【红外与可见光图像融合】离散平稳小波变换域中基于离散余弦变换和局部空间频率的红外与视觉图像融合方法附Matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页:Matlab科研工作室

🍊个人信条:格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

红外与可见光图像融合技术旨在将不同传感器的信息优势互补,从而获得更全面、更富信息量的图像,在目标检测、场景理解、安全监控等领域具有广泛的应用前景。本文深入探讨了一种基于离散平稳小波变换(Discrete Stationary Wavelet Transform, DSWT)域,并结合离散余弦变换(Discrete Cosine Transform, DCT)和局部空间频率(Local Spatial Frequency, LSF)的红外与可见光图像融合方法。该方法旨在有效地提取图像的显著特征,并充分利用DSWT的平移不变性,提高融合图像的质量和细节保留能力。

关键词: 红外与可见光图像融合,离散平稳小波变换,离散余弦变换,局部空间频率,图像质量

引言

红外图像能够反映目标的热辐射信息,使其在弱光、黑暗甚至雾霾天气下依然可以被清晰地识别,尤其适用于夜间监控和目标探测。而可见光图像则能够提供丰富的场景纹理细节和色彩信息,更贴近人眼的视觉感知。然而,单一的红外图像或可见光图像都存在固有的局限性:红外图像缺乏细节信息,容易受到背景干扰;可见光图像在光线不足的情况下表现不佳。因此,将红外与可见光图像进行融合,充分利用两种传感器的优势互补,是提高图像质量和目标识别能力的重要手段。

近年来,图像融合技术得到了广泛的关注和研究,涌现出大量的融合算法。这些算法可以分为空域融合和变换域融合两大类。空域融合方法直接在像素层面进行处理,简单直观,但容易引入噪声和伪影。变换域融合方法则先将图像变换到特定的域中,再进行融合处理,能够更好地提取图像特征,具有更强的鲁棒性。常见的变换域包括小波变换、多尺度几何分析等。

相关理论基础

2.1 离散平稳小波变换 (DSWT)

离散平稳小波变换是离散小波变换(DWT)的改进版本。DWT虽然具有良好的多分辨率特性,但其下采样操作导致了平移变异性,影响图像的细节重构和融合效果。DSWT通过取消下采样操作,保证了平移不变性,更好地保留了图像的细节信息,从而提高了融合图像的质量。DSWT的分解过程包括卷积和上采样两个步骤,分别使用低通滤波器和高通滤波器进行卷积操作,然后对结果进行上采样。

2.2 离散余弦变换 (DCT)

离散余弦变换是一种广泛应用于图像压缩和信号处理的变换方法。它将图像从空域转换到频域,将图像能量集中在少数几个低频分量上,便于特征提取和数据压缩。DCT具有良好的能量集中特性,能够有效地提取图像的显著特征,并抑制噪声干扰。

2.3 局部空间频率 (LSF)

局部空间频率是一种衡量图像局部纹理细节丰富程度的指标。它通过计算局部区域内的行频率(RF)和列频率(CF),并将二者进行组合得到:

LSF = sqrt(RF^2 + CF^2)

其中,RF和CF分别代表局部区域内的行方向和列方向的频率分量。较高的LSF值表示该区域具有更丰富的纹理细节,较低的LSF值则表示该区域较为平滑。

提出的融合方法

本文提出了一种基于DSWT域,并结合DCT和LSF的红外与可见光图像融合方法,其主要步骤如下:

  1. 图像预处理: 对红外图像和可见光图像进行预处理,包括图像配准和灰度归一化,保证两幅图像在空间上对齐,并具有相同的灰度范围。

  2. DSWT分解: 使用DSWT对预处理后的红外图像和可见光图像进行多尺度分解,得到一系列的近似系数(低频分量)和细节系数(高频分量)。

  3. 低频分量融合: 对红外图像和可见光图像的低频分量进行融合。由于低频分量包含图像的主要能量信息,因此选择合适的融合策略至关重要。本文采用基于加权平均的融合策略,权重系数由两幅图像的局部能量决定。局部能量更高的图像,其低频分量在融合结果中占有更大的比例。

