本發(fā)明涉及圖像去噪融合算法，具體涉及一種基于小波系數(shù)統(tǒng)計模型的魯棒圖像融合的方法。

背景技術：

圖像融合的目的是將多幅源圖像中有用的重要信息提取、保留并整合到一幅圖像中。源圖像中包含不同頻率分量的重要特征信息，需要在不同尺度上對其進行提取與分析，從而更有針對性地決定最終融合圖像中將要保留合并的內容。目前基于多尺度的圖像融合方法通過對不同層次子帶設計融合規(guī)則進行融合，最大程度融合不同高頻子帶上的細節(jié)信息，為后續(xù)的檢測、追蹤或觀察工作提供精確的圖像場景信息。

在多尺度變換中，小波變換以其優(yōu)異的時頻局部特性和多分辨率特性，在圖像融合和去噪領域被廣泛應用。傳統(tǒng)的小波變換因其不具有時移不變性和多方向性，使得在圖像處理的過程中會丟失特征信息，產生偽跡等不良效果。雙樹復小波變換(dual-treecomplexwavelettransform,dt-cwt)具有近似時移不變性并且每層具有6個方向子帶，能夠充分的提取源圖像在不同層次上的細節(jié)信息，解決了丟失特征或偽跡對于融合結果的影響。

在基于小波變換的融合算法中，構建融合規(guī)則的主要方法是基于樣本系數(shù)值的特定規(guī)則的定義，這種定義的融合規(guī)則是基于樣本系數(shù)本身的幅度信息，而小波系數(shù)自身的稀疏性、傳播性、聚集性都是有很強的統(tǒng)計分布表現(xiàn)，未充分呈現(xiàn)出小波系數(shù)本身特性的融合規(guī)則中的并不是最精準的。小波系數(shù)的鄰域、父子以及異源圖像小波系數(shù)之間都有著強烈的相關特性，通過統(tǒng)計模型對小波系數(shù)統(tǒng)計分布特性進行準確描述，可以將小波子帶系數(shù)的相關特性以及邊緣特性量化利用，能夠實現(xiàn)更加精準的融合效果。

而在圖像數(shù)字化和傳輸、儲存過程中常會受到成像設備和光照、溫度等外界因素的干擾而使圖像質量下降，重要細節(jié)被噪聲掩蓋不僅影響其視覺效果，還直接關系到融合圖像的品質。但是目前的融合算法都是在已去噪的前提下進行操作的，所以能夠實現(xiàn)降噪的融合算法是有現(xiàn)實的應用意義。

技術實現(xiàn)要素：

本發(fā)明的發(fā)明目的在于：針對上述存在的問題，提供一種基于小波系數(shù)統(tǒng)計模型的圖像去噪融合相結合的方法。

本發(fā)明的基于小波系數(shù)統(tǒng)計模型的魯棒圖像融合方法，包括下列步驟：

步驟1：對待融合的含噪(高斯白噪聲)源圖像ia、ib(其中a、b為源圖像標識符)分別進行雙樹復小波變換，得到源圖像ia、ib的多層分解子帶；

步驟2：分別對各層分解子帶進行像素級融合，得到融合后的多層分解子帶：

步驟201：對分解子帶中的低頻子帶，采用基于區(qū)域能量的權重融合方式進行融合，得到融合低頻子帶；

步驟202：對分解子帶中的高頻子帶，采用匹配度聯(lián)合雙顯著度的融合規(guī)則進行同層同方向高頻子帶融合，得到各層的融合高頻子帶：

202-1：基于源圖像ia、ib的高頻子帶分別通過父子系數(shù)的拉普拉斯模型，并計算對應源圖像ia、ib的高頻子帶系數(shù)雙變量收縮算子sa,sb；

202-2：基于源圖像ia、ib的高頻子帶分別構建立廣義高斯模型，并分別計算兩個廣義高斯分布的kl散度kld(a|b)、kld(b|a)，以及廣義高斯分布的信息熵ha、hb，由kl散度與高頻子帶系數(shù)收縮算子的乘積的平方得到第一顯著度aa1、ab1；由信息熵和高頻子帶系數(shù)收縮算子的乘積的平方得到第二顯著度aa2、ab2；，其中aa1、aa2對應源圖像ia，ab1、ab2對應源圖像ib；

202-3：對源圖像ia、ib的高頻子帶系數(shù)聯(lián)合概率建立各向異性拉普拉斯雙變量模型，基于聯(lián)合概率分布和廣義高斯分布計算源圖像ia、ib的同層同方向同坐標(同一子帶系數(shù)坐標)的高頻子帶系數(shù)之間的互信息mi；

