论文部分内容阅读
摘要：数字图像的融合是为了增加图像的信息量进而提高人工识别或机器识别的准确率。不同获取图像的方法对目标物的特征敏感程度不同，所以单一的提取方法只能充分的表现目标物的某些特征。通过数字图像融合技术，可以将多种提取方法获得的图像结合到一起，得到可以充分表现目标物特征的图像。本文对几种常见的图像融合方法进行了论述。
关键词：层次；算法
中图分类号：TP391文献标识码：A文章编号：1007-9599 （2010） 15-0000-01
Research on the Methods of Digital Image Fusion
Li Chen
(Northeastern University,Shenyang110819,China)
Abstract:Digital image fusion is a method to increase the information quantity of image and then improve the accuracy of artificial and mechanical recognition.Methods of getting image differ in their sensitivity of objectives so a single method will provide part of features.By using digital image fusion,we can acquire an image with abundant of features.The image is fused by images from different methods.The paper discussed several kinds of common image fusion methods.
Keywords:Level;Algorithm
一、图像融合的层次
一般认为图像融合分为3个层次，即像素级融合、特征级融合和决策级融合。像素级融合是作用于图像像素点最底层的融合。
像素级融合指在直接获取的原始（像素）数据上进行处理，获取统一的合成图像的过程，也称为数据级融合。像素级图像融合在某些情况下可获得较好的视觉效果，融合时主要是对图像像素直接操作，实现起来较为简单。但对于数据传输带宽和图像间配准的要求较高，计算处理量较大，且往往是人眼直接观察输出结果，对融合效果的定量评价还没有统一的方法，另外，不同场景的融合方法不同，具有一些盲目性。
特征级融合首先对各成像仪器的信号进行特征提取和分析再进行融合，具有模式识别的特征。特征级图像融合对图像配准的要求没有像素级严格，综合处理各通道图像特征融合产生的新特征具有比各输入图像特征更高的置信度，模式识别技术的应用还可消除一些虚假特征，优点较为突出，但图像特征的提高仍尚有难度。
决策级图像融合基于一些认识模块，模拟人的识别、分析、推理的思维过程，可采用一些新的处理技术（如人工智能、专家系统、模糊技术和神经网络）来进行融合处理，也称为符号级或判决级融合。决策级融合能使多数据在较高的抽象层次上得到有效的应用。当图像仪器类型差别较大，或者多图像信息是关于环境的不同区域时，这种融合可能是唯一的选择。
各层次上的融合并不是截然分开的，三个层次的融合往往可交错进行，最佳的融合方式需要根据具体情况判断，由于一个图像系统接收到的最初信息是数据级的信息，因此，融合策略一般从低到高，即先对同一层次的信息进行融合，获得可供更高层次融合处理的信息后，再汇入相应级进行高层次的融合。
二、常用的图像融合方法
目前，图像融合方法大致可分为三大类：简单的图像融合方法、基于塔形分解（如拉普拉斯塔形分解、比率塔等）的图像融合方法和基于小波变换的图像融合方法。简单的图像融合方法不对参加融合的源图像进行任何变换或分解，而是直接对其取出像素进行选择、平均或加权平均等简单处理后合成一幅融合图像。在许多情况下，这种简单的融合方法得不到满意的结果。目前常用的图像融合方法主要有：加权平均、Toet算法、Laplacian金字塔法、图像对比度金字塔法以及基于小波变换的融合等。
以上提到的目前常用的几种融合算法中，加权平均和Toet融合算法，都只是对原有图像像素单纯的加减运算，模糊了图像的各个特征信息，在Laplacian塔型、对比度塔型这几种金字塔融合算法中，都没有突出待融合图像的特征，各分解层之间具有较大的相关性，在图像细节比较丰富的情况下，并没有突出图像的边缘等变化较快的信息，因而融合效果并不理想。
对于图像融合而言，融合有效的图像特征是进行图像处理的首要任务。图像特征是用于区分一个图像内部的最基本属性或特征的，它们可以是原图像中人类视觉可以鉴别的自然特征，也可以是通过对图像进行测量和处理从而人为定义的某些特性或参数，它们称为人工特征。图像的特征在图像处理中占有重要的地位，对于图像处理、计算机视觉、人类视觉来说，是一个非常重要的因素，对于图像融合来说也不例外，图像融合就是要把这些图像特征融合到一幅图像中，对于边缘等突变信息包含了图像中大量的信息，如何把这些信息应用到融合图像中去，一度曾成为难点。由Mallat和Meyer主要提出的多分辨分析（MRA）进而形成的小波理论把图像分解到不同频率层中，具有自动变焦的功能，为图像融合提供了理论和实际的工具。
参考文献：
[1]陈传波,金先级.数字图像处理.机械工业出版社,2004
[2]Vincent Barra and Jean-Yves Boire.A General Framework for the Fusion of Anatomical and Functional Images,Neuroimage,2001
[3]Rafael C.Gonzalez and Richard E.Woods.Digital Image Processing,Prentice Hall,2001
[4]孙延奎.小波分析及其应用.机械工业出版社,2005:1-31
[5]谢凤英,赵丹培.visual c++数字图像处理.电子工业出版社,2008
关键词：层次；算法
中图分类号：TP391文献标识码：A文章编号：1007-9599 （2010） 15-0000-01
Research on the Methods of Digital Image Fusion
Li Chen
(Northeastern University,Shenyang110819,China)
Abstract:Digital image fusion is a method to increase the information quantity of image and then improve the accuracy of artificial and mechanical recognition.Methods of getting image differ in their sensitivity of objectives so a single method will provide part of features.By using digital image fusion,we can acquire an image with abundant of features.The image is fused by images from different methods.The paper discussed several kinds of common image fusion methods.
