基于形态非抽样小波的实时图像融合方法

doi:10.3724/SP.J.1087.2012.02809

计算机应用 ›› 2012, Vol. 32 ›› Issue (10): 2809-2813.DOI: 10.3724/SP.J.1087.2012.02809

基于形态非抽样小波的实时图像融合方法

邓苗¹,张基宏¹,²,柳伟²,³,梁永生¹,²

1. 深圳大学信息工程学院,广东深圳 518060
2. 深圳信息职业技术学院可视媒体处理与传输深圳市重点实验室,广东深圳 518029
3. 广东深圳信息职业技术学院

收稿日期:2012-04-10 修回日期:2012-05-15 发布日期:2012-10-23 出版日期:2012-10-01
通讯作者: 邓苗
作者简介:邓苗(1983-),男,湖南邵阳人,博士研究生,CCF会员,主要研究方向：智能信息处理、图像融合；张基宏(1964-),男,江苏海安人,教授,博士生导师,主要研究方向：图像处理与传输；柳伟(1973-),男,湖南长沙人, 教授,博士, CCF会员,主要研究方向：信号处理、模式识别；梁永生(1971-),男,黑龙江人,教授,博士,CCF会员,主要研究方向：计算机网络与数据通信、信号处理、模式识别。
基金资助:
国家自然科学基金资助项目;广东省自然科学基金资助项目

Real-time image fusion based on morphological un-decimated wavelets

DENG Miao¹,ZHANG Ji-hong¹,²,LIU Wei²,³,LIANG Yong-sheng¹,⁴

1. College of Information Engineering, Shenzhen University, Shenzhen Guangdong 518060, China
2. Shenzhen Key Laboratory of Visual Media Processing and Transmission Shenzhen, Institute of Information Technology,  Shenzhen Guangdong 518029, China
3.
4. Shenzhen Key Laboratory of Visual Media Processing and Transmission Shenzhen, Institute of Information Technology, Shenzhen Guangdong 518029, China

Received:2012-04-10 Revised:2012-05-15 Online:2012-10-23 Published:2012-10-01
Contact: DENG Miao

摘要/Abstract

摘要： 提出一种适合实时图像融合的形态非抽样小波(MUDW)变换,该变换采用膨胀和腐蚀操作的平均值作为分解过程中的分析算子,以相邻尺度图像之间的差作为细节图像,使尺度刻画更精细,细节描述更准确；采用随尺度增加而大小递增的结构元素,使尺度间差异更大,应用于图像融合可得到更好的图像融合效果。相比现有的实时图像融合方法,因为膨胀和腐蚀操作的便捷性,所以具有更高的实时性。通过实验证明了该方法具有良好的多尺度分解特性,取得了更好的融合效果；进一步在重构时设立增强因子能显著增强融合图像的效果。因此,在实时图像融合上具有较强的应用价值。

关键词: 形态小波, 图像融合, 非抽样, 多尺度, 实时性

Abstract: An efficient Morphological Un-Decimated Wavelet (MUDW) transform with more delicate and accurate multi-scale decomposition performance that suites real-time image fusion was proposed. It took the average of dilation and erosion as the analysis operator, and the difference of adjacent scale images as the detail image. Size-increasing structure elements were adopted to get better fusion result. Due to the simplicity of dilation and erosion operator, computation time is shorter than other real-time algorithms. Furthermore, a factor was added during reconstruction, to obtain an obvious enhancement effect. The experimental results show that the new method outperforms other real-time algorithms.

Key words: morphological wavelet, image fusion, un-decimated, multi-scale, real-time

中图分类号:

TP 391

邓苗张基宏柳伟梁永生. 基于形态非抽样小波的实时图像融合方法[J]. 计算机应用, 2012, 32(10): 2809-2813.

DENG Miao ZHANG Ji-hong LIU Wei LIANG Yong-sheng. Real-time image fusion based on morphological un-decimated wavelets[J]. Journal of Computer Applications, 2012, 32(10): 2809-2813.

