先进F-Transform-Based图像融合

文摘

我们建议使用现代技术的F-transform为了表明它可以成功地应用于图像融合。我们提醒两个工作算法(SA-the简单算法,和ca完成算法)是基于F-transform和讨论,如何改善。我们提出一种新的算法(ESA-the增强的简单算法)是常见的缺点的有效时间和自由。

1。介绍

图像处理是现在最有趣的研究领域之一,传统的和新的方法一起应用,带来显著的优势。在这个贡献,我们考虑到图像融合,这是许多图像处理的主题之一。互补的扭曲的多传感器图像融合的目的是整合,多瞬时和/或多视图的场景为一个新的图像包含每个场景的“最好”的部分。因此,在图像融合领域的主要问题是找到无畸变的场景对于每一个给定的像素越少。

当地的重点措施是传统上用于选择一个无畸变的场景。最大化重点措施选择的场景。通常,重点测量是一个图像中高频出现的光谱。这个措施时使用的扭曲与模糊抑制高频率在一个图像。在这种情况下,它是可取的,重点测量随增加模糊。

目前有多种融合方法在使用。方法根据不同的数学领域不同:统计方法(如使用聚合操作符,比如极大极小方法(1]),估计理论2],模糊方法(见[3,4]),优化方法(如神经网络、遗传算法(5]),和多尺度分解方法,将各种变换,例如,离散小波变换(这些方法的分类[6),一个分类的小波图像融合方法可以发现在7),申请和未注册的图像模糊,请参考[8])。

在我们的方法中,我们建议使用F-transform的现代技术,表明它可以成功地应用于图像融合。我们之前尝试在[已报告9- - - - - -12]。的原始动机F-transform(短名称的模糊变换)来自模糊建模(13,14]。类似传统的变换(傅里叶和小波),F-transform执行转换功能集中到一个原始宇宙的宇宙的“骨架模型”(向量F-transform组件),进一步计算更容易。此外,有时,F-transform可以比同行更有效率。F-transform被证明是一个成功的方法与各种应用:图像压缩与重建(15,16,边缘检测17,18),微分方程的数值解19),和时间序列的队伍20.]。

F-transform-based方法提出了图像融合的(11,12]。主要的思想是(至少)两个融合算子的组合,都是基于F-transform。第一个场景的融合算子应用于F-transform组件和基于场景的一个健壮的分区域。第二个融合算子应用于场景的残差对逆F-transforms与融合组件和基于细分区相同的域。尽管这种方法没有明确的基础上重点措施,它使用的融合算子能够选择一个无畸变的场景中使用模糊。在这个贡献,我们分析两种方法的融合中讨论(11,12),提出一种新的方法,可以的加权组合这两个特点。我们表明,•新方法在计算上比完整的融合算法更有效,更好的质量比简单的融合算法,提出了两种(11,12]。

2。F-Transform

进入图像融合的细节之前,我们给一个简短的描述F-transform技术应用在此(我们指13为一个完整的描述)。

一般来说,F-transform是一个线性映射从一组普通连续/离散函数域上一组离散函数(向量)定义的模糊分区。我们假设读者熟悉的概念模糊集的方式(s)表示。在本文中,我们确定模糊集的隶属度函数。在下面给出的解释,我们将谈论F-transform图像的功能这是一个离散的函数两个变量,定义像素的集合和实值的设置。在本文中,我们将总是假设,有相同的意义。

让实线是一个区间,,一个模糊集的模糊分区的数量,节点之间的距离,在那里,,。模糊集建立一个- - - - - -统一的模糊分区如果满足以下要求。(1)对于每一个,如果,在那里,;(2)对于每一个,上是连续的,在那里,;(3)对于每一个,;(4)对于每一个,;(5)对于每一个,是对称的吗。

相应的模糊集的隶属度函数模糊分区被称为基本功能。三角形的基本功能的例子,的时间间隔下面: 让我们的话,(1)形状(例如,三角形或正弦)的基本功能在模糊分区不是预先确定的,可以选择额外的需求,例如,平滑,等等,看13];(2)如果一个基本的形状函数的统一的模糊分区选择,那么基本功能可以唯一确定的号码吗“覆盖”的点,每一个“完整”的基本功能在哪里 (在本例中,我们假设)。

