图像融合方法图像融合的方法很多，对不同的图像源各种融合方法所取得的效果也各有不同，这里将融合方法分为两大类，基于空域的融合方法和基于频域的融合方法，本章谈论的就是基于空域的融合方法，且主要对其中的基于像素灰度值最大最小方法，基于加权系数融合方法以及主分量分析融合方法进行了讨论。像素灰度取最大最小方法像素灰度去最大方法，其中是参与融合的幅图像是每幅图像在坐标点，处的像素灰度值。像素灰度值取最大的方法基本思想就是参与融合的图像的对应点的像素都取最大值，然后合成新图像，这种融合算法比较简单，融合后的效果也般，且应用场合有限。像素灰度去最小方法，最后变换匹配后的浮动图像该方法的融合原理与上个类似，只是都取最小，同理，该方法的融合效果也般。像素加权系数融合方法该方法的融合原理为，，其中，是每幅图像在坐标点，处的像素灰度值，是对应像素点的权重，且，当参加融合的图像冗余信息较多时，当取得合适的权重时，可以得到更丰富的信息，也可以有效的提高融合图像的信噪比，该方法适合于参与融合的源图像差异不大的情况。在本文的图像处理实验中，是针对于两幅图像的融合，且权值，具体的融合效果将在后续对比中给出。基于主分量分析的融合方法由于计算机只能处理离散的数据，在图像融合中，如果能很好的去除参与融合图像的相关性，将会取得不错的融合效果，和提出了用组不相关系数来表示连续信号的方法，对连续或离散的信号做去相，为的行向量，这里称第主分量。由上面的推倒过程可知，是由个主成分所组成，其对应的特征值分别为，在这里。我们定义为向量，的权重。确定融合权重由，得，其中，第幅图像的权重系数为。实验结果对比左聚焦图像右聚焦图像像素取最大法像素取最小法加权系数法变换，这里称为变换。该方法是对像素矩阵的主成分进行分析和做特征矢量的变换，也称为方法。技术是现代是现代数据分析技术的个主体，它是种降维技术，它做的是种多维正交线性变换，把众多的分量缩减为几个特征分量的方法，它是种能从混乱数据中提取相关数据的方法，且操作简单，被广泛的应用与数据分析中，特别是计算机图像处理。下面我们用方法来确定参与融合图像的权系数在这里，我们记参与融合的图像有幅，且每幅图像的大小都为，，其中为每幅图像的大小，记幅图像的数据源为其中，为第幅图像的灰度系列。记为第幅图像素灰度值的均值，的表达式为的协方差矩阵为由于，故矩阵关于对角线是对称的，它是个对称矩阵。计算协方差的特征值及特征向量，得到变换矩阵。特征方程为其中是单位矩阵，是的特征向量。设方程的解，即特征值为，，并按其从大到小的顺序排列，求出各特征值对应的特征向量，经过归化的单位特征向量，变换式，其推导过程如下像的方差越大，则图像的对比度越高。在图像融合中，方差越大，则图像融合的性能越好图像梯度能量，这种评价方法的计算式为其中图像的梯度能量很好的反映了融合后的图像高频信息的变化程度，在高频能量定的情况下，梯度能量越高则清晰度越高，另方面，梯度可以很好的检测处图像的边缘信息，可以有效的减少图像的重影。特南鲍姆算法特南鲍姆提出的质量评价方法，即方法，它是基于算子得到梯度。其中是阈值，是索贝尔梯度，其表达式为，又可以表示为同能量梯度样，得到的值越大，则反应图像高频信息变化较大，图像融合效果越好。图像的拉普拉斯能量由图像的空间频率边界锐化分析可知，另个质量评价指标是拉普拉斯算子其中图像的拉普拉斯能量很好的反应了融合后的图像边界锐化情况，的值越大，则锐化度越高。改进拉普拉斯能量和由于拉普拉斯算子的二阶导数在和方向可以相互抵消，因此，提出了改进的拉普拉斯算子。的离散逼近的表达式为了适应结构的变化，习惯用的间距来表示像素。是阈值，参数决定了用于计算评价方法的窗口大小。是在的基础上改进的，其值也是反应边界锐化情况。空间频率空间频率是个修改后的图像能量梯度，空间频率的定义是是横向频率是纵向频率反应的是图像行方向上相邻像素间的差异，反应的是列方向上的相邻像素的差异，反应的是图像微小细节和空间总体的活跃程度，值越大，说明融合效果越好。均方根误差被定义为其中和分别是参考图像和合成图像，其像素是。均方根误差表示融合图像和原来标准图像的离散程度，均方根误差越小，说明两者之间的差异越小，融合性能也越好。交互信息和正确百分比也被用来评估聚焦测度的性能，结果与均方根误差是相似的。因此，这里就不介绍了和。