Tentoonstelling

Een verbeterd algoritme voor beeldfusie

Oct 12, 2018 Laat een bericht achter

Een verbeterd algoritme voor beeldfusie

Wij zijn een groot drukkerijbedrijf in Shenzhen China. Wij bieden alle boekpublicaties, hardcover boekafdrukken, papercover boekdruk, hardcover notitieboek, takboekafdrukken, boekafdrukken met zadelsteken, boekjes printen, verpakkingsdoos, kalenders, alle soorten PVC, productbrochures, notities, kinderboeken, stickers, alles soorten speciale papieren kleurendrukproducten, gamekaart enzovoort.

Bezoek voor meer informatie

http://www.joyful-printing.com. Alleen ENG

http://www.joyful-printing.net

http://www.joyful-printing.org

e-mail: info@joyful-printing.net


Eerste. Invoering


Beeldversmelting is de synthese van beeldinformatie verkregen door twee of meer sensoren om een nauwkeuriger en rijker beeld te vormen. Beeldfusie is verdeeld in drie niveaus van laag naar hoog: pixelniveau-fusie, fusie van functieniveaus en fusies op beslissingsniveau. Wavelet-transformatie is een veelgebruikte methode voor beeldfusie. Onderzoek toont aan dat wavelet-transformatie niet de optimale functie-weergavemethode is in hoog-dimensionale gevallen. Om hoog-dimensionale ruimtelijke gegevens zoals afbeeldingen beter weer te geven en te verwerken, hebben onderzoekers een reeks van multischimensionale meetinstrumenten voor geometrische analyse voorgesteld, zoals Ridgelet, Curvelet, Bandelet, Contourlet en Wavelet-Contourlet. De voorgestelde methoden leggen de basis voor het bouwen van meer en efficiëntere fusiemethoden op het gebied van beeldfusie.


Wavelet-transformatie en Contourlet-transformatie zijn twee belangrijke en veelgebruikte hulpmiddelen voor beeldfusie. Wavelet-transformatie is volwassen in zowel theorie als praktische toepassingen. Het is altijd een algemeen hulpmiddel geweest voor beeldversmelting, maar het kan alleen informatie in drie richtingen verkrijgen: horizontaal, verticaal en diagonaal. De Contourlet-transformatie kan de eindigheid van de wavelet-transformatierichting compenseren en informatie in elke richting van de afbeelding verkrijgen. Tegelijkertijd transformeren wavelet-transformatie en Contourlet-transformatie het beeld op een vergelijkbare manier, dat wil zeggen dat het beeld wordt ontbonden in delen met een lage frequentie en hoge frequentie, en beeldfusie wordt uitgevoerd in respectievelijk lage frequentie en hoge frequentie. Daarom kunnen wavelet-transformatie en Contourlet-transformatie worden gecombineerd om de prestaties van de afbeelding te verbeteren.


Het onderzoek naar beeldversmelting omvat niet alleen het onderzoek van algoritmen, maar ook het onderzoek naar fusieregels. Fusion-regels selecteren nu over het algemeen fusionregels voor regio's (of vensters). Omdat de lage frequentie voornamelijk de energie-informatie van het beeld reflecteert, en de hoge frequentie de grensinformatie van het beeld reflecteert, dat wil zeggen de mate van verandering. De variantie weerspiegelt ook de algehele verandering tussen beeldpixels. Daarom wordt in dit artikel de fusiemethode voor het selecteren van het gewogen gemiddelde van de regionale variantie geselecteerd in het hoogfrequente gedeelte.


Ten tweede transformeert het wavelet-Contourlet


1. Wavelet-transformatie

In 1989, geïnspireerd door Burt en Adelson's beeldontledings- en reconstructiepiramide-algoritme (het Gauss-Laplace-piramide-algoritme), introduceerde Mallat multi-schaal analyse-ideeën op het gebied van computervisie in wavelet-analyse. Het concept van analyse van de resolutie wordt gegeven door het snelle algoritme van Mallat.

