Покращений алгоритм злиття зображень
Ми велика поліграфічна компанія в Шеньчжені Китаю. Ми пропонуємо всі книжкові видання, друк книг у твердій палітурці, друк книг у твердій палітурці, друковані видання, папери з твердого паперу, друковане видання, друк на сідлі, книжкова друкарня, упаковка, календарі, всі види ПВХ, брошури для виробів, ноти, дитяча книга, наклейки, все види спеціальних паперових кольорових поліграфічних виробів, ігрових карт тощо.
Для отримання додаткової інформації відвідайте
http://www.joyful-printing.com. ENG тільки
http://www.joyful-printing.net
http://www.joyful-printing.org
електронна адреса: info@joyfulprinting.net
Спочатку. Вступ
Зображення злиття - це синтез зображень, отриманих двома або більше датчиками для формування більш точного та багатшого зображення. Зображення злиття ділиться на три рівні від низького до високого: піксельний рівень злиття, рівень зварювання на рівні об'єктів і злиття рівня прийняття рішень. Вейвлет перетворення - це найпоширеніший спосіб при злитті зображень. Дослідження показують, що вейвлет-перетворення не є оптимальним методом представлення функції у великих випадках. Для більш ефективного представлення та обробки високорозмірних просторових даних, таких як зображення, дослідники запропонували серію багаторівневих інструментів геометричного аналізу, таких як Ridgelet, Curvelet, Bandelet, Contourlet і Wavelet-Contourlet. Запропоновані методи покладені в основу побудови більш ефективних методів злиття в області синтезу зображень.
Перетворення вейвлет та перетворення контурів - це два основних та загальноприйняті інструменти для злиття зображень. Вейвлет перетворення зрілий як в теорії, так і в практичних цілях. Це завжди було звичайним інструментом для злиття зображень, але воно може отримати інформацію лише в трьох напрямках: горизонтальні, вертикальні та діагональні. Перетворення контуру може компенсувати кінцівку напрямку перетворення вейвлета та отримати інформацію в будь-якому напрямку зображення. У той же час вейвлет перетворення та перетворення контуру обробляють зображення аналогічним чином, тобто зображення розкладається на низькочастотні та високочастотні частини, а злиття зображень виконується на низькій частоті та високій частоті відповідно. Тому вейвлет перетворення та перетворення контуру можна об'єднати для підвищення продуктивності зображення.
Дослідження злиття зображень включає не тільки дослідження алгоритмів, але і дослідження правил злиття. Правила Fusion тепер зазвичай вибирають регіональні (або візуальні) правила злиття. Оскільки низька частота головним чином відображає енергетичну інформацію зображення, а висока частота відображає граничну інформацію зображення, тобто ступінь зміни. Дисперсія також відображає загальну зміну між пікселями зображення. Отже, у цій роботі у високочастотній частині вибрано метод злиття для вибору середньозваженої регіональної дисперсії.
По-друге, перетворення вейвлет-контур
1. Вейвлет перетворення
У 1989 році, натхненний алгоритмом піраміди розпаду та репарації образів Берта та Адельсона (алгоритм піраміди Гауса-Лапласа), Маллат представив багатогранні ідеї аналізу у галузі комп'ютерного зору у вейвлет-аналізі. Поняття аналізу дозвілля дається швидким алгоритмом Маллата.
Двомерний алгоритм Маллата може бути виражений у вигляді:
У формулі низькочастотні компоненти в просторовому дозволі - відповідно високочастотні компоненти у горизонтальному, вертикальному та діагональному напрямках у просторовому дозволі. Як сукупність цілих чисел, це фільтр з дзеркальним кон'югуванням.
2.Контакт перетворення
Оскільки вейвлет перетворення не відображає напрям інформації про зображення добре. У 2002 році До і Веттерлі запропонували трансформувати контур. Контурний перетворення - це метод відображення з різними роздільною здатністю, місцевим та спрямованим зображенням. Він може забезпечувати інформацію в будь-якому напрямку і є розрідженим зображенням двовимірного зображення. Контурний контур використовує двоканальний фільтровий банк, який обробляє зображення в два етапи:
2.1. Піраміду Лапласи (LP) використовується для розбиття вхідного зображення. Розбиття LP складається з чотирьох етапів: фільтрації низьких частот, вибірки, інтерполяції та фільтрації смугових частот. Продовження LP-розкладання низькочастотних піддіапазонів дає низькочастотні і високочастотні піддіапазони на діапазоні різних масштабів.