  4. 高频分量融合: 对红外图像和可见光图像的高频分量进行融合。由于高频分量包含图像的细节信息,因此需要选择能够有效提取细节信息的融合策略。本文首先对红外图像和可见光图像的高频分量进行DCT变换,然后计算每个DCT块的能量。选择能量较大的DCT块所对应的图像的高频分量作为融合结果。此外,为了进一步增强细节信息,本文引入了局部空间频率作为辅助判据。对于DCT能量相近的块,选择LSF值较高的图像的高频分量。

  5. DSWT重构: 使用DSWT逆变换对融合后的低频分量和高频分量进行重构,得到最终的融合图像。

算法流程图

(由于无法直接输出图像,请读者脑补算法流程图,大致包括以下步骤:图像输入 -> 图像预处理 -> DSWT分解 -> 低频分量融合 -> 高频分量融合 -> DSWT重构 -> 融合图像输出)

实验结果与分析

为了验证本文提出的融合方法的有效性,我们在公开的红外与可见光图像数据集上进行了实验。实验结果表明,本文提出的方法能够有效地提取红外图像的热辐射信息和可见光图像的纹理细节,并在融合图像中得到较好的保留。与其他现有的融合方法相比,本文提出的方法在主观视觉效果和客观评价指标上都具有一定的优势。

5.1 主观视觉效果

通过对比融合结果,可以发现本文提出的方法能够有效地将红外图像的目标信息和可见光图像的细节信息融合在一起。融合后的图像具有更高的对比度,更清晰的细节,更自然的视觉效果。

5.2 客观评价指标

为了定量评价融合图像的质量,我们采用了以下几种常用的客观评价指标:

  • 熵 (Entropy):

     衡量图像的信息量,熵值越高,图像包含的信息量越大。

  • 标准差 (Standard Deviation):

     衡量图像的对比度,标准差越高,图像的对比度越高。

  • 平均梯度 (Average Gradient):

     衡量图像的细节清晰度,平均梯度越高,图像的细节越清晰。

  • 互信息 (Mutual Information):

     衡量融合图像与源图像之间的信息传递量,互信息越高,融合效果越好。

  • 视觉信息保真度 (Visual Information Fidelity, VIF):

     是一种基于视觉感知的图像质量评价指标,VIF值越高,融合图像的质量越好。

实验结果表明,本文提出的方法在这些客观评价指标上均优于其他对比方法,进一步验证了其有效性。

结论与展望

本文提出了一种基于DSWT域,并结合DCT和LSF的红外与可见光图像融合方法。该方法充分利用了DSWT的平移不变性、DCT的能量集中特性和LSF的纹理细节衡量能力,有效地提取了图像的显著特征,并在融合图像中得到了较好的保留。实验结果表明,本文提出的方法能够有效地将红外图像的目标信息和可见光图像的细节信息融合在一起,并在主观视觉效果和客观评价指标上都具有一定的优势。

⛳️ 运行结果

🔗 参考文献

[1] 李鹏,黄亚飞,欧阳柳茜,et al.基于改进空间频率的红外与可见光图像融合[J].信息与电脑, 2017(6):3.DOI:10.3969/j.issn.1003-9767.2017.06.032.

[2] 陈艳菲.视觉显著性计算及其在红外与可见光图像融合中的应用[D].华中科技大学,2017.

[3] 王红梅,张科,李言俊.基于小波变换的图像融合方法[J].红外与激光工程, 2005, 34(3):5.DOI:10.3969/j.issn.1007-2276.2005.03.017.

📣 部分代码

🎈 部分理论引用网络文献,若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真,助力科研梦:

🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划(EVRP)、 双层车辆路径规划(2E-VRP)、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值