Het tweedimensionale Mallat-algoritme kan worden uitgedrukt als:

In de formule zijn de laagfrequente componenten in de ruimtelijke resolutie respectievelijk hoogfrequente componenten in de horizontale, verticale en diagonale richtingen in ruimtelijke resolutie. Als een verzameling gehele getallen is het een spiegelconjugaatfilter.


2.Contourlet-transformatie

Omdat de wavelet-transformatie niet de richtinginformatie van de afbeelding goed vertegenwoordigt. In 2002 hebben Do en Vetterli de Contourlet-transformatie voorgesteld. Contourlet-transformatie is een locale en directionele beeldweergavemethode met meerdere resoluties. Het kan informatie in elke richting verschaffen en is een schaars beeld van een tweedimensionaal beeld. De Contourlet-transformatie maakt gebruik van een tweekanalen filterbank die de afbeelding in twee stappen verwerkt:

2.1 De Laplaciaanse piramide (LP) wordt gebruikt om het invoerbeeld te ontbinden. De LP-decompositie bestaat uit vier stappen: laagdoorlaatfiltering, down-sampling, interpolatieversterking en banddoorlaatfiltering. Verdere LP-decompositie van de laagfrequente subbanden levert laag- en hoogfrequente subbanden op een reeks verschillende schalen.

2.2 De directionaliteitsanalyse wordt uitgevoerd op de hoogfrequente directionele filterbank verkregen door de LP-ontleding. Het doel van de directionele filterbank is om de directionele hoogfrequente informatie van het beeld vast te leggen en de enkelvoudige punten in dezelfde richting te combineren in één coëfficiënt.


De directionele filterbank ontbindt de structuurstructuur op boomniveau van het beeld en ontleedt het frequentiedomein in subbanden, die elk wigvormig zijn. De methode maakt eerst gebruik van het ventilatorfilter dat wordt getoond in figuur 1 en van vijf bemonsteringsfilters om het invoerbeeld in twee subbanden, horizontaal en verticaal, te ontbinden en introduceert dan de Shearing-bemonsteringsoperatorband.

Figuur 1 Filterbank (ventilatorfilter en vijf bemonsteringsfilters)

Figuur 1 geeft vijf bemonsteringsmatrices weer en het zwarte sectorgebied vertegenwoordigt de ideale decompositie van het frequentiedomein voor elk filter.


3. Wavelet-Contourlet-transformatie

De LP-ontleding die werd gebruikt in de eerste fase van de Contourlet-transformatie is overbodig, resulterend in een 4/3 redundantie van de Contourlet-transformatie. Bovendien is de decompositie van LP-ontbinding ook niet zo goed als wavelet-transformatie. In reactie op de bovenstaande problemen, hebben Eslami R en Radha H een wavelet-Contourlet-transformatie voorgesteld. De wavelet-Contourlet-transformatie bestaat uit een tweestaps filterbank. De eerste fase wordt ontbonden door wavelet-transformatie om de hoogfrequente componenten van de afbeelding te verkrijgen, waardoor de correlatie van de subruimte-detailinformatie wordt verminderd. De tweede trap gebruikt de directionele filterbank. Subbanden in alle richtingen met een hoge frequentie worden verkregen. Zoals weergegeven in figuur 2:


Ten derde, gebaseerd op variantieselectie, gemiddeld fusie-algoritme


De stappen van het fusie-algoritme in dit document zijn als volgt:

1 Het uitvoeren van wavelet-Contourlet-transformatie op respectievelijk het linker wazige beeld en het rechter wazige beeld, en het verkrijgen van het laagfrequente gedeelte en het hoogfrequente deel van het bronbeeld;


2 Het laagfrequente gedeelte maakt gebruik van een eenvoudige gewogen gemiddelde fusieregel.

Nadat de afbeelding is getransformeerd door wavelet-Contourlet, concentreren de lage frequentiecoëfficiënten voornamelijk het grootste deel van de energie van de oorspronkelijke afbeelding, wat het overzicht van de afbeelding bepaalt. In dit artikel gebruiken we de gewogen gemiddelde fusieregel voor de laagfrequente subbandcoëfficiënten.