2.2 Аналіз спрямованості виконується на високочастотному спрямованому фільтруючому банку, отриманому шляхом розкладання ЛП. Метою спрямованого фільтрувального банку є захоплення спрямованої високочастотної інформації зображення та поєднання сингулярних точок в одному напрямку до одного коефіцієнта.
Радарний фільтровий банк розкладає структуру зображення на дереві та розкладає частотний домен на підрозділи, кожен з яких має клиноподібну форму. Метод спочатку використовує фільтр вентилятора, показаний на малюнку 1, і п'ять фільтрів для відбору зразків, щоб розбити вхідне зображення на дві піддіапазони, горизонтальні та вертикальні, а потім вводити діапазон операцій перерозподілу перетину.
Малюнок 1 Фільтрувальний банк (фільтр вентилятора та п'ять фільтрів вибірки)
На рисунку 1 представлено п'ять матриць вибірки, а ділянка чорного сектора представляє ідеальну розбивку частотної області для кожного фільтра.
3. Трансформація вейвлет-контуру
Розбиття LP, яке використовується на першому етапі перетворення Contourt, є зайвим, що призводить до 4/3 надмірності перетворення Contourlet. Крім того, де-кореляція розкладання ЛП також не така ж хороша, як вейвлет перетворення. У відповідь на вищенаведені проблеми Eslami R та Radha H запропонували перетворення вейвлет-контур. Конфігурація вейвлет-контуру складається з двоетапного фільтруючого банку. Перший етап розкладається вейвлет-перетворенням для отримання високочастотних компонентів зображення, тим самим зменшуючи кореляцію детальної інформації про підпросторі. На другому етапі використовується напрямний фільтр банк. Піддіапазони в усіх напрямках високої частоти. Як показано на малюнку 2:
По-третє, на основі вибірки дисперсії середнього алгоритму злиття
Кроки алгоритму злиття, наведені в даному документі, є наступними:
1 Виконання вейвлет-перетворення контуру на ліве розмиті зображення та право розмитого зображення, відповідно, отримання низькочастотної частини та високочастотної частини вихідного зображення;
2 Низькочастотна частина використовує просте середньозважене правило злиття.
Після того як зображення перетворюється вейвлет-контуром, низькочастотні коефіцієнти переважно концентрують більшу частину енергії вихідного зображення, що визначає огляд зображення. У даній роботі ми використовуємо правило зваженого злиття для коефіцієнтів низькочастотної піддіапазонів.
3 Високочастотна частина приймає правило злиття середньої вагової відбірної вибірки.
Після того як зображення перетворюється вейвлет-контуром, високочастотний коефіцієнт в основному містить деталі та крайню інформацію зображення. Кожен високочастотний коефіцієнт піддіапазону втілює спрямовані характеристики. У роботі прийнято алгоритм злиття, що базується на усередненні відбору відмінності. Правила злиття є такими:
По-перше, відбувається розкладання шарів високочастотних підображень розмитого зображення лівого боку та розмитого зображення правої сторони, а локальні дисперсії відповідних пікселів у відповідних напрямках записуються відповідно:. Див. Формулу (2) для формули:
Потім нормалізуйте це:
Визначте порогові значення: ця стаття використовує симуляцію. Тоді є:
Де, відповідно, представлені значення пікселя злитого зображення, зображення та зображення у розкладеному шарі та напрямку. З рівнянь (5) та (6) можна побачити, що коли локальні дисперсійні значення нормалізованих зображень A та B великі, це означає, що одне зображення містить багату детальну інформацію про межу, тоді як інше зображення містить З меншою деталізацією деталей краю , піксельне значення з більшою локальною дисперсією вибирається як кодований коефіцієнт; коли два зображення нормалізуються, локальна дисперсія близька, що вказує на те, що обидва зображення містять багату детальну інформацію про межі. Алгоритм зваженого середнього синтезу використовується для визначення вейвлет-коефіцієнтів після синтезу. Це зберігає детальні особливості зображення, уникаючи втрати інформації.
4 Виконайте зворотне перетворення вейвлет-контуру для отримання остаточного злитого зображення.
Специфічний процес показаний на малюнку 3.
