基于亚像素区域加权能量特征的多尺度图像融合算法解读.docx

基于亚像素区域加权能量特征的多尺度图像融合算法解读.docx

《基于亚像素区域加权能量特征的多尺度图像融合算法解读.docx》由会员分享，可在线阅读，更多相关《基于亚像素区域加权能量特征的多尺度图像融合算法解读.docx（20页珍藏版）》请在冰豆网上搜索。

基于亚像素区域加权能量特征的多尺度图像融合算法解读

第２９卷第ｌｏ期

光学学报

Ｖ０１．２９，Ｎｏ．１０Ｏｃｔｏｂｅｒ，２００９

２００９年１０月

ＡＣＴＡ０ＰＴＩＣＡＳＩＮＩＣＡ

文章编号：

０２５３—２２３９（２００９）１０—２７３２—０６

基于亚像素区域加权能量特征的多尺度

图像融合算法

柴

勇

何友

曲长文

（海军航空工程学院信息融合技术研究所。

山东烟台２６４００１）

摘要对矩形和圆形区域中各像素进行亚像素划分．确定各亚像素的权值，得到基于哑像素的综合加权区域能量。

融合箅法首先对源图像进行金字塔分解，然后对金字塔的高频细节分量使用基于哑像素加权区域能量特征的融合规则取大，对低频粗糙分量取平均。

得到融合图像的塔形分解，最后重构融合图像。

仿真结果表明，新算法融合效果较常规的区域能量特征作为融合规则的多分辨率图像融合算法效果更好，从清晰度和熵的评价来看，提高了融合图像的品质。

关键词

图像处理；图像融合；亚像素；区域能量；多尺度

文献标识码Ａ

ｄｏｉ：

１０．３７８８／Ａ０￥２００９２９ｌＯ．２７３２

中图分类号ＴＰ３９１．４

ＭｕｌｔｉｓｃａｌｅＩｍａｇｅＦｕｓｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄ

ｏｎ

Ｓｕｂｐｉｘｅｌ

Ｗｅｉｇｈｔｅｄ

ＣｈａｉＹｏｎｇ

（ＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ

ＲｅｇｉｏｎＥｎｅｒｇｙ

ＱｕＣｈａｎｇｗｅｎ

ＨｅＹｏｕ

ｏｆＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎ，ＮａｖａｌＡｅｒｏｎａｕｔｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＩｎｓｔｉｔｕｔｅ。

Ｙａｎｔａｉ，Ｓｈａｎｄｏｎｇ２６４００１。

Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ

Ｄｉｖｉｄｉｎｇｐｉｘｅｌｓｉｎｒｅｃｔａｎｇｕｌａｒａｎｄｃｉｒｃｕｌａｒｒｅｇｉｏｎｓｉｎｔｏｓｕｂｐｉｘｅｌｓａｎｄｄｅｔｅｒｍｉｎｉｎｇｗｅｉｇｈｔｏｆｅａｃｈｓｕｂｐｉｘｅｌ

ｓｏｕｒｃｅ

ｔｈｅｃｏｍｐｏｓｉｔｅｗｅｉｇｈｔｅｄｒｅｇｉｏｎｅｎｅｒｇｙｏｆｅａｃｈｐｉｘｅｌｉｓｏｂｔａｉｎｅｄｉｎｔｈｅｒｅｇｉｏｎ．Ｔｈｅｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎｒｅｐｒｅｓｅｎｔａｔｉｏｎｃｏｍｐｏｎｅｎｔｓｂａｓｅｄｐｒｏｐｏｓｅｄｍｅｔｈｏｄ

ｏｎ

ｉｍａｇｅｓ

ａｒｅ

ｄｅｃｏｍｐｏｓｅｄｉｎｔｏ

ｔｈｅｄｅｔａｉｌｔｈａｔｔｈｅｒｅｇｉｏｎ

ｆｉｒｓｔｌｙ．Ｔｈｅｎ

ｗｅ

ｓｅｌｅｃｔａｖｅｒａｇｅｏｆｔｈｅ

ａｓ

ｃｏａｒｓｅ

ｐａｒｔｓａｎｄｍａｘｉｍａｌｐａｒｔｓｏｆ

ｔｈｅｎｅｗｗｅｉｇｈｔｅｄｒｅｇｉｏｎｅｎｅｒｇｙ

ｆｕｓｉｏｎ

ｅｆｆｅｃｔｓｔｈａｎ

ｔｈｅｆｕｓｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗ

ｉｍａｇｅｆｕｓｉｏｎ

ｓｃｈｅｍｅｓｂａｓｅｄ

ｏｎ

ｈａｓｂｅｔｔｅｒ

ｔｒａｄｉｔｉｏｎａｌｔｈｅｔｒａｄｉｔｉｏｎａｌ

ｅｎｅｒｇｙ．Ｆｒｏｍｔｈｅｅｖａｌｕａｔｉｏｎｏｆｉｍａｇｅｄｅｆｉｎｉｔｉｏｎａｎｄｅｎｔｒｏｐｙ．ｔｈｉｓｍｅｔｈｏｄｉｍｐｒｏｖｅｓｔｈｅｑｕａｌｉｔｙｏｆｔｈｅｆｕｓｉｏｎｉｍａｇｅ．Ｋｅｙｗｏｒｄｓ

ｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ；ｉｍａｇｅｆｕｓｉｏｎ，ｓｕｂｐｉｘｅｌ；ｒｅｇｉｏｎｅｎｅｒｇｙ；ｍｕｌｔｉｓｃａｌｅ

１

引言

度和町靠性ｒ１］。

根据融合所处的不同阶段和方式，图像融合处理通常可在三个不同层次上进行：

像素级图像融合、特征级图像融合和决策级图像融合。

像素级图像融合方法主要有简单加权法、ＩＨＳ

（ｉｎｔｅｎｓｉｔｙｈｕｅ

图像融合是通过一定的技术手段，综合两幅或多幅来自不同传感器图像的信息以及其它信息，以获得对同一场景更精确、更全面和更可靠的描述。

它不是简单的叠加。

而是产生蕴含更多有价值信息的合成图像，消除多传感器信息之间町能存在的冗余和矛盾，优势互补，降低信息不确定性，减小模糊度，增强图像中信息的透明度，改善图像解译的精确

收稿日期：

２００８—１０—０８；收到修改稿日期：

２００９一０１—０８

ｓａｔｕｒａｔｉｏｎ）、主成份分析（ＰＣＡ）和多

尺度分析（包括金字塔分解和各种小波）等方法，其中尤以多尺度分析算法应用最为广泛。

这主要是由多尺度分析在图像时频处理方面的优越性带来的。

基金项目：

国家自然科学基金（６０６７２１４０）和教育部新世纪优秀人才支持计划（ＮＣＥＴ一０５—０９１２）资助课题。

作者简介：

柴

勇（１９７９一），男，工程师．博ｔ研究生．主要从事图像融合和信息处理等方面的研究。

Ｅ－ｍａｉｌ：

ｃｈｙｓｄｄ＠ｌ６３．ｃｏｒｎ

导师简介：

何友（１９５６一），男．教授。

博上生导师，主要从事多传感器信息融合和多目标跟踪等方面的研究。

万方数据

１０期柴勇等：

基于亚像素区域加权能量特征的多尺度图像融合算法

在图像中，轮廓往往包含更多的信息，通常也是我们关注的重点。

基于区域能量特征的融合规则是多尺度图像融合算法中最常用的融合规则，轮廓是图像中像素突变的区域，多尺度分解的高频细节分量最能表现图像的轮廓区域。

通常，采用区域能量特征时，区域中各点权值相等，然而在采用这种区域能鼍特征时，高频分量中轮廓和非轮廓区域的融合将受到高频噪声的影响，容易造成融合图像轮廓区域与非轮廓区域之间产生轻度模糊。

权值的确定是区域加权能量特征的关键，然而，权值的确定依赖于经验，较粗糙Ｌ２’３］。

亚像素技术通常能得到更高的精度［１］，因此常被用于高精度算法（如图像配准Ｈ．５］等）中。

本文提出一种基于亚像素技术的区域加权能量特征来进行加权，以便消除轮廓区域与非轮廓区域之间的模糊。

论文依据图像的点散射函数模型［６］，在亚象素域得到更加合理的权值确定方法，该方法不依赖于经验，精度高。

２多分辨率图像融合

Ｃｏｎｔｏｕｒｌｅｔ图像融合算法

多分辨率图像融合方法主要包括金字塔变换［７］

（如Ｌａｐｌａｃｉａｎ金字塔、低通比率金字塔和梯度金字塔等）、小波变换［８．９］、ａｔｒｏｕｓ小波变换［１０］和多尺度几何分析（ＭＧＡ）（如Ｒｉｄｇｌｅｔ［１１１，Ｃｕｒｖｌｅｔ，

