基于梯度的压缩感知图像融合（英文）

目的:面向多传感器图像融合,实现基于梯度的压缩感知图像融合,使其具有传输量小,计算复杂度低的特点。创新点:提出一种基于梯度的融合规则(图1),对压缩感知系数进行融合,并对融合后的压缩感知系数进行反变换得到原图像,提高压缩感知融合质量。方法:首先,对多传感器捕获的图像进行压缩感知分解以提高传感器传输速率。然后在融合阶段,基于压缩感知系数梯度进行融合得到融合后的压缩感知系数,并对融合后的系数进行压缩感知反变换得到融合后图像。通过两种融合场景的应用实验(图2-7,表1-6),证明所提算法相比于其他传统压缩感知图像融合方法,在人眼视觉及客观融合标准中均更优。结论:针对多种融合场景,提出一种高效的基于梯度的压缩感知的图像融合方法,提高图像融合精度。     

基于图像块多向梯度模的小波图像融合方法*

利用块分割图像融合算法的思想,提出了一种基于多向梯度模的小波图像融合方法：对图像块进行小波分解,利用小波反变换得到相同尺度的高频图像块,然后对高频图像块多向梯度滤波,比较对应块的高频图像的总的梯度模值,以挑选出其中清晰的图像块并进行一致性验证,重构图像。该方法不用进行小波反变换重构图像,真正保留了原始的清晰图像。通过实验,证明了该方法对于多聚焦图像的融合具有很好的效果和很好的稳定性。     

医学图像配准中基于图像梯度的灰度压缩

基于互信息的医学图像配准,其配准精度可以达到亚像素水平,精度高且鲁棒性好,但互信息的巨大计算量使配准速度较慢,不能达到临床使用要求,而互信息的计算速度与图像的灰度阶数有关。为此,针对互信息由于图像灰度级数过多造成互信息计算量大的问题,提出一种基于图像梯度的灰度压缩算法。算法采用图像的梯度信息,根据图像梯度对图像进行非线性灰度映射,同时利用小波对差异图像进行分解和重构。实验结果证明,该算法能减少图像灰度阶数,同时较好地保留图像的细节信息,在保持配准精度的前提下减少配准时间。     

Contourlet变换系数加权的医学图像融合

目的 由于获取医学图像的原理和设备不同,不同模式所成图像的质量、空间与时间特性都有较大差别,并且不同模式成像提供了不互相覆盖的互补信息,临床上通常需要对几幅图像进行综合分析来获取信息。方法 为了提高对多源图像融合信息的理解能力,结合Contourlet变换在多尺度和多方向分析方法的优势,将Contourlet变换应用于医学图像融合中。首先将源图像经过Contourlet变换分解获得不同尺度多个方向下的分解系数。其次通过对Contourlet变换后的系数进行分析来确定融合规则。融合规则主要体现在Contourlet变换后图像中的低频子带系数与高频子带系数的优化处理中。针对低频子带主要反映图像细节的特点,对低频子带系数采用区域方差加权融合规则;针对高频子带系数包含图像中有用边缘细节信息的特点,对高频子带系数采用基于主图像的条件加权融合规则。最后经过Contourlet变换重构获得最终融合图像。结果 分别进行了基于Contourlet变换的不同融合规则实验对比分析和不同融合方法实验对比分析。通过主观视觉效果及客观评价指标进行评价,并与传统融合算法进行比较,该算法能够克服融合图像在边缘及轮廓部分变得相对模糊的问题,并能有效地融合多源医学图像信息。结论 提出了一种基于Contourlet变换的区域方差加权和条件加权融合算法。通过对CT与MRI脑部医学图像的仿真实验表明,该算法可以增加多模态医学图像互补信息,并能较好地提高医学图像融合的清晰度。     

基于梯度选取规则的小波变换在图像融合中的研究

该文用基于梯度选取的小波变换实现SAR与可见光图像的融合,在不同频率域的小波系数选取规则上引入区域平均梯度和全局梯度,对小波系数不是简单丢弃,而是加权叠加。给出了图像融合结果的定性评价,并用熵等评价参数进行了定量评价,实验取得了较好的结果。     

