[发明专利]基于Wedgelet和NSCT的多源图像融合方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及军事侦查领域，医学诊断领域中基于Wedgelet变换和NSCT结合的多源图像融合方法，可应用于多源图像融合，以获得一幅包含各源图像显著信息的复合图像。本发明用于提取图像特征领域可以获得更多的有用信息，减少了噪声的干扰，在医学诊断领域可以为更准确的医疗诊断提供清晰高质量的图像，尤其是对于CT和MR图像的特征提取效果显著。

背景技术

图像融合是将源自同一场景或目标的多幅图像合成一副崭新的图像，以获取对该场景或目标更为准确和全面的描述。图像融合技术已经应用在军事、遥感、医学图像处理、自动目标识别以及计算机视觉等领域。目前以NSCT变换等为代表的多分辨率、多尺度几何分析工具逐渐成为图像融合方法的研究热点之一，被广泛用于多源图像的融合。

da Cunha等提出了一种具有平移不变性的Contourlet变换, 即非下采样Contourlet变换,该变换通过使用迭代非下采样滤波器组来获得平移不变、多分辨、多方向的图像表示能力。张强，郭宝龙在文献“基于非采样Contourlet变换多传感器图像融合算法[J].自动化学报，2008,2(34):135-141.”中采用的基于简单NSCT算法的对比实验。该方法对多传感器图像采用NSCT变换进行分解，对低频子带系数采用加权平均法，高频方向子带系数采用绝对值取大的方法来选择系数，最后通过NSCT逆变换以得到融合后的图像。该方法提取的边缘特征不是很清晰，而且容易受到噪声的干扰，从而导致融合后图像边缘信息不够准确，影响到军事判断和医学诊断的准确性。

屈小波等在文献“Image Fusion Algorithm Based on Spatial Frequency-Motivated Pulse Coupled Neural Networks in Nonsubsampled Contourlet Transform Domain[J].ACTA AUTOMATICA SINICA，2008,34(12):1508-1414.”中提出了一种基于NSCT变换并采用SF（Spatial Frequency，空间频率）和PCNN（Pulse Coupled Neural Network，脉冲耦合神经网络）选取系数的方法。该方法对一组图像进行NSCT分解，先用SF选取系数，再对经过SF选取的系数通过PCNN选取系数，最终通过NSCT逆变换得到融合后图像。该方法因为NSCT变换具有平移不变、多分辨、多方向的图像表示能力，虽然可以获得良好的融合效果，但是融合后的图像仍然存在较小的细节信息的模糊问题，不利于军事判断和医学诊断的准确性。

在单一的基于wedgelet变换的图像融合技术中，先对图像进行wedgelet逼近得到逼近图像和残留图像，再通过系数的选择提取图像的特征信息，最终相加得到融合后的图像。该方法因为wedgelet变换具有良好的“线”和“面”的特性，能够逼近和平滑边缘信息，更有效的提取图像中需要保留的特征，但是融合后的图像残留了wedgelet变换过程中产生的n*n方块的边缘，会对军事判断和医学诊断的准确性产生影响。

综上所述，基于NSCT变换的图像融合方法在图像清晰度上虽然可以获得较好的效果，但对于多源图像的不同特征，不能很好的提取，并且在图像空间域的总体活跃程度上不是很活跃，所以基于NSCT变换的一系列的图像处理方法在图像压缩，去噪，融合等应用中，均不可避免出现细节位置上一定程度的模糊，并且从源图像上提取的信息量不够完全，对军事图像和医疗图像判断的准确性带来不良的影响。

发明内容

本发明的目的是针对现有技术基于NSCT变换的图像融合方法在图像细节位置上的模糊和图像活跃程度上的缺点，提出一种基于Wedgelet变换和NSCT结合的多源图像融合方法。本发明利用wedgelet良好的“线”和“面”的特性，能够逼近和平滑边缘信息，来提取图像中需要保留的特征。本发明将wedgelet提取到的线性特征信息参与到图像的融合过程中，以改善基于NSCT变换进行图像融合的效果，最终得到边缘细节特征更为明显的融合图像。

本发明实现的具体步骤包括如下：

    （1）输入源图像A和源图像B

    1a）将待融合的源图像A和源图像B分别存入计算机硬盘；

    1b）在计算机中应用matlab软件分别读取步骤1a）中存储在计算机硬盘空间中待融合的源图像A和源图像B；

    （2）wedgelet变换得到逼近图像