根據(jù)互信息mi、信息熵ha、hb定義匹配度

202-4：聯(lián)合匹配度m和第一、二顯著度設置各高頻子帶系數(shù)的融合權重wa、wb，其中圖像wa對應圖像ia，wb對應圖像ib：

若m＞t1，則且wb＝1-wa；

若t2＜m＜t1，則且wb＝1-wa；

若m＜t2，則且

其中，t1、t2為預設匹配度閾值，取值范圍在0～1；

303-4：將高頻子帶系數(shù)收縮算子與融合權重的乘積作為融合算子，以融合算子作為權重進行加權和融合，生成融合高頻子帶；

步驟4：對融合后的多層分解子帶進行雙樹復小波逆變換得到去噪融合圖像。

本發(fā)明提出全新的基于統(tǒng)計模型的匹配度，基于兩個待融源之間建立聯(lián)合概率分布，并由此聯(lián)合概率分布提取出兩個待融源之間的互信息，充分利用了待融合圖像的灰度變化信息以及關聯(lián)信息，很好的度量了兩個待融源之間的相似性；同時提出基于kl散度和信息熵的顯著度度量，能夠充分反映兩待融源在灰度變化和所含信息量之間的差異。同時參數(shù)估計方法中結合去噪思想，融合權重結合去噪算子，最終實現(xiàn)對噪聲圖像的魯棒融合。最終融合效果能夠去除噪聲影響，同時保留源圖像中的細節(jié)信息，在主觀和客觀評價中都獲得優(yōu)異指標。

附圖說明

圖1是本發(fā)明的高頻子帶融合的流程圖。

具體實施方式

為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面結合實施方式，對本發(fā)明作進一步地詳細描述。

本發(fā)明的目的可以通過采取如下技術方案達到：基于雙樹復小波變換的去噪融合算法，其特征在于包括以下具體步驟：

步驟1：對噪聲源圖像ia、ib(下標a、b為源圖像標識符)執(zhí)行雙樹復小波變換，得到源圖像ia、ib的多層分解子帶，用ca^l、cb^l表示對應的低頻子帶，表示對應的高頻子帶，其中j＝1,2...,j為雙樹復小波分解的層標識符，k＝1,2...,k為雙樹復小波分解的層標識符方向標識符，本實施方式中，取j＝5，k＝6，其中6個方向依次是15°,45°,75°,-15°,-45°,-75°。用ca^l(m,n)、cb^l(m,n)表示對應ia、ib的低頻子帶系數(shù)，表示對應ia、ib的高頻子帶系數(shù)，其中(m,n)表示子帶系數(shù)坐標。

步驟2：分別對各層分解子帶進行像素級融合，得到融合后的多層分解子帶：

步驟201：對分解子帶中的低頻子帶，采用基于區(qū)域能量的權重融合方式進行融合，得到融合低頻子帶；

201-1：采用滑窗方式計算低頻子帶系數(shù)在鄰域n*n的區(qū)域能量和：

即

其中w表示能量累加權重矩陣，w(x+(n+1)/2,y+(n+1)/2)(n＝5)表示在子帶系數(shù)坐標(x+(n+1)/2,y+(n+1)/2)處的矩陣元素值。

以n取5為例，w可以表示為：

201-2：計算低頻子帶系數(shù)的權重：

201-3：計算融合低頻子帶系數(shù)cf^l(m,n)，得到融合低頻子帶：

cf^l(m,n)＝δa(m,n)ca^l(m,n)+(1-δa(m,n))cb^l(m,n)；

步驟202：對分解子帶中的高頻子帶，采用匹配度聯(lián)合雙顯著度的融合規(guī)則進行同層同方向高頻子帶融合，得到各層的融合高頻子帶，參見圖1，具體融合過程如下：

202-1：基于源圖像ia、ib的高頻子帶(ca^h、cb^h)分別建立父子系數(shù)的拉普拉斯模型，并計算每個子帶系數(shù)坐標(m,n)在第j層k方向的高頻子帶系數(shù)的雙變量收縮算子因本融合處理時為同層同方向的像素級融合，為了簡化描述，可將任一子帶系數(shù)坐標在第j層k方向的收縮算子簡化描述為sa、sb，其中，a、b為源圖像標識符；

(1)采用蒙特卡羅(montecarlo)統(tǒng)計模擬方法估計高頻子帶噪聲標準差σna、σnb，即：

基于第一層高頻子帶系數(shù)根據(jù)下式分別估計中所含的噪聲標準差σna、σnb：其中符號median(·)表示中位數(shù)，表示的是分解尺度為1且分解方向為±45°的高頻子帶上的所有系數(shù)。