基于梯度的多曝光图像融合

针对运动场景拍摄的不同曝光度的图像序列,提出基于梯度的多曝光图像融合方法,将不同曝光度的图像细节呈现到同一张普通图像上。该方法是直接加权融合的方法,先用梯度信息来定义权值,然后用多分辨率加权融合。实验表明,本文的方法取得较好实验结果,消除运动物体对图像融合产生的影响,同时增强了图像的细节表现能力,具有较好的实用价值。     

医学图像融合方法综述

多模态医学图像能够为医疗诊断、治疗规划和手术导航等临床应用提供更为全面和准确的医学图像描述。由于疾病的类型多样且复杂,无法通过单一模态的医学图像进行疾病类型诊断和病灶定位,而多模态医学图像融合方法可以解决这一问题。融合方法获得的融合图像具有更丰富全面的信息,可以辅助医学影像更好地服务于临床应用。为了对医学图像融合方法的现状进行全面研究,本文对近年国内外发表的相关文献进行综述。对医学图像融合技术进行分类,将融合方法分为传统方法和深度学习方法两类并总结其优缺点。结合多模态医学图像成像原理和各类疾病的图像表征,分析不同部位、不同疾病的融合方法的相关技术并进行定性比较。总结现有多模态医学图像数据库,并按分类对25项常见的医学图像融合质量评价指标进行概述。总结22种基于传统方法和深度学习领域的多模态医学图像融合算法。此外,本文进行实验,比较基于深度学习与传统的医学图像融合方法的性能,通过对3组多模态医学图像融合结果的定性和定量分析,总结各技术领域医学图像融合算法的优缺点。最后,对医学图像融合技术的现状、重难点和未来展望进行讨论。     

一种改进小波变换的图像融合方法*

基于压缩感知理论,本研究针对于图像的小波分解系数的特点,提出了一种改进的小波稀疏表示的压缩感知图像融合算法。首先,本算法通过Mallat快速算法对图像进行稀疏分解;然后,利用绝对值最大融合规则对小波系数在压缩域进行融合;最后,使用最小全变分的方法重构融合图像。实验结果表明,该算法具有良好的融合效果。     

基于压缩感知CoSaMP算法的精确重构

为有效解决压缩采样匹配追踪(Compressive Sampling Matching Pursuit, CoSaMP)算法对稀疏度K值的依赖问题,提高重构精度,提出了一种根据峰值信噪比增减变化趋势来确定最佳迭代次数的CoSaMP改进算法。先将PSNR算式进行数学推导演变,将算式中未知的原始信号巧妙转换为已知信号,并证明了此转换式与PSNR算式有相同增减性,在迭代过程中基于此转换式可根据各列稀疏度的不同,自适应的确定不同列的最佳迭代次数,从而保证更高的重构精度。理论分析和实验仿真表明,改进的CoSaMP算法比原有算法有更理想的重构效果,与其它重构算法相比有更高的重构成功率,并且更具高效性和实用性。     

基于图像块能量梯度的多聚焦图像融合

针对多聚焦图像,提出一种基于图像分块的融合方法。将源图像分为大小相同数量相等的子块,采用能量梯度算子作为对焦评价函数,计算各个图像子块能量梯度匹配度,设置匹配度阈值分离出源图像中的清晰区域。源图像中的清晰区域直接作为融合图像相应的区域,其它区域的处理中,构造与相应子块能量梯度大小相关的图像序列,以及像素点到各个子块中心距离相关的融合函数,然后用融合函数对图像序列融合。实验结果表明该方法有效性和合理性。     

基于多小波变换的多聚焦图像融合

多聚焦图像融合的关键问题是如何保持原始图像的边缘和细节信息。多小波分析具有多个分析基函数和产生更多分解子图像的特点。在多小波变换域对低频和高频小波系数采用不同的融合方法——对低频系数采用取平均的方法,而对高频系数采用边缘梯度对比的方法。通过实验证明,该方法能够很好地保存图像的边缘和细节信息,融合结果得到了改善。     

小波变换图像融合规则性能的分析研究

基于小波变换的数据融合技术的关键是融合算法和融合规则。为分析不同融合规则对融合性能的影响,选用四种小波高低频系数的不同规则组合进行融合实验,并应用六种统计指标进行融合效果的比较,结果表明,融合规则不同,融合性能会有差异,而同一种融合规则,不同的统计指标也反映其融合性能的优劣差异,有时差异还很明显。因此,应根据不同的图像融合目的选择合适的融合规则和融合算子。     

