近似（低频系数）和经过阈值量化处理后的各层细节（高频系数），对二维信号进行小波重构。4、 什么是图像融合图像融合技术在采集多源信息的基础上，将两幅或多幅图像融合在一起，采用融合算法对原始图像信息进行处理，从而获得同一事物或目标的更丰富，更全面的图像信息。其中采用的融合算法应该充分利用各原图像的互补信息，使融合后的图像更适合人的视觉感受。最早采用的图像融合方法是空间域法，即将两幅或多幅图像在空间坐标下直接进行运算和叠加。这种方法操作简单，直观，但精确度不够。到了90年代，提出变换域方法，基于小波变换的图像融合方法得到广泛的应用。5、 图像融合的优点及应用领域图像融合技术具有：冗余，互补，降低成本等优点。冗余：融合后得到的大量冗余信息可减少系统总的不确定性，提高图像精确性和系统的可靠性，增加鲁棒性。互补：互补的信息从单个源图像中是无法获取的。降低成本：相比分别处理单个源图像的时间和花费，处理融合后的图像的开销小的多。针对图像融合技术的特点，可以应用于医学图像，红外遥感探测、灾情监测与预报等多个领域。6、小波分析在图像融合中的应用空域法定义：是将两幅或多幅图像在空间坐标下直接进行运算和叠加，运算的方法有逻辑运算、加权平均、形态运算、图像代数运算、toet算法和对比度调制等。方法：基于图像分割的融合方法先利用构造边缘检测算子的方法对图像进行边缘提取；用空间映射法实现图像的融合。变换域法：定义：将变换后的两个或多个图像进行融合，再通过反变换得到融合后图像的方法。图像融合可分为三个层次: 1. 像素级融合 2. 特征级融合 3. 决策级融合其中像素级融合是最低层次的融合，也是后两级的基础。它是将各原图像中对应的像素进行融合处理，保留了尽可能多的图像信息，精度比较高，因而倍受人们的重视。像素级的图像融合方法大致可分为三大类:1. 简单的图像融合方法2. 基于塔形分解（如Laplace塔形分解、比率塔等）的图像融合方法3. 基于小波变换的图像融合方法（热点）小波变换法步骤：是将源图像进行小波分解得到一系列子图像；在变换域上进行特征选择，创建融合图像；通过逆变换重建融合图像。基于小波变换的图像融合流程图7、进行图像融合的关键关键之处在于：对上图分解后融合原则和融合因子的选择；低频分量图像：特性：代表源图像的近似特性。常用方法：取二者的平均值或取其中之一作为融合后的值。决定因素：取决于对融合图像的具体要求和融合图像的视觉效果。高频分量图像：特性：亮度较大的值代表该点为源图像上变化比较剧烈的点。常用方法：通常特征选择的同上方法为最大值法或一致，差异性检测法进行融合。决定因素：也是取决于对融合图像的具体要求和融合图像的视觉效果。8、 图像配准图像配准是图像融合技术的基本环节，因为只有经过配准后的图像才能进行有效的融合，所谓图像配准是对两幅或多幅图像中同一个目标进行修正，确定图像见对应点的匹配关系，以消除或减小目标的位置差别和噪声引起的畸变。将一幅图像作为标准图像，用另一幅图像来匹配此标准图像，采用的方法主要有：(1) 基于灰度统计(2) 基于特征针对基于灰度统计的配准方法计算量大速度慢等缺点，基于特征的配准方法得到广泛应用。分为四个步骤：1、 特征的提取2、 特征的匹配3、 选取变换模型及求取参数4、 坐标变化与差值配准技术的流程如下：首先要对待配准图像进行预处理，也就是图像分割和特征提取的过程，对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数：最后由坐标变换参数进行图像配准。而特征提取是配准技术中的关键，准确的特征提取为特征匹配的成功进行提供了保障。因此，寻求具有良好不变性和准确性的特征提取方法，对于匹配精度至关重要。由于图像中有很多种可以利用的特征，因而产生了多种基于特征的方法。常用到的图像特征有：特征点（包括角点、高曲率点等）直线段、边缘、轮廓、闭合区域、特征结构以及统计特征如矩不变量、重心等等。本文采用基于角点特征的的图像配准。9、融合实例基于区域的最大值选择方法 XFUS = WFUSIMG(X1,X2,WNAME,LEVEL,AFUSMETH,DFUSMETH) 返回由两幅源图像X1，X2得到的融合图像XFUS。图像的融合方法由AFUSMETH（approximation fuse method 低频/概貌融合方法）和DFUSMETH（detail fuse method 高频/细节融合方法）确定。使用的小波为WNAME，分解层次为LEVEL。源图像X1，X2大小必须一致。load cathe_1;X1=X;%调入第二幅模糊图像load cathe_2;X2=X;%基于小波分解的图像融合XFUS=wfusimg(X1,X2,sym4,5,max,max);%显示colormap(map);subplot(