一个基于非下采样剪切变换的新型图像融合方法与流程

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。

技术实现要素：

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{ha,la},{hb,lb}，其中ha、hb分别是a、b的高频分量，la、lb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)，

w是与公式(1)中定义相同的加权矩阵，eml由公式(3)式定义，

eml可以充分利用相邻信息，从而更好地利用eml对细节信息进行度量；

c)当获得wle和wseml时，可以通过公式(4)中的规则来计算融合的低频分量图像。

其中lf(x,y)，la(x，y)，lb(x，y)分别是低频融合分量lf、源图像iaib的低频分量图像、源图像ib的低频分量图像。

进一步为：计算高频分量ha(i,j)和hb(i,j)的修正拉普拉斯ml(i,j)和和修正拉普拉斯sml(i,j),ha(i,j)和hb(i,j)分别表示源图像a和源图像b在位置(i,j)上的高通分量,ml(i,j)由公式(5)可得：

ml(i,j)＝|2h(i,j)-h(i-step,j)-h(i+step,j)|+|2h(i,j)-h(i,j-step)-h(i,j+step)|(5)

其中step表示系数之间的可变间隔，step设置为1；

其中p和q表示源图像窗口的大小(2p+l)×(2q+l)，用sml-max规则融合高频分量ha(i,j)和hb(i,j)得到高频融合分量hf；

sml-max规则如公式(7)所示，

进一步为：对低频融合分量lf和高频融合分量hf实行nsst逆变换得到最终的融合图像if。

本发明的有益效果：本专利采用非下采样剪切波(nsst)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，并且可以获得源图像更多的空间细节和结构信息；在低频分量融合中，结合加权局部能量测度和八邻域修正拉普拉斯算子加权和测度设计低频融合策略，实现低频细节提取和能量保存；在高频图像融合中，将改进拉普拉斯能量和用于高频系数活动度量，能有效提高融合图像的视觉质量。

附图说明

图1为本发明应用实例的处理流程图。

具体实施方式

下面结合附图对本发明做详细说明。下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

一个基于非下采样剪切变换的新型图像融合方法，结合图1所示，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；nsst是一个完全多尺度、多方向和移位不变的扩展，将nsst引入到本专利的图像融合中，能够很好地反映nsst的良好特性，有效地呈现源图像的特征；

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。

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{ha,la},{hb,lb}，其中ha、hb分别是a、b的高频分量，la、lb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)，

w是与公式(1)中定义相同的加权矩阵，eml由公式(3)式定义，

eml可以充分利用相邻信息，从而更好地利用eml对细节信息进行度量；

c)当获得wle和wseml时，可以通过公式(4)中的规则来计算融合的低频分量图像。

其中lf(x,y)，la(x,y)，lb(x,y)分别是低频融合分量lf、源图像iaib的低频分量图像、源图像ib的低频分量图像。

选择具有较大sml值的系数作为融合系数，这可以抑制融合图像奇异性的伪吉布斯现象；计算高频分量ha(i,j)和hb(i,j)的修正拉普拉斯ml(i,j)和和修正拉普拉斯sml(i,j),ha(i,j)和hb(i,j)分别表示源图像a和源图像b在位置(i,j)上的高通分量,ml(i,j)由公式(5)可得：

ml(i,j)＝|2h(i,j)-h(i-step,j)-h(i+step,j)|+|2h(i,j)-h(i,j-step)-h(i,j+step)|(5)

其中step表示系数之间的可变间隔，step设置为1，step类似于在图像遍历中的移动步幅；

其中p和q表示源图像窗口的大小(2p+l)×(2q+l)，用sml-max规则融合高频分量ha(i,j)和hb(i,j)得到高频融合分量hf；

sml-max规则如公式(7)所示，

对低频融合分量lf和高频融合分量hf实行nsst逆变换得到最终的融合图像if。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。