多傳感器圖像融合(包括高空間分辨率全色圖像與多光譜圖像的融合以及多聚焦圖像的融合等)與圖像去噪(包括圖像中高斯噪聲的去除以及隨機脈沖噪聲的去除等)都是當(dāng)前圖像處理領(lǐng)域的研究熱點�，F(xiàn)有變換域高空間分辨率全色圖像與多光譜圖像的融合方法難以在空間分辨率的提高與光譜信息的保持之間達(dá)到良好的平衡；現(xiàn)有變換域多聚焦圖像融合算法又存在融合規(guī)則對變換系數(shù)的誤選,從而導(dǎo)致融合圖像的清晰度相對于源圖像的聚焦區(qū)域來說存在一定程度的降低；現(xiàn)有的高斯噪聲去除方法在去除圖像中所含高斯噪聲的同時,會導(dǎo)致圖像中邊緣細(xì)節(jié)信息的模糊；現(xiàn)有的隨機脈沖噪聲去除方法在對圖像中的隨機脈沖噪聲進(jìn)行去除時,通常都不能有效恢復(fù)被噪聲污染數(shù)據(jù)所具有的幾何特征,從而導(dǎo)致在去噪圖像中出現(xiàn)鋸齒狀邊緣以及其他類型的失真(如塊狀效應(yīng))。針對圖像融合與去噪中存在的上述問題,本文以一種新的多尺度幾何分析工具——平移不變Shearlet變換(Transaction Invariant Shearlet Transform, TIST)為主線,對其在多傳感器圖像融合領(lǐng)域與圖像去噪處理領(lǐng)域的應(yīng)用進(jìn)行了深入研究。本文的主要工作和創(chuàng)新可以概括為以下幾個方面：(1)針對高空間分辨率全色圖像與多光譜圖像融合中難以在空間分辨率的提高與光譜信息的保持之間達(dá)到良好平衡的問題,提出了一種基于區(qū)域分割與IHS彩色空間域TIST變換的融合算法。該算法將IHS變換與平移不變剪切波變換結(jié)合起來,采用Mean-shift圖像分割方法對高空間分辨率全色圖像進(jìn)行分割,根據(jù)分割所得區(qū)域的方差,將對應(yīng)區(qū)域分為需要進(jìn)行空間細(xì)節(jié)信息增強的區(qū)域以及需要保持光譜特性的區(qū)域,據(jù)此來指導(dǎo)TIST域帶通方向子帶系數(shù)的融合。對于TIST域低頻子帶系數(shù),采用基于局部四階相關(guān)系數(shù)的融合策略；對于帶通方向子帶系數(shù),則采用在區(qū)域的邊界以及需要進(jìn)行空間細(xì)節(jié)信息增強的區(qū)域注入全色圖像帶通方向子帶系數(shù),而在需要保持光譜特性的區(qū)域保留多光譜圖像的帶通方向子帶系數(shù)的融合策略。該融合算法在空間分辨率的提高與光譜信息的保持之間達(dá)到了較好的平衡,融合后的多光譜圖像不僅較好地保持了源多光譜圖像的光譜特性,而且其空間分辨率也得到了有效提高。(2)針對基于多尺度分解的多聚焦圖像融合方法的不足(①常用的多尺度分解與重構(gòu)算法都存在不同程度的誤差,這種誤差的存在會導(dǎo)致源圖像中部分有用信息的丟失；②多尺度變換域內(nèi)圖像內(nèi)容的復(fù)雜性會導(dǎo)致融合規(guī)則對變換系數(shù)的誤選,從而導(dǎo)致融合圖像的清晰度相對源圖像的聚焦區(qū)域來說存在一定程度的降低),提出了一種基于聚焦區(qū)域檢測的平移不變Shearlet變換域(TIST域)多聚焦圖像融合算法。該算法首先通過一種簡單的TIST域多聚焦圖像融合方法得到一幅初始的融合圖像,然后根據(jù)所有源圖像與初始融合圖像像素間的局部相似程度來獲得每一源圖像的聚焦區(qū)域檢測圖,并據(jù)此將該源圖像中的所有像素分成聚焦區(qū)域內(nèi)部、聚焦與離焦區(qū)域之間的過渡以及離焦區(qū)域內(nèi)部,最終據(jù)此來指導(dǎo)TIST域各子帶系數(shù)的融合。該算法能在融合圖像中注入更多源圖像中的有用信息,避免“偽影”等虛假信息的引入,有效提高融合圖像的質(zhì)量,從而得到與所有區(qū)域都清晰的標(biāo)準(zhǔn)參考圖像更為接近的融合圖像。(3)針對圖像中高斯噪聲的去除問題,提出了一種基于TIST域高斯比例混合模型(GSM)的圖像高斯噪聲去除方法。該方法根據(jù)圖像剪切波變換系數(shù)的分布具有非高斯性及重尾性的特點,用高斯比例混合模型作為描述圖像平移不變剪切波系數(shù)在局部鄰域內(nèi)分布規(guī)律的分布模型,通過貝葉斯最小二乘(Bayes Least Squares, BLS)估計對鄰域中心的平移不變剪切波系數(shù)進(jìn)行估計。該算法不僅能有效抑制圖像中的高斯噪聲,而且還能在抑制噪聲的同時,較好地保持圖像中的邊緣、紋理等細(xì)節(jié)信息,有效改善圖像的主客觀效果。(4)針對圖像中隨機脈沖噪聲的檢測與去除問題,通過引入迭代技術(shù)對一種高效隨機脈沖噪聲檢測方法HEIND進(jìn)行了改進(jìn),并在此基礎(chǔ)上提出了一種結(jié)合改進(jìn)高效隨機脈沖噪聲檢測方法與基于Shearlet的圖像修復(fù)方法的隨機脈沖噪聲去除方法。該方法將改進(jìn)高效隨機脈沖噪聲檢測方法檢測所得的噪聲像素所在的位置作為需要進(jìn)行修復(fù)的區(qū)域,利用基于Shearlet的圖像修復(fù)方法對噪聲所在位置的灰度值進(jìn)行修復(fù),從而在有效去除圖像中隨機脈沖噪聲的同時,有效恢復(fù)被噪聲污染數(shù)據(jù)所具有的幾何特征,更好地保護(hù)圖像的邊緣、輪廓等細(xì)節(jié)信息,使去噪后的圖像具有更好的視覺效果。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2015
【中圖分類】：TP391.41
【部分圖文】：

