论文部分内容阅读
随着成像技术的不断发展,任何单传感器所获得的图像都不能提供目标场景的完整信息,在某些场景下可能会受到一些限制,比如红外和可见光图像。为了更好的了解目标场景情况,必须将这些图像的互补信息集中到单个图像中。图像融合技术是一种将同一场景的多个图像中的有用信息合并到一张图像的技术,使得融合图像能发挥各自的优势,相互补充,提供比单个传感器更多关于场景的信息,尽可能更完整的体现出目标场景的特性,图像融合充分利用了输入图像的相关信息来增强图像处理系统的效率并且降低系统的成本。基于图像结构相似的方法充分考虑了图像的结构信息和人类视觉系统的特性,获得了良好的视觉效果,但是对它的研究基本上都是用在图像质量的评价方法上,而且结构相似多用于处理图像的低频区域,提取场景中的结构信息。对于图像的高频区域,则没有很好的效果。基于显著性检测的图像融合算法能较好地提取场景中的边缘、轮廓等高频信息。本文在分析了两种算法各自优势的基础上,尝试将这两种融合方法的优点结合起来,提出了一种显著性检测和结构相似相结合的融合算法,图像融合实验结果表明该算法优于现有的同类算法。本文的主要工作内容和创新点总结如下:1、在像素级的图像融合中,大多数的图像融合都分为三步,首先把待融合图像分解为低频区和高频区,然后对不同的区域采用不同的融合规则进行图像融合,最后将低频区和高频区重建为最后的融合图像。但在进行图像分解时,分解级数的不同会导致不同的融合结果,大多数多尺度融合方法都需要分解两个尺度以上。这些方法计算比较复杂,所以他们需要更多的内存和计算时间。本文采用简单的双尺度图像分解,降低多尺度融合算法的复杂度,提高图像融合速度。2、分析了结构相似指标和显著性检测的优缺点,发现基于结构相似的图像融合方法可以很好的提取图像的结构信息,而显著性检测可以提取出符合人类视觉的信息,于是将显著性检测和结构相似结合起来,希望可以获得更好的融合图像。该方法首先是将图像进行二尺度图像分解,对分解后的高频区和低频区分别采用不用的融合规则,对低频区使用结构相似的图像融合,而对包含大量细节信息的高频区采用显著性检测融合算法。最后通过大量实验证实了该算法的可行性。