同样,一个统一的模糊区间的分区与基本功能可以定义。模糊分区获得的是模糊集。下面,我们总是假设表示数量的模糊集的模糊分区和,分别。

让和模糊集,,,建立一个模糊分区。(直接)F-transform(对所选分区)是一个映射的图像定义为 在哪里。的值被称为F-transform组成部分和用。的组件可以安排到矩阵表示如下:

的逆F-transform是一个函数由下面的反演公式,: 它可以表明,逆F-transform接近原始的函数在域。证明可以在找到13,14]。

3所示。图像融合的问题

图像融合的目的是集成各种互补图像数据转化为一个新形象与最好的质量。“质量”一词取决于特定的应用程序的要求,通常与人类视觉感知的有用性,计算机视觉,或进一步处理。更正式,如果是一个理想的图像(视为两个变量的函数)和(输入)获得图像,那么每个之间的关系和可以表达的 在哪里是一个未知的算子描述图像退化,是一个加性随机噪声。融合的问题在于找到一个形象,使其接近和最好的选择质量)比。这个问题发生,例如,如果多个照片集中在同一场景的不同对象。

4所示。图像融合的图像分解

让我们解释融合机制的帮助下F-transform。它是基于一个选择图像的分解。我们区分一级和高级分解。我们假设图像是一个离散的真正的函数上定义阵列的像素这。此外,模糊集,,,在那里建立一个模糊分区。

我们从以下的代表在: 在哪里的逆F-transform吗和是各自的第一次差。如果我们更换在(7由其逆F-transform)关于最好的分区,上面的表示可以改写如下: 我们称为(9)的一级分解在。

如果函数是光滑的,那么函数小,一级分解(9为我们的融合算法)是足够的。然而,图像通常包含各种类型的退化,破坏他们的平滑。因此,函数在(9)不是微不足道的,一级分解为我们的目的是不够的。在这种情况下,我们继续分解的第一个区别在(7)。我们分解到它的逆F-transform(对一个更好的模糊分区与和基本功能、职责),第二个区别。因此,我们获得的二级分解在: 以同样的方式,我们可以获得一个更高级的分解在: 在哪里 下面,我们将使用两种分解由(9)和(11)。

5。两种图像融合算法

在[12),我们提出了两种算法:(我)简单的F-transform-based融合算法(SA)和(2)完整的F-transform-based融合算法(CA)。这些算法都是基于分解(9)和(11),分别。

融合算法CA和SA的主要角色是扮演的融合算子 ,定义如下:

5.1。简单F-Transform-Based融合算法

在本节中,我们给出一个“块”的描述SA没有技术细节,可以发现在12),在这里不能重复。我们假设输入的图像与各种类型的退化。我们的目标是在给定的图像和识别未失真的部分融合成一个图像。(我)选择值,这样并创建一个模糊分区由模糊集。(2)分解输入图像成逆F-transforms和误差函数根据一级分解(9)。(3)应用融合算子(13各自的F-transform组件和获得融合F-transform组件的新形象。(iv)融合算子应用到各自的F-transform组件的误差函数,和获得融合F-transform组件新的误差函数。(v)从逆重构融合图像与融合组件F-transforms新的图像和融合组件的新的误差函数。

SA-based融合是非常有效的,如果我们可以猜测值,描述一个适当的模糊分区。通常,这是手动完成的根据用户的技能。依赖模糊分区参数否则会被认为是一个主要的缺点的有效算法。两个建议遵循从我们的经验。(我)对于复杂的图像(很多小细节),更高的值,给出更好的结果。(2)如果一个三角形的基本功能,然后通用的选择,这样的对应值吗等于3(记得吗是一个数量的点,这是由每一个完整的基本功能)。

在本节中,SA算法举例说明在“表”和“城堡”,看到数字2和4在下面。有两个输入图像的“表”(图1)和四个“城堡”(图的图像3)。

5.2。完成F-Transform-Based融合算法

总部融合模糊分区参数不依赖于一个选择(SA)的情况,因为它贯穿一系列增加价值。CA的描述相似的SA除了重复循环的步骤4。因此,融合的质量很高,但CA的实现相当缓慢和内存消耗,尤其是对大图像。有关说明,请参见数据5和6。