Рисунок 3 Структурна схема синтезу зображень перетворення вейвлет-контуру
По-четверте, інтеграція оціночних показників та аналіз експериментальних результатів
Для того, щоб перевірити ефективність запропонованого алгоритму за однакових правил злиття, він порівнюється з перетворенням вейвлет та перетворенням контуру. Зображення розкладається і реконструюється за допомогою вейвлету db5. Порог приймається як 0.6.
Щоб об'єктивно оцінити злитое зображення, як проміжне зображення було вибрано чітке зображення у градаціях сірого. Крос-ентропія, відхилення та просторова частота злитого зображення та еталонного зображення використовуються як об'єктивні критерії для оцінки плюсів і мінус ефекту термоядерного синтезу.
1. Перехресна ентропія
Крос-ентропія злитої картинки та стандартного еталонного зображення визначається як:
У рівнянні (7) сума - це ймовірність суми сірих значень. Загальний сірий рівень зображення. Крос-ентропія, також відома як відносна ентропія, є ключовим показником для оцінки різниці між двома зображеннями. Чим менше кросова ентропія, тим менша різниця між описом і сумою, тим більше інформації витягується з нього, тобто ефект злиття зображення краще.
2. Відхилення
Відхилення і визначається як:
У формулі (8) градаційні значення суми відповідно позначаються. Величина відхилення являє собою відмінність від сірого значення. Чим менше відхилення, тим краще ефект злиття.
3. Просторова частота
Просторова частота зображення:
(9) - лінійна частота зображення, а її формула розрахунку показана в (10):
(9) - частота стовпця зображення, а її формула розрахунку, як показано в (11):
Вищезазначена формула являє собою сіре значення в позиції пікселя і відображає кількість рядків і кількість стовпців зображення, відповідно.
Просторова частота зображення є показником, пов'язаним із дисперсією, що відображає загальну активність просторового простору зображення. Чим більша просторова частота, тим активніше зображення, чим краще зображення, тим краще ефект змішування зображення.
На рисунку 4 показані результати експерименту з термоядерного синтезу. Рисунок 4 (а) - це стандартне зображення, малюнок 4 (б) - це зображення, яке буде злито гаусовим фільтром з лівого боку, а на малюнку 4 (с) - це зображення, яке буде злито гаусовим фільтром справа сторона Рисунок 4 (d) - це злитое зображення після перетворення вейвлета, на Фіг.4 (е) - злито зображення після перетворення Контуру, а Фіг.4 (f) - це злито зображення після перетворення вейвлет-контур.
(а) Стандартне зображення (б) Розмитий знімок, який слід злити на ліву сторону (в) Розмитий знімок, який буде злити з правого боку
(г) Середній вибір вейвлета (e) Середній вибір середнього контуру (f) Середній вибір вейвлету-контуру
Дані оцінки продуктивності трьох перетворень для термоядерного синтезу показані в таблиці 1.
Таблиця 1 Аналіз даних порівняння ефективності трьох термоядерних перетворень
З таблиці 1 видно, що в порівнянні з вейвлет-перетворенням, перетворення вейвлет-контур збільшує просторову частоту на 11,27%, відхилення на 10,84% нижче, ніж вейвлет-перетворення, а крос-ентропія на 23,81% нижче, ніж вейвлет перетворити
Конфігурація вейвлет-контуру майже ідентична просторовій частоті в порівнянні з перетворенням контур. Відхилення на 1,91% нижче, ніж перетворення Contourlet, а ентропія за кроком на 11.11% нижче, ніж перетворення Contourlet. Тому, враховуючи показники оцінки, ефективність запропонованого алгоритму перевірена.
В. Висновок
У даній роботі запропоновано вдосконалений алгоритм вибору середньозваженої регіональної дисперсії для високочастотних коефіцієнтів, а середньозважена обробка використовується для низьких частот. Експерименти показують, що запропонований алгоритм може легше отримати деталі та крайню інформацію зображення. Згідно з експериментальними даними, відхилення та перехресна ентропія перетворення вейвлет-контуру є нижчими, ніж значення перетворення вейвлет та перетворення контуру.
Отже, за такого ж правила синтезу алгоритм злиття зображень на основі перетворення вейвлет-контуру та середньозважений варіація області можуть отримати кращі результати, ніж алгоритм злиття з вейвлет-перетворення та перетворення контуру.