小结本章简绍了融合图像的主观和客观评价方法，本文主要针对客观评价方效率高等特点。小波去噪法小波去噪法的基本思想是用个函数逼近的过程，也就是如何通过伸缩平移小波母函数来逼近原始函数，我们找到最好的原始数据逼近组合，就可以把原始数据与噪声数据很好的分开，小波去噪很好的综合了特征提取和低通滤波的功能。小波去噪法可表述如下其中，代表最优解，为原始信号，为噪声信号，为实际信号，为的函数空间映射。图像去噪的个实列如图图经过小波去噪法处理的图像图像增强图像增强是为了提高图像清晰度，突出人们所关注的信息，抑制人们不关注的信息，图像增强法按处理域的不同可分为两类空域法和频域法。空域法不需要对图像进行变换，它包含均值滤波器法中值滤波器法等。频域法需要对图像进行傅里叶变换，增强系数或弱化系数，再将其进行逆变换。高通滤波主要用于图像边缘和纹理的加强，两者共同使用对提高图像清晰度有很好的效果。经过图像增强处理后的图像可以使清晰度提高，但不定逼近原图像。图像配准图像配准就是将不同时间不同传感器成像设备或不同条件下天候照度摄像位置和角度等获取的两幅或多幅图像进行匹配叠加的过程，它已经被广泛地应用于遥感数据分析计算机视觉图像处理等领域。图像配准的处理流程如下图所示浮动图像变换模型变换后的浮动图像相似度检测是否达到最优更新参考图像图图像配准流行图图像配准方法般分为两种种是基于特征值提取法，种是基于互信息的方法。特征提取法就是针对图像中的些特征，如边缘纹理等，但由于图像的特征点般较多，但计算复杂度较高，很难实际应用。基于互信息的图像配准是通过计算图像间的联合密度和概率分布来处理的，其可以看作个寻优过程，当待配准的两幅源图像的共同部位达到最佳配准时，互信息的值也最大，反过来说，就是通过计算互信息的值，当互信息的值达到最大时，图像就达到了最佳配准。但互信息的最大缺点就是对噪声不敏感。展开，简绍了其中几种常用的评价方法。由于图像的类型不同，融合评价效果也各有差异，需视具体情况而定。第三章图像预处理在图像融合之前，必须做的个工作就是图像预处理。由于待融合图像存在噪声，且待融合的图像可能大小不等等诸多情况，所以需要对图像做预处理。本文将图像预处理分为三个步骤图像去噪图像增强图像配准。图像去噪无论是在图像获取传输和处理阶段，都可能引入噪声，噪声有时后严重影响了图像质量，在些对图片质量要求较高的领域，需要对图片进行降噪处理。噪声的分类噪声分为三大类加性噪声乘性噪声量化噪声，加性噪声般由图像获取时引入，乘性噪声般与原始图像的信号有关，量化噪声是在图像量化时引入的，下面给出其表达式加性噪声，乘性噪声其中，原始图像表示图像信号表示噪声。几种常用的图像去噪方法目前有很多的图像去噪方法，且对于不同类型和不同噪声的图像，去噪的效果也各有差异，因此图像去噪也是个值得深入研究的方向，由于本文主要是针对于图像融合，故只对其中几种方法做简要简绍。均值滤波器法均值滤波法适用于图像中颗粒噪声较多时，其工作原理是图像中每个像素点的值都由其邻域内像素点的均值替换。邻域平均法虽然能很好的去除图像中的噪声，但会降低图像的清晰度，使图像模糊。有人提出了几何均值滤波器，它在保留纹理和形状信息方面有所改善。而对于谐波均值滤波器，它在处理高斯噪声时有明显的效果。自适应维纳滤波器法自适应维纳滤波器法最大的特点就是局部方差越小，则滤波器的平滑作用越弱。它是个自动寻优的过程，其最终目的就是使得处理后的图像与源图像的均方根误差，其定义在第二章最小。自适应维纳滤波器法的滤波效果好于均值滤波器法，但时间复杂度较高。中值滤波器法中值滤波器法的基本思想是把图像中点的像素值用邻域内的中值代替，它属于非线性平滑滤波器。因此，中值滤波器法用于消除图像中孤立的噪声点，若图像中些点的像素值与周围差异较大时，用中值滤波器法是非常有效的。它还有很多优势，如不损害图像的纹理和边缘，计算矿产气候环境探测和研究。到年代，这领域扩展到可见光图像处理红外图像处理医学图像处理。近年来，图像融合技术已成为计算机视觉自动控制，机器人目标识别及军事领域。图像融合技术在国外美英德等技术先进的国家取得了定的发展，并且这技术受到高度重视。美国德克萨斯仪器公司利用红外热和微观图像融合，来提高夜视能力美军在海湾战争中用于的吊舱就是种图像融合系统美国还研