3 Het hoogfrequente gedeelte gebruikt de fusieregel van variantieselectiegewogen gemiddelde.

Nadat het beeld is getransformeerd door wavelet-Contourlet, bevat de hoogfrequentiecoëfficiënt hoofdzakelijk de details en randinformatie van het beeld. Elke hoogfrequente subbandcoëfficiënt belichaamt de richtkarakteristieken. In dit artikel wordt een fusie-algoritme gebruikt dat is gebaseerd op variantieselectiemiddelen. De fusieregels zijn als volgt:


Eerst worden de decompositielagen van de hoogfrequente subafbeeldingen van het linker wazige beeld en het rechter wazige beeld verkregen, en de lokale varianties van de corresponderende pixels in de respectieve richtingen worden respectievelijk geregistreerd als:. Zie formule (2) voor de formule:

Dan normaliseer het:

Definieer een drempel: dit artikel neemt de simulatie. Dan zijn er:

Waarbij, respectievelijk, vertegenwoordigen pixelwaarden van het gefuseerde beeld, afbeelding en beeld in de ontbonden laag en richting. Uit de vergelijkingen (5) en (6) kan worden afgeleid dat wanneer de lokale variantiewaarden van de genormaliseerde afbeeldingen A en B groot zijn, dit betekent dat één afbeelding rijke randdetailinformatie bevat, terwijl de andere afbeelding bevat Met minder randdetailinformatie wordt de pixelwaarde met grotere lokale variantie geselecteerd als de versmolten coëfficiënt; wanneer de twee afbeeldingen genormaliseerd zijn, is de lokale variantie dichtbij, wat aangeeft dat beide afbeeldingen rich edge-detailinformatie bevatten. Het gewogen gemiddelde fusie-algoritme wordt gebruikt om de wavelet-coëfficiënten na fusie te bepalen. Hierdoor blijven de gedetailleerde kenmerken van de afbeelding behouden en wordt informatieverlies vermeden.


4 Voer een wavelet-Contourlet-inverse transformatie uit om het uiteindelijke gefuseerde beeld te verkrijgen.

Het specifieke proces wordt getoond in figuur 3.

Figuur 3 Wavelet-Contourlet transformatiebeeldfusieblokschema


Ten vierde, de integratie van evaluatie-indicatoren en analyse van experimentele resultaten


Om de effectiviteit van het voorgestelde algoritme te verifiëren, wordt onder dezelfde fusieregels het vergeleken met wavelet-transformatie en Contourlet-transformatie. Het beeld wordt ontbonden en gereconstrueerd met db5-wavelet. De drempelwaarde is 0.6.

Om het gefuseerde beeld objectief te evalueren, werd een afbeelding in helder grijswaarden geselecteerd als het referentiebeeld. De kruisentropie, deviatie en ruimtelijke frequentie van het gefuseerde beeld en het referentiebeeld worden gebruikt als objectieve criteria voor het evalueren van de voor- en nadelen van het fusie-effect.

1. Cross-entropie

De kruisto-entropie van het gefuseerde beeld en het standaardreferentiebeeld wordt gedefinieerd als:

In vergelijking (7) is de som de waarschijnlijkheid van de som van de grijswaarden. Het totale grijsniveau van de afbeelding. Cross-entropie, ook bekend als relatieve entropie, is een belangrijke indicator voor het evalueren van het verschil tussen twee afbeeldingen. Hoe kleiner de kruistoegropie, hoe kleiner het verschil tussen de beschrijving en de som, hoe meer informatie eruit wordt geëxtraheerd, dat wil zeggen, het effect van het samenvoegen van de afbeelding is beter.