邐（２－６）逡逑［邐Ｌ邋ａ邋２口」Ｌ２幻口」《，邐Ｊ逡逑知的支撐區(qū)間如圖２．１所示。從圖２．１可Ｗ看到，不同尺度下的剪切波在頻逡逑域的支撐區(qū)域為沿著斜率為Ｓ的直線且關(guān)于原點對稱的梯形區(qū)域因此，剪切波逡逑ＶＶ、，是一個尺度、方向及位置參數(shù)分別為ａ，ｓ與ｆ的具有良好局部性的函數(shù)的集逡逑合。隨著尺度參數(shù)。的減小，圖像／的剪切波變換況／，／（ａ，Ｗ；）的漸進(jìn)衰減性不僅能逡逑夠描述圖像中邊緣的位置，而且還可Ｕｉｌ指示出邊緣的方向，剪切波變換具有捕捉逡逑１１逡逑

上述Ｓｈｅａｒｌｅｔ變換中的多尺度剖分（由Ｌａｐｌａｃｉａｎ金字塔分解算法得到）與方逡逑向局部化兩個階段中都存在下采樣操作，下采樣操作雖然使Ｓｈｅａｒｌｅｔ變換系數(shù)的兀逡逑余度較低，但同時也會導(dǎo)致該變換缺乏平移不變性，使得將其用于圖像去噪Ｗ及逡逑融合時會出現(xiàn)振鈴效應(yīng)；同時，多抽樣率理論告訴我們，對濾波后的圖像進(jìn)行隔逡逑行隔列下采樣操作會導(dǎo)致頻譜混疊效應(yīng)的產(chǎn)生，因此，Ｓｈｅａｒｌｅｔ變換中經(jīng)Ｌａｌａｃｉａｎ逡逑

分別分成若干個小的子塊，然后分別計算每一源圖像對應(yīng)位置子塊的清晰度，將逡逑所有源圖像中同一位置清晰度最大的子塊作為融合圖像對應(yīng)位置的子塊而得到融逡逑合圖像，其融合過程參見圖４．１。該算法雖然能較為準(zhǔn)確地選出源圖像中清晰度最逡逑大的子塊，然而，它卻面臨子塊大小和子塊聚焦特性難確定、融合結(jié)果圖像中逡逑會產(chǎn)生＂塊效應(yīng)＂等問題。如果分割所得的子塊過大，就會導(dǎo)致在某些子塊內(nèi)同逡逑時含有源圖像中聚焦區(qū)域內(nèi)像素與離焦區(qū)域內(nèi)像素的問題；如果分割所得的子塊逡逑過小，就不能很好地反映子塊所具有的特征，進(jìn)而造成子塊的誤選；同樣，當(dāng)圖逡逑像塊的聚焦特性難Ｗ確定時，也會造成圖像塊的誤選而在融合圖像中產(chǎn)生＂塊效逡逑應(yīng)＂。近年來，一些學(xué)者針對該類算法的不足提出了一系列改進(jìn)方案，如Ｄｅ邋Ｉ和逡逑Ｃｈａｎｄａ邐提出了一種結(jié)合四叉樹結(jié)構(gòu)和形態(tài)學(xué)聚焦測度的多聚焦圖像融合方逡逑法，利用四叉樹結(jié)構(gòu)來解決基于分塊的圖像融合算法中塊的尺寸大小難Ｗ確定的逡逑問題；Ｗ．邋Ｈｕａｎｇ等提出根據(jù)脈沖z1合神經(jīng)網(wǎng)絡(luò)（ＰＣＮＮ）來識別清晰的圖像子塊來逡逑解決基于分塊的圖像融合算法中子塊聚焦特性難Ｗ確定的問題等，這些改進(jìn)后的逡逑融合算法的融合性能都所提高

【共引文獻(xiàn)】

相關(guān)期刊論文 前3條

1 徐穎;周焰;;SAR圖像相干斑抑制研究進(jìn)展[J];計算機工程與應(yīng)用;2013年20期

2 許志良;鄧承志;;基于非局部自相似的Shearlet自適應(yīng)收縮圖像去噪[J];計算機應(yīng)用;2015年01期

3 吳一全;李立;陶飛翔;;基于Shearlet域各向異性擴散和稀疏表示的圖像去噪[J];應(yīng)用科學(xué)學(xué)報;2014年03期

相關(guān)碩士學(xué)位論文 前1條

1 郭一民;基于非下采樣Shearlet變換的圖像去噪算法研究[D];西安電子科技大學(xué);2013年

本文編號：2834565