(2)計算各高頻子帶系數(shù)的鄰域方差

其中分別表示位于子帶系數(shù)坐標(m+x,n+y)的第j層尺度、k方向的高頻子帶系數(shù)，且其中n為預設的鄰域尺寸，本具體實施方式中取值為5；

根據(jù)公式分別計算各高頻子帶系數(shù)的高頻子帶純凈系數(shù)鄰域方差其中符號“(x)+”表示：當變量x≥0時，(x)+＝x；當x＜0時，(x)+＝0；

(3)根據(jù)基于父子系數(shù)的雙變量收縮方法，分別計算各高頻子帶系數(shù)的雙變量收縮算子

其中分別為源圖像ia、ib高頻子帶噪聲方差；分別為位于(m,n)的第j層尺度、k方向的高頻子帶系數(shù)的純凈系數(shù)鄰域方差。

202-2：基于源圖像ia、ib的高頻子帶分別構建立廣義高斯模型，并分別計算兩個廣義高斯分布的kl散度kld(a|b)、kld(b|a)，以及廣義高斯分布的信息熵ha、hb，定義第一顯著度aa1為ab1為定義第二顯著度aa2為ab2為

(1)分別計算源圖像ia的各高頻子帶系數(shù)的一階原點矩源圖像ib的各高頻子帶系數(shù)的一階原點矩

其中n為預設的鄰域尺寸，為圖像ia和ib的高頻子帶系數(shù)；

并將各高頻子帶系數(shù)的純凈系數(shù)鄰域方差作為各高頻子帶系數(shù)的純凈二階原點矩其中上標a、b為源圖像標識符。

(2)基于廣義高斯模型矩估計參數(shù)估計法，通過一階原點矩和二階原點矩計算各高頻子帶系數(shù)的鄰域參數(shù)αa、αb、βa、βb：

構建廣義高斯模型：

其中xa、xb分別為源圖像ia、ib的同層同方向的高頻子帶系數(shù)，e為自然底數(shù)，γ(·)表示伽馬函數(shù)；

基于廣義高斯模型pa、pb計算kl散度kld(a|b)、kld(b|a)：

基于廣義高斯模型pa、pb計算信息熵ha,hb：

202-3：對源圖像ia、ib的高頻子帶系數(shù)聯(lián)合概率建立各向異性拉普拉斯雙變量模型：

基于廣義高斯模型pa(xa)、pb(xb)計算源圖像ia、ib的同層同方向的同坐標高頻子帶系數(shù)之間的互信息mi：

根據(jù)互信息mi、信息熵ha、hb定義匹配度

202-4：聯(lián)合匹配度m和第一、二顯著度設置各高頻子帶系數(shù)的融合權重因本融合處理時為同層同方向的像素級融合，為了簡化描述，將任一子帶系數(shù)坐標在第j層k方向的融合權重簡化描述為wa、wb，其中，a、b為源圖像標識符：

若m＞t1，則且wb＝1-wa；

若t2＜m＜t1，則且wb＝1-wa；

若m＜t2，則且

其中閾值t1,t2可調整，本實施方式取t1＝0.75,t2＝0.25；

203-4：計算各融合高頻子帶系數(shù)得到融合高頻子帶：

步驟3：對融合后的多層分解子帶進行雙樹復小波逆變換得到去噪融合圖像。

綜上，本發(fā)明基于兩個待融源之間建立聯(lián)合概率分布，并由此聯(lián)合概率分布提取出兩個待融源之間的互信息，充分利用了待融合圖像的灰度變化信息以及關聯(lián)信息，很好的度量了兩個待融源之間的相似性；同時提出基于kl散度和信息熵的顯著度度量，能夠充分反映兩待融源在灰度變化和所含信息量之間的差異；在去噪算法與融合的結合方面本發(fā)明實現(xiàn)了融合與去噪的交互結合，本發(fā)明提出利用矩估計的參數(shù)估計方法，將去噪算法中的去噪參量替換融合算法中的矩，使得融合規(guī)則框架下求得的融合參量都是不受噪聲影響的，因此融合規(guī)則具有一定魯棒性；同時將去噪算子與融合權重相結合，精確去除噪聲同時保留了源圖像的細節(jié)信息，進一步提升了融合算法的效果。在統(tǒng)計模型下的小波域去噪算法對于小波相關特性的研究相對成熟，融合算法中融入模型去噪的思路，一方面可以補足小波系數(shù)相關性的利用，另一方面也可以實現(xiàn)精確去噪，將更多的細節(jié)輪廓等信息保留在融合結果里。

以上所述，僅為本發(fā)明的具體實施方式，本說明書中所公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換；所公開的所有特征、或所有方法或過程中的步驟，除了互相排斥的特征和/或步驟以外，均可以任何方式組合。