2. Afwijking

De afwijking van en wordt gedefinieerd als:

In de formule (8) zijn de gradatiewaarden van de som respectievelijk aangegeven. De grootte van de afwijking vertegenwoordigt het verschil met de grijswaarde. Hoe kleiner de afwijking, hoe beter het fusie-effect.


3. Ruimtelijke frequentie

De ruimtelijke frequentie van de afbeelding is:

(9) is de lijnfrequentie van de afbeelding en de berekeningsformule ervan wordt weergegeven in (10):

(9) is de kolomfrequentie van de afbeelding en de berekeningsformule is zoals weergegeven in (11):

De bovenstaande formule vertegenwoordigt de grijswaarde op de pixelpositie en vertegenwoordigt respectievelijk het aantal regels en het aantal kolommen van de afbeelding.

De ruimtelijke frequentie van een afbeelding is een indicator gerelateerd aan de variantie, die de algehele activiteit van een beeldruimtedomein weergeeft. Hoe groter de ruimtelijke frequentie, hoe actiever het beeld, hoe helderder het beeld en hoe beter het effect van het overvloeien van afbeeldingen.

Figuur 4 toont de resultaten van het fusie-experiment. Figuur 4 (a) is het standaardreferentiebeeld, figuur 4 (b) is het beeld dat moet worden gefuseerd door het Gauss-filter aan de linkerkant en figuur 4 (c) is het beeld dat moet worden gefuseerd door het Gauss-filter aan de rechterkant kant. Figuur 4 (d) is Het gefuseerde beeld na wavelet-transformatie, Fig. 4 (e) is het gefuseerde beeld na Contourlet-transformatie, en Fig. 4 (f) is het gefuseerde beeld na wavelet-Contourlet-transformatie.

(a) Standaard referentiebeeld (b) Wazig beeld dat moet worden gefuseerd aan de linkerkant (c) Wazig beeld dat moet worden gefuseerd aan de rechterkant

(d) Waveletselectiemedium (e) Contourlet-selectiemiddelde (f) wavelet-Contourlet-selectiemedium

De prestatie-evaluatiegegevens van de drie transformaties voor fusie worden getoond in Tabel 1.

Tabel 1 Gegevensanalyse van de prestatievergelijking van drie fusietransformaties

Uit tabel 1 kan worden afgeleid dat in vergelijking met de wavelet-transformatie de wavelet-contourlettransformatie de ruimtelijke frequentie met 11,27% verhoogt, de afwijking 1084% lager is dan de rimpeltransformatie en de kruithetropie 23,81% lager is dan de rimpeltransformatie. transformeren.


De wavelet-Contourlet-transformatie is bijna identiek aan de ruimtelijke frequentie in vergelijking met de Contourlet-transformatie. De afwijking is 1,91% lager dan de Contourlet-transformatie en de kruistropopie is 11,11% lager dan de Contourlet-transformatie. Daarom, rekening houdend met de evaluatie-indicatoren, wordt de effectiviteit van het voorgestelde algoritme geverifieerd.


V. Conclusie

In dit artikel wordt een verbeterd algoritme voor het selecteren van het gewogen gemiddelde van regionale varianties voor hoogfrequente coëfficiënten voorgesteld en wordt gewogen gemiddelde verwerking gebruikt voor lage frequenties. Experimenten tonen aan dat het voorgestelde algoritme gemakkelijker de details en randinformatie van de afbeelding kan verkrijgen. Volgens de experimentele gegevens zijn de deviatie en de cross-entropie van de wavelet-Contourlet-transformatie lager dan die van de wavelet-transformatie en de Contourlet-transformatie.


Daarom kan onder dezelfde fusieregel het beeldfusiealgoritme op basis van wavelet-Contourlet-transformatie en het gewogen gemiddelde van de gebiedsvariatie betere resultaten verkrijgen dan de wavelet-transformatie en het Contourlet-transformatie-fusie-algoritme.

Aanvraag sturen