[发明专利]一个基于非下采样剪切变换的新型图像融合方法

说明书

一个基于非下采样剪切变换的新型图像融合方法，包括以下步骤：步骤1：输入源图像A和源图像B，并将所述源图像A和源图像B进行L级NSST分解，分别得到源图像A和源图像B的低频分量和高频分量；步骤2：采用加权局部能量加权和和基于八邻域的改进拉普拉斯算子规则融合低频分量；步骤3：计算分别得到源图像A和源图像B两者高频分量的修正拉普拉斯和和修正拉普拉斯，并使用和修正拉普拉斯最大值融合高频分量；步骤4：使用NSST逆变换将高频融合分量和低频融合分量重构得到最终的融合图像。采用非下采样剪切波将原图像分解为高频和低频，NSST的多尺度和多方向特性能有效减少吉布斯型振铃现象的发生，并且可获得源图像更多的空间细节和结构信息。

技术领域

本发明涉及医疗检测领域，具体涉及一个基于非下采样剪切变换的新型图像融合方法。

背景技术

近几年来，成像技术的应用需求急剧增加，实用的成像技术将为日常影像的记录提供高质量的图像。但是，对于成像技术的大规模学习任务，现有成像设备拍摄数字图像时，利用影像设备拍摄的单一照片对目标场景不能获得准确、全面、可靠的信息描述，这在一定程度上限制了图像成像技术的应用。图像融合的方法有效的解决了这个问题。它提取同一目标的多幅图像有用信息并将其合成高质量融合图像，得到的融合图像比源图像包含更多的细节特征，视觉效果上便于人类观察。图像融合广泛应用于医学图像融合，多聚焦图像融合，可见红外光图像融合等领域中。随着图像融合技术的快速发展，越来越多的图像融合算法被学者们提出。然而，现有的大多数图像融合算法仅针对单一类型源图像，而不适用于其他类型的源图像。针对这个问题，本专利提出了基于NSST的一个新型图像融合框架来对多种源图像进行融合。通过基于NSST的一个新型图像融合框架，利用NSST方法将源图像分解成高频分量和低频分量，用和修正拉普拉斯(SML)方法来融合高频分量，将加权局部能量加权和(WLE)和基于八个邻域的改进拉普拉斯(WSEML)作为融合策略，来融合低频分量，实现了多种类型图像的融合，解决了多数单一类型源图像算法不适用于其他类型图像的问题。

发明内容

一个基于非下采样剪切变换的新型图像融合方法，其特征在于，包括以下步骤：

步骤1：输入源图像A和源图像B，并将所述源图像A和源图像B进行L级NSST分解，分别得到所述源图像A和源图像B的低频分量和高频分量；

步骤2：采用加权局部能量加权和(WLE)和基于八邻域的改进拉普拉斯算子(WSEML)规则融合低频分量；

步骤3：计算分别得到所述源图像A和源图像B两者高频分量的修正拉普拉斯(ML)和和修正拉普拉斯(SML)，并使用和修正拉普拉斯最大值(SML-MAX)融合高频分量；

步骤4：使用NSST逆变换将高频融合分量和低频融合分量重构得到最终的融合图像。

进一步为：所述步骤1中，将所述源图像A和源图像B的低频分量和高频分量记为相应的频率分量{H_A,L_A},{H_B,L_B}，其中H_A、H_B分别是A、B的高频分量，L_A、L_B分别是A、B的低频分量；

所述步骤2中，a)采用公式(1)计算得到加权局部能量加权和(WLE)，

其中L(x,y)表示源图像在位置(x,y)上的低通分量，WLE(x,y)表示在位置(x，y)处图像的WLE；W是一个(2r+1)x(2r+1)的加权矩阵；将矩阵的元素设置为2^2r-d，其中每个元素的d表示其到矩阵W中心四领域距离；r的值为1；

b)采用公式(2)计算得到基于八邻域的改进拉普拉斯算子(WSEML)，