一种基于小波变换的多聚焦图像融合方法

提出了一种改进的基于小波变换的多聚焦图像融合方法。该方法采用小波变换对源图像进行多尺度分解,得到高频和低频图像;对高频分量采用基于邻域方差加权平均的方法得到高频融合系数,对低频分量采用基于局部区域梯度信息的方法得到低频融合系数;进行小波反变换得到融合图像。采用均方根误差、信息熵以及峰值信噪比等评价标准,将该方法与传统融合方法的融合效果进行了比较。实验结果表明,该方法所得融合图像的效果和质量均有明显提高。     

基于提升小波变换的医学图像融合

目的 将不同模态的医学图像(如CT/MRI图像)进行科学融合,可以有效地丰富图像的信息,提高信息的利用效能,这对于医学临床诊断具有重要的理论研究意义和应用价值。方法 基于提升小波变换的特性,对多模态医学图像的融合算法进行研究。首先,对已配准的源图像进行多尺度分解,得到低频子带和多层高频子带;进而,根据低频子带的特点和各层高频子带的噪声含量不同,提出了低频子带系数采用基于区域平均能量的加权融合规则;对噪声含量较低的低层高频子带采用基于计盒分维法获取分维数,而对噪声含量较高的高层高频子带提出了基于区域梯度能量加权融合规则。结果 分别对灰度图像和彩色图像进行了大量融合实验,并分别在主观视觉特性及客观评价指标下对不同融合算法产生的融合图像的质量进行了分析对比,表明本文算法具有较好的边缘保持度。结论 实验结果表明,较现有算法产生的融合图像,应用本文融合算法得到的图像具有更丰富的信息,更能使图像灰度级分散,具有更良好的视觉特性和评价指标。     

改进的小波变换在多源遥感图像融合中的应用

在分析方向可调的小波变换与不可分离小波变换的基础上,以全色SPOT和多光谱TM遥感影像为数据源,结合可调小波变换与不可分离小波变换的优点,借助Matlab与ERDAS IMAGINE等工具,实现了改进的方向可调的不可分离框架小波变换的遥感影像融合处理.该方法与传统的融合方法相比,具有不可分离小波变换和方向可调性等优点,对图像的多分辨率信息的刻画比较精细,既能保持多光谱图像的光谱信息,又能保持全色图像的空间分辨率特性,从而提高了对影像的解译能力.     

基于梯度域融合的图像视觉效果改善

针对同一场景不同图像之间可存在互补优缺点的特点,提出了采用梯度域融合的方法改善图像视觉效果的增强方法。首先将待融合各图像的结构张量按一定比例进行融合,在权重的设计中考虑了各通道图像的局部对比度。之后求出目标梯度场,其结构张量在Frobenius范数意义下逼近前述融合后得到的结构张量。最后采用最小二乘拟合从目标梯度场重建出增强后的图像。方法可应用于同一图像不同增强方法结果之间、相同场景采用不同对焦距离或不同曝光时间所拍摄照片之间等的融合。实验结果表明,融合后的图像能保持各输入通道图像中显著的有意义细节和结构信息,有效改善增强图像的视觉效果。     

基于梯度的图像分割新方法

针对玉米图像和Lena图像的分割方法进行了讨论与研究,将传统的阈值分割与图像梯度计算结合在一起,提出了一种新的彩色图像分割方法.该方法对玉米图像和Lena图像不但具有较好的分割效果,而且具有计算简单,抗噪声能力强,并且同时适用于灰度与彩色图像的场合,较好地克服了传统阈值分割方法的缺点.实验表明该算法不仅能够较好地分割出图像边界,且具有较好的时间性能和较好的分割效果.     

Medical image fusion based on hybrid intelligence

Medical image fusion combines complementary images from different modalities for proper diagnosis and surgical planning. A new approach for medical image fusion based on the hybrid intelligence system is proposed. This paper has integrated the swarm intelligence and neural network to achieve a better fused output. The edges are an important feature of an image and they are detected and optimized by using ant colony optimization. The detected edges are enhanced and it is given as the feeding input to the simplified pulse coupled neural network. The firing maps are generated and the maximum fusion rule is applied to get the fused image. The performance of the proposed method is compared both subjectively and objectively, with the genetic algorithm method, neuro-fuzzy method and also with the modified pulse coupled neural network. The results show that the proposed hybrid intelligent method performs better when compared to the existing computational and hybrid intelligent methods.