5.3。融合的文物

在本节中,我们描述输入图像,它是合理的应用SA或CA。通过这样做,我们将限制输入可接受的SA和CA算法。首先,输入图像应采取不转移或旋转。其次,模糊的部分输入图像不应该包含许多小细节像树叶在树上,等等。如果是这样,那么融合了SA或CA可以离开“文物”,像“幽灵”或“湖泊”,参见下面的解释,我们假设有两个输入图像融合。(我)鬼魂:当一把锋利的边缘nondamaged输入图像是另一个明显模糊。由于SA或CA,边缘完全重建,但其邻近区域边缘的影响(见图7)。(2)湖泊:这可能发生在这两种情况下融合时执行的SA或CA。在SA的情况下,一个“湖”是选择邻近地区的结果显著不同的颜色不同的输入图像。在SA)的情况下,一个“湖”是四舍五入的数字(参见图的结果8)。

6。改善F-Transform融合

这种贡献的主要目的是创建一个方法将尽快SA和CA一样有效。以下特定的目标应该是实现。(我)避免贯穿长序列可能的分区(CA)的情况下。(2)自动调节参数的融合算法根据级别的模糊和模糊区域的位置输入图像。(3)消除情况会导致“鬼魂”和“湖泊”融合图像。

6.1。建议的解决方案

改善F-transform融合的主要思想是提高SA通过添加另一个运行的F-transform第一差异(7)。我们的解释如下:第一次运行F-transform的目的是在每个输入图像的边缘检测,而第二个运行传播只锐利的边缘(和他们的地方)的融合图像。简单的非正式描述增强算法(ESA)中给出了算法1。

虽然算法ESA写对于输入图像灰度,有一个简单的方法如何扩展到彩色图像RGB或YUV模型来表示。我们的测试对他们两人进行。在RGB的情况下,各自的R, G, B或渠道是独立进行处理,然后结合。YUV在第二种情况下,y积分模型被用来实现权重(这部分包含最相关的信息图像强度),而u分离和部分第五处理获得的权重。

让我们评论ESA-fused图像(一般)比SA或CA。它可以直观地看到所选的数据9和10。ESA的主要优点如下。(我)时间:执行时间小于在CA(在上面的示例如下:111年与11日(“表”),18和359(“城堡”)。ESA融合的质量比SA。运行时间和内存消耗的例子展示在表1(注意,内存消耗极大地取决于内存管理实现的环境。)(2)鬼魂:鬼魂效应降低。“鬼”效应(见塔周围的屋顶在图像周围的“城堡”,按钮和图像中的时钟“表”),可以看出图中移除11。(3)湖泊:湖泊效应消除。“湖泊”几乎消除了从数据可以看出8,9,12。

6.2。比较三种算法

在本节中,我们表明,一般而言,欧洲航天局融合有更好的执行参数比SA和CA融合。我们尝试了很多图片,由于空间限制不能提出了。例外是为一个图像与几何图形来展示“球”的融合方法重建的边缘。在图13,两个输入图像的“球”,并在图14,三个相同的融合图像。

在表1,我们证明的复杂性(以执行时间或使用内存)新提出的ESA融合大于SA的复杂性和不到CA的复杂性。

在表2,我们表明,融合的质量(测量值的均方误差和PSNR)新提出的ESA融合(MSE值小)比SA的质量,在某些情况下(“球”)的图像比CA的质量。表2不包含的值MSE和PSNR的形象”,“因为(碰巧在现实中)没有原始(nondistorted)图像处理。

7所示。结论

在本文中,我们继续我们的研究开始于(9- - - - - -12在有效的融合算法。我们提出的改进方法F-transform-based融合是免费的从以下缺陷:长时间运行的时间,依赖初始参数描述适当的模糊分区,融合的文物,像“幽灵”或“湖泊”。

确认

这项工作涉及到美国海军授予n62909 - 12 - 1 - 7039海军研究办公室发布的全球。美国政府有一个免版税许可证在文中提供的所有版权物在世界各地。额外的支持也给了SGS12 /脉冲重复频率/ 2012(图像处理和文物检测使用软计算)。