参考文献

［1］许廷发, 秦庆旺, 倪国强. 基于DM642融合系统的Atrous小波实时图像融合算法［J］. 光学精密工程, 2008, 16(10):2045-2050. ［2］蒋怡亮. 基于FPGA的实时图像融合设计［J］. 指挥信息系统与技术, 2010, 1(5): 48-51. ［3］ CHIBANI Y, HOUACINE A. On the use of the redundant wavelet transform for multisensor image fusion［C］// The 7th IEEE International Conference on Electronics, Circuits and Systems. Jounith: IEEE, 2000:442-445. ［4］ HEIJMANS H J A M, GOUTSIAS J. Nonlinear multi-resolution signal decomposition schemes — partⅡ: Morphological wavelets［J］. IEEE Transactions on Image Processing, 2000, 9(11):1897-1913. ［5］ DE I, CHANDA B. A simple and efficient algorithm for multifocus image fusion using morphological wavelets［J］. Signal Processing, 2006, 86(5):924-936. ［6］ LIN P L, HUANG P Y. Fusion methods based on dynamic-segmented morphological wavelet or cut and paste for multifocus images［J］. Signal Processing, 2008, 88(6):1511-1527. ［7］赵鹏, 王霓虹, 浦昭邦. 基于形态小波分解金字塔的图像融合［J］. 光电子·激光, 2008,19(6): 814-817. ［8］章立军, 阳建宏, 徐金梧,等. 形态非抽样小波及其在冲击信号特征提取中的应用［J］. 振动与冲击, 2007, 26(10):56-59, 85. ［9］ ZHANG J F, SMITH J S, WU Q H. Morphological undecimated wavelet decomposition for fault location on power transmission lines［J］． IEEE Transactions on Circuits and Systems, 2006, 53(6):1395-1402. ［10］ ZHANG W B, SHEN L, LI J S, et al.Morphological undecimated wavelet decomposition for fault feature extraction of rolling element bearing［C］// CISP09: Proceedings of 2nd International Congress on Image and Signal Processing. [S.l.]:IEEE, 2009:1-5. ［11］林勇, 杨友东, 刘健. 形态非抽样小波在主减速器振动特征提取中的应用［J］. 农业机械学报, 2010, 41(3):209-214. ［12］ de CUNHA A L, ZHOU JIANPING, Do MINH N. The non-subsampled contourlet transform: Theory, design, and applications［J］. IEEE Transactions on Image Processing, 2006, 15(10):3089-3101. ［13］敬忠良, 肖刚, 李振华. 图像融合-理论与应用［M］. 北京：高等教育出版社,2007. ［14］ XYDEAS C S, PETROVIC V. Objective image fusion performance measure［J］. Electronics Letters,2000,36(4):308-309.

[1]	刘晓光, 靳少康, 韦子辉, 梁铁, 王洪瑞, 刘秀玲. 基于阈值和极端随机树的实时跌倒检测方法[J]. 计算机应用, 2021, 41(9): 2761-2766.
[2]	张林发, 张榆锋, 王琨, 李支尧. 基于直觉模糊集和亮度增强的医学图像融合[J]. 计算机应用, 2021, 41(7): 2082-2091.
[3]	牛康力, 谌雨章, 沈君凤, 曾张帆, 潘永才, 王绎冲. 基于深度学习的双通道夜视图像复原方法[J]. 计算机应用, 2021, 41(6): 1775-1784.
[4]	曹建芳, 田晓东, 贾一鸣, 闫敏敏. 改进DeepLabV3+模型在壁画分割中的应用[J]. 计算机应用, 2021, 41(5): 1471-1476.
[5]	吴蕾, 杨晓敏. 改进的基于通道注意力反馈网络的遥感图像融合算法[J]. 计算机应用, 2021, 41(4): 1172-1178.
[6]	蒋丽, 黄仕建, 严文娟. 基于低秩行为信息和多尺度卷积神经网络的人体行为识别方法[J]. 计算机应用, 2021, 41(3): 721-726.
[7]	杜培德, 严华. 基于多尺度空间注意力特征融合的人群计数网络[J]. 计算机应用, 2021, 41(2): 537-543.
[8]	黄思远, 张敏情, 柯彦, 毕新亮. 基于显著性检测的图像隐写分析方法[J]. 计算机应用, 2021, 41(2): 441-448.
[9]	韩建栋, 李晓宇. 基于多尺度特征融合的行人重识别方法[J]. 计算机应用, 2021, 41(10): 2991-2996.
[10]	成亚玲, 柏智, 谭爱平. 基于引导滤波和差分图像的多聚焦图像融合方法[J]. 计算机应用, 2021, 41(1): 220-224.
[11]	肖勇, 郑楷洪, 郑镇境, 钱斌, 李森, 马千里. 基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测[J]. 计算机应用, 2021, 41(1): 231-236.
[12]	温静, 宋建伟. 基于多级全局信息传递模型的视觉显著性检测[J]. 计算机应用, 2021, 41(1): 208-214.
[13]	张永宏, 刘昊, 田伟, 王剑庚. 基于DeepLab v3的西藏地区降雨云团分割方法[J]. 计算机应用, 2020, 40(9): 2781-2788.
[14]	高智勇, 黄金镇, 杜程刚. 基于特征金字塔网络的肺结节检测[J]. 计算机应用, 2020, 40(9): 2571-2576.
[15]	李卫中. 基于场景局部特征的多曝光图像融合[J]. 计算机应用, 2020, 40(8): 2365-2371.

基于形态非抽样小波的实时图像融合方法

Real-time image fusion based on morphological un-decimated wavelets

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics