论文摘要
随着图像传感器技术的不断发展,图像融合已经成为图像处理与机器视觉中的一项重要技术。它通过某种特定算法将多个图像信息融合成一个新图像,利用互补性,使其获得更精确、更丰富、更完善的信息。目前图像融合技术已被广泛应用在目标检测、机器视觉、医疗诊断和军事侦察等领域。在像素级图像融合中,多分辨率图像融合方法是其重要组成部分,并被广泛研究和使用。为解决图像融合过程中边缘信息以及细节内容容易丢失的问题,本文通过对多分辨率分解技术的分析和研究,主要从小波变换和非子采样轮廓波变换这两个角度出发,提出两种不同的改进图像融合算法,以提高融合图像的质量。论文的主要工作如下：1)研究了小波变换分解出的高、低频系数所反映的特征,利用数学形态学在图像处理中的优势,提出了一种基于小波变换与数学形态学的图像融合改进算法,低频部分采用基于形态学边缘检测的融合方法,高频部分则采用改进的区域能量法的融合规则。2)介绍脉冲耦合神经网络(PCNN)和非下采样轮廓波变换(NSCT)的相关理论知识,利用PCNN点火图的特性和像素点自身的特点,结合匹配度和局部熵的概念,提出一种基于局部熵和PCNN的NSCT图像融合改进算法,低频部分采用局部熵作为清晰度的判别标准进行融合,高频部分则利用改进的PCNN规则进行融合。在Matlab仿真环境下进行相关实验,改进算法分别与传统的拉普拉斯金字塔法、小波加权平均法、小波区域能量法和NSCT融合算法等进行性能比较,仿真实验结果表明,本文提出的两种改进图像融合算法都增强了图像质量,都提高了熵、标准差和平均梯度等图像融合的评价指标值,可以更有效地应用于医学图像或多聚焦图像的融合。