Keywords:Level;Algorithm
一、图像融合的层次
一般认为图像融合分为3个层次，即像素级融合、特征级融合和决策级融合。像素级融合是作用于图像像素点最底层的融合。
像素级融合指在直接获取的原始（像素）数据上进行处理，获取统一的合成图像的过程，也称为数据级融合。像素级图像融合在某些情况下可获得较好的视觉效果，融合时主要是对图像像素直接操作，实现起来较为简单。但对于数据传输带宽和图像间配准的要求较高，计算处理量较大，且往往是人眼直接观察输出结果，对融合效果的定量评价还没有统一的方法，另外，不同场景的融合方法不同，具有一些盲目性。
特征级融合首先对各成像仪器的信号进行特征提取和分析再进行融合，具有模式识别的特征。特征级图像融合对图像配准的要求没有像素级严格，综合处理各通道图像特征融合产生的新特征具有比各输入图像特征更高的置信度，模式识别技术的应用还可消除一些虚假特征，优点较为突出，但图像特征的提高仍尚有难度。
决策级图像融合基于一些认识模块，模拟人的识别、分析、推理的思维过程，可采用一些新的处理技术（如人工智能、专家系统、模糊技术和神经网络）来进行融合处理，也称为符号级或判决级融合。决策级融合能使多数据在较高的抽象层次上得到有效的应用。当图像仪器类型差别较大，或者多图像信息是关于环境的不同区域时，这种融合可能是唯一的选择。
各层次上的融合并不是截然分开的，三个层次的融合往往可交错进行，最佳的融合方式需要根据具体情况判断，由于一个图像系统接收到的最初信息是数据级的信息，因此，融合策略一般从低到高，即先对同一层次的信息进行融合，获得可供更高层次融合处理的信息后，再汇入相应级进行高层次的融合。
二、常用的图像融合方法
目前，图像融合方法大致可分为三大类：简单的图像融合方法、基于塔形分解（如拉普拉斯塔形分解、比率塔等）的图像融合方法和基于小波变换的图像融合方法。简单的图像融合方法不对参加融合的源图像进行任何变换或分解，而是直接对其取出像素进行选择、平均或加权平均等简单处理后合成一幅融合图像。在许多情况下，这种简单的融合方法得不到满意的结果。目前常用的图像融合方法主要有：加权平均、Toet算法、Laplacian金字塔法、图像对比度金字塔法以及基于小波变换的融合等。
以上提到的目前常用的几种融合算法中，加权平均和Toet融合算法，都只是对原有图像像素单纯的加减运算，模糊了图像的各个特征信息，在Laplacian塔型、对比度塔型这几种金字塔融合算法中，都没有突出待融合图像的特征，各分解层之间具有较大的相关性，在图像细节比较丰富的情况下，并没有突出图像的边缘等变化较快的信息，因而融合效果并不理想。
对于图像融合而言，融合有效的图像特征是进行图像处理的首要任务。图像特征是用于区分一个图像内部的最基本属性或特征的，它们可以是原图像中人类视觉可以鉴别的自然特征，也可以是通过对图像进行测量和处理从而人为定义的某些特性或参数，它们称为人工特征。图像的特征在图像处理中占有重要的地位，对于图像处理、计算机视觉、人类视觉来说，是一个非常重要的因素，对于图像融合来说也不例外，图像融合就是要把这些图像特征融合到一幅图像中，对于边缘等突变信息包含了图像中大量的信息，如何把这些信息应用到融合图像中去，一度曾成为难点。由Mallat和Meyer主要提出的多分辨分析（MRA）进而形成的小波理论把图像分解到不同频率层中，具有自动变焦的功能，为图像融合提供了理论和实际的工具。
参考文献：
[1]陈传波,金先级.数字图像处理.机械工业出版社,2004
[2]Vincent Barra and Jean-Yves Boire.A General Framework for the Fusion of Anatomical and Functional Images,Neuroimage,2001
[3]Rafael C.Gonzalez and Richard E.Woods.Digital Image Processing,Prentice Hall,2001
[4]孙延奎.小波分析及其应用.机械工业出版社,2005:1-31
[5]谢凤英,赵丹培.visual c++数字图像处理.电子工业出版社,2008