引用

1. r·s·布卢姆,”鲁棒图像融合使用统计信号处理方法,”信息融合》第六卷,没有。2、119 - 128年,2005页。视图:出版商的网站|谷歌学术搜索
2. a . Loza d牛:Canagarajah, a . Achim“非高斯噪声图像的基于模型的融合小波域,“计算机视觉和图像理解,卷114,不。1,54 - 65年,2010页。视图:出版商的网站|谷歌学术搜索
3. h·辛格,j . Raj Kaur g, t . Meitzler“使用模糊逻辑与应用图像融合,”《IEEE国际会议上模糊系统,1卷,第340 - 337页,2004年7月。视图:谷歌学术搜索
4. r .野生动物,h·辛格,t . Meitzler g . r .台北“迭代图像融合技术使用模糊和神经模糊逻辑应用程序,”《北美模糊信息处理学会年会(NAFIPS ' 05)2005年6月,页706 - 710。视图:出版商的网站|谷歌学术搜索
5. 答:泰姬,a·马吉德,a .泰姬,“图像融合遗传算法及其应用,”学报》第四届IEEE国际会议于2008年新兴技术(ICET ' 08)2008年10月,页6 - 10,。视图:出版商的网站|谷歌学术搜索
6. g . Piella”一般的多分辨率图像融合框架:从像素区域,”信息融合,4卷,不。4、259 - 280年,2003页。视图:出版商的网站|谷歌学术搜索
7. k . Amolins y张,p .敢“基于小波的图像融合techniques-an介绍,回顾和比较,”ISPRS《摄影测量与遥感,卷62,不。4、249 - 263年,2007页。视图:出版商的网站|谷歌学术搜索
8. f .Šroubek和j .流感“模糊图像,融合”多传感器图像融合及其应用、刘z和r·布卢姆Eds。,Signal Processing and Communications Series, CRC Press, San Francisco, Calif, USA, 2005.视图:谷歌学术搜索
9. m . Dankova和r . Valašek“完全模糊变换和图像融合的问题,“《电气工程,没有。12日,第84 - 82页,2006年。视图:谷歌学术搜索
10. i Perfilieva和m . Dańkova”模糊变换,图像融合的基础上”学报》第八届国际弗兰计算智能会议决定和控制,第476 - 471页,马德里,西班牙,2008年9月。视图:谷歌学术搜索
11. Perfilieva, m . Daňkova p Hod 'akova和m . Vajgl”图像融合算法,使用F-transform”国际会议程序的软计算和模式识别(SoCPaR 10)2010年12月,页472 - 477。视图:出版商的网站|谷歌学术搜索
12. p . Hodakova Perfilieva, m . Daňkova和m . Vajgl“F-transform图像融合为基础,”图像融合,艾德。o . Ukimura pp, 3-22 InTech,里耶卡,克罗地亚,2011。视图:谷歌学术搜索
13. 即Perfilieva”模糊变换:理论和应用程序”,模糊集和系统,卷157,不。8,993 - 1023年,2006页。视图:出版商的网站|谷歌学术搜索
14. 即Perfilieva“模糊变换:挑战传统的变换,“先进的成像和电子物理卷,147年,第196 - 137页,2007年。视图:出版商的网站|谷歌学术搜索
15. Perfilieva,诉Pavliska、m . Vajgl和b . De Baets“先进的模糊变换,图像压缩的基础上”学报》第12届国际会议信息处理和管理的不确定性知识系统(IPMU 08年)马拉加,页1167 - 1174年,西班牙,2008年。视图:谷歌学术搜索
16. f . Di马蒂诺,诉Loia Perfilieva,和美国Sessa,”一个图像基于直接编码/解码方法和逆模糊变换,“国际期刊的近似推理,48卷,不。1,第131 - 110页,2008。视图:出版商的网站|谷歌学术搜索
17. Perfiljeva, m . Daňkova p Hodakova, m . Vajgl“使用F-transform边缘检测,”学报》第11届国际会议上智能系统设计和应用程序(ISDA的11)科尔多瓦,页672 - 677年,西班牙,2011年。视图:谷歌学术搜索
18. Perfiljeva, p . Hodakova, p . Hurtik。”$F^1$变换边缘检测器的灵感来自精明的算法”通信在计算机和信息科学。计算智能的进步施普林格,页230 - 239年,德国海德堡2012。视图:谷歌学术搜索
19. m .Štĕpnička和m . r . Valašek”的偏微分方程数值解模糊变换,帮助”学报2005年IEEE国际会议上模糊系统(FUZZ-IEEE 05)雷诺,页1153 - 1162年,内华达州,美国,2005年。视图:谷歌学术搜索
20. 诺瓦克Perfilieva,诉诉Pavliska, a . Dvořak和m .Štĕpnička”使用模糊变换,时间序列的分析和预测”程序的国际联合会议上神经网络(WCCi 08年),页3875 - 3879,香港,香港。视图:谷歌学术搜索

版权

版权©2012 Marek Vajgl等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。