基于小波图像去噪及融合技术—刘

1、基于小波的图像增强和融合技术1、什么是小波变换它是一种数据处理算法，以某些特殊函数为基将数据过程或数据系列变换为 级数系列以发现它的类似频谱的特征，从而实现对数据的处理。2、小波变换特点及应用领域小波变换具备良好的时频特性，在信号分析和处理中得到了很好的运用； 平面图像可以看成二维信号，小波分析很自然地被运用到图像处理领域； 1冃前小波分析已经被运用到图像处理的几乎所有的分支，如：图像融合、 边缘检测，图像压缩，图像分割等。从图像处理角度看，小波变换有以下优点：(1) 小波分解可以覆盖整个频域(提供了一个数学上完备的描述)(2) 小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不 同

2、特征z间的相关性(3) 小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨 率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口)(4) 小波变换实现上有快速算法(mallat小波分解算法)3、小波变换在图像增强中的应用在进行图像融合之前，有必要对图像进行增强。这是因为图像在获取和传输 过程屮，往往受到噪声的干扰，而降噪的冃的是尽可能保持原始图像主要特征的 同时，除去图像中的噪声。是采用低通滤波方式进行去噪的方法，存在的问题是 它在消除图像噪声的同时,，也会消除图像部分有用的高频信息。因此，各种图 像去噪方法其实就是在去噪和保留图像细节上保持平衡。小波变换由于在时

3、域和频域同时具有良好的局部化性质，且对于高频成分采 用逐渐精细的时频取样步长，从而可以充分突出研究对彖的任何细节。因而实际 应用也非常广泛因此小波方法成功地应用于去噪领域。常见的去噪方法：1、基于小波变换模极大值去噪2、基于相邻尺度小波系数相关性去噪3、基于小波变换域阈值去噪介绍种常用的阈值去噪方法：基于边缘检测的图像小波阈值去噪方法。图像经过小波变换后，能量主要集中在最低分辨率子带图像上，而图像的加 性随机噪声经过小波变换后，能量则分散在各个高分辨率子带图像上.因此，可以设定一个阈值，将绝对值小于阈值的小波系数当作噪声去除，从而达到去 噪的效果.阈值去噪的关键是阈值的设定，因为过大的阈值，会

4、造成有用的高频 信息(如边缘信息)丢失，使图像变得模糊；而过小的阈值，又会保留过多的噪声, 使去噪效果不明显.为了解决阈值设定的两难处境，先通过小波边缘检测，确定边缘特征在各个 子带图像中的位置，在这些位置上的小波系数将不受阈值去噪的影响.由于预先保护了图像的边缘特征，因此，在阈值去噪的时候，尽可以根据噪声方差来 设定阈值而不必担心损害图像的边缘特征.二维图像信号的去噪步骤：(1) 二维图像信号的小波分解。选择合适的小波与恰当的分解层次n,并对待 压缩的二维图像信号进行n层分解计算。(2) 对分解后的每一层高频系数，选择一个恰当的阈值，并对该层高频系数进 行软阈值量化处理。(3) 二维图像信号

5、的小波重构。用小波分解后的第n层近似(低频系数)和 经过阈值量化处理后的各层细节(高频系数)，对二维信号进行小波重构。4、什么是图像融合图像融合技术在采集多源信息的基础上，将两幅或多幅图像融合在一起，采 用融合算法对原始图像信息进行处理，从而获得同一事物或冃标的更丰富，更全 而的图像信息。其中采用的融合算法应该充分利用齐原图像的互补信息，使融合后的图像更 适合人的视觉感受。最早采用的图像融合方法是空间域法，即将两幅或多幅图像在空间坐标下直 接进行运算和叠加。这种方法操作简单，直观，但精确度不够。到了 90年代，提出变换域方法，基于小波变换的图像融合方法得到广泛的 应用。5、图像融合的优点及应用

6、领域图像融合技术具有：冗余，互补，降低成本等优点。冗余：融合后得到的大量冗余信息可减少系统总的不确定性，提高图像精确 性和系统的可靠性，增加鲁棒性。互补：互补的信息从单个源图像中是无法获取的。降低成本：相比分别处理单个源图像的时间和花费，处理融合后的图像的开 销小的多。针对图像融合技术的特点，可以应用于医学图像，红外遥感探测、灾情监测 与预报等多个领域。6、小波分析在图像融合中的应用空域法定义：是将两幅或多幅图像在空间坐标下直接进行运算和叠加，运算的方法 有逻辑运算、加权平均、形态运算、图像代数运算、toet算法和对比度调制等。方法：基于图像分割的融合方法 先利用构造边缘检测算子的方法.对图像

7、进行边缘提取； 用空间映射法实现图像的融合。变换域法：定义：将变换后的两个或多个图像进行融合，再通过反变换得到融合后图像 的方法。图像融合可分为三个层次：1. 像素级融合2. 特征级融合3 决策级融合其中像素级融合是最低层次的融合，也是后两级的基础。它是将各原图像中 对应的像素进行融合处理，保留了尽可能多的图像信息，精度比较高，因而倍受 人们的重视。像素级的图像融合方法大致可分为三大类：1. 简单的图像融合方法2. 基于塔形分解（如laplace塔形分解、比率塔等）的图像融合方法3. 基于小波变换的图像融合方法（热点）小波变换法步骤： 是将源图像进行小波分解得到一系列子图像； 在变换域上进行特

8、征选择，创建融合图像； 通过逆变换重建融合图像。基于小波变换的图像融合流程图7、进行图像融合的关键关键之处在于：对上图分解后融合原则和融合因子的选择；低频分量图像：特性：代表源图像的近似特性。常用方法：取二者的平均值或取其中之一作为融合后的值。一层 小波s-层 小波小 系波 纵阵齟合规则融合决策炬阵恢复融合£的图像融合后的小波系数矩阵决定因素：取决于对融合图像的具体要求和融合图像的视觉效果。高频分量图像：特性：亮度较大的值代表该点为源图像上变化比较剧烈的点。常用方法：通常特征选择的同上方法为最大值法或一致，差异性检测法进行 融合。决定因素：也是取决于对融合图像的具体要求和融合图像的视

9、觉效果。8、图像配准图像配准是图像融合技术的基本环节，因为只有经过配准后的图像才能进行 有效的融合，所谓图像配准是对两幅或多幅图像中同一个冃标进行修正，确定图 像见对应点的匹配关系，以消除或减小目标的位置差别和噪声引起的畸变。将一幅图像作为标准图像，用另一幅图像来匹配此标准图像，采用的方法主 要有：(1) 基于灰度统计(2) 基于特征针对基于灰度统计的配准方法计算量大速度慢等缺点，基于特征的配准方法得到 广泛应用。分为四个步骤：1、特征的提取2、特征的匹配3、选取变换模型及求取参数4、坐标变化与差值配准技术的流程如下：首先要对待配准图像进行预处理，也就是图像分割和 特征提取的过程，对两幅图像进

10、行特征提取得到特征点；通过进行相似性度量找 到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数：最后 由坐标变换参数进行图像配准。而特征提取是配准技术中的关键，准确的特征提 取为特征匹配的成功进行提供了保障。因此，寻求具有良好不变性和准确性的特 征提取方法，对于匹配精度至关重要。由于图像中有很多种可以利用的特征，因而产生了多种基于特征的方法。常 用到的图像特征有：特征点（包括角点、高曲率点等）直线段、边缘、轮廓、闭 合区域、特征结构以及统计特征如矩不变量、重心等等。9、融合实例基于区域的最大值选择方法xfus 二 wfusimg（x1, x2, wname, level, afu

11、smeth,dfusmeth）返回由两幅源图像xi, x2得到的融合图像xfus。图像的融合方法由afusmeth （approximation fuse method低频/概貌融合 方法）和dfusmeth （detail fuse method高频/细节融合方法）确定。使用的 小波为wname,分解层次为levelo源图像xi, x2大小必须一致。load cathe_l;x1=x;%调入第二幅模糊图像load cathe_2;x2 二x;%基于小波分解的图像融合 xfus=wfusimg(xi, x2,' sym4,5 ,'max，,' max，);%、显小 colormap (map);subplot (2, 2, 1);image (xi);axis square;title(