Ｂａｎｄｅｌｅｔ，Ｂｒｕｓｈｌｅｔ和ＣｏｎｔｏｕｒｌｅｔＥ垤“３１）。

Ｃｏｎｔｏｕｒｌｅｔ

是由Ｄｏ等于２００２年提出来的最新ＭＧＡ工具，核心思想是生成图像的多分辨率多方向

（Ｍｕｈｉｒｅｓｏｌｕｔｉｏｎａｎｄｍｕｌｔｉｄｉｒｅｃｔｉｏｎ，ＭＲＭＤ）分解

表示形式。

由于Ｃｏｎｔｏｕｒｌｅｔ变换更适合表示图像中的曲线、轮廓等特征，应用于图像融合时往往能得到比金字塔分析、小波和其它ＭＧＡ分析工具更好的融合效果。

如图１所示，Ｃｏｎｔｏｕｒｌｅｔ变换分两步。

Ｌａｐｌａｃｉａｎ金字塔分解和方向滤波器组构成双滤波器组的结构。

首先采用拉普拉斯金字塔（Ｉ。

Ｐ）滤波器对源图像进行子带分解，得到图像中的奇异点。

一次ＬＰ分解将原始图像分解为低频分量和源图像与低频分量的插值（即高频分量），递归地对低频分量进一步分解，从而得到多分辨率分解形式。

接下来使用方向滤波器组（Ｄｉｒｅｃｔｉｏｎａｌ

ｆｉｌｔｅｒｂａｎｋ．ＤＦＢ）

进行方向变换，Ｃｏｎｔｏｕｒｌｅｔ变换采用的是一个双通道的Ｑｕｉｎｃｕｎｘ滤波器组（ＱＦＢ），使用ＱＦＢ无需对源图像进行调制。

经过ＱＦＢ，同方向的奇异点合并为同一系数。

由于Ｃｏｎｔｏｕｒｌｅｔ变换的良好性能，因而非常适

万方数据

图１

Ｃｏｎｔｏｕｒｌｅｔ变换的框架

Ｆｉｇ．１

Ｆｒａｍｅｗｏｒｋｏｆｅｏｕｔｏｕｒｌｅｔｔｒａｎｓｆｏｒｍ

合图像融合。

本文采用基于Ｃｏｎｔｏｕｒｌｅｔ变换的图像融合算法作为研究基础。

基于Ｃｏｎｔｏｕｒｌｅｔ变换的图像融合算法的框架如图２所示。

图２基于Ｃｏｎｔｏｕｒｌｅｔ变换的图像融合框架

Ｆｉｇ．２

Ｆｒａｍｅｗｏｒｋｏｆｉｍａｇｅｆｕｓｉｏｎｂａｓｅｄ

ｏｎ

ｅｏｕｔｏｕｒｌｅｔｔｒａｎｓｆｏｒｍ

２．２融合规则采用的特征

对于基于区域特征的多尺度图像融合而言，可供采用的区域特征主要有：

区域能量、区域信息熵、区域极值（包括极大值和极小值）、区域均值、区域中值和区域一致性度量等。

令Ｒ为图像厂中以（ｚ，ｙ）为中心的任一区域，则上述区域特征分别表示如下：

区域信息熵

Ｌ

Ｓ（ｘ，ｙ）＝一∑ｐ（ｉ）ｌｂ［ｐ（ｉ）３，

（１）

ｌ＝０

其中户（ｉ）表示区域Ｒ内灰度ｉ所占百分比，Ｌ为最大灰度级。

区域能量

Ｅ（ｘ，ｙ）＝∑尸（ｚ７，ｙ７）．

（２）

（一・，）∈Ｒ

区域像素最大

‰，（ｚ，ｙ）＝ｍａｘ［ｆ（ｘ７，ｙ／）］（ｚ７，ｙ１）∈Ｒ．（３）

区域像素最小

Ｍ。

ｉ。

（ｚ，ｙ）＝ｍｉｎ［ｆ（ｘ７，ｙ７）］（ｚ７，ｙ７）∈Ｒ．（４）区域均值

Ａ（ｘ，，）＝ｓｕｍ［ｆ（ｘ７，Ｙ７）］／Ｎ（ｚ７，Ｙ７）∈Ｒ．（５）区域中值

Ｍｆ利（ｚ，ｙ）＝ｍｅｄ［－ｆ（ｘ７，ｙ／）］（ｚ７，ｙｔ）∈Ｒ．（６）

区域一致性

２．１

光学（７）

学报２９卷

』Ｄ＝ｌＡ（ｘ，ｙ）一Ｍ。

。

ｄ（ｚ，ｙ）Ｉ．

亚像素坐标系中的位置为（ｚ。

，Ｙ，）的亚像素点距离中心的距离为

Ｄ（ｚ缸，ｙ一）＝

在这些区域特征中，区域能量和区域清晰度是最常用的，尤以区域能量应用最为广泛，后面重点讨论亚像素区域能量特征。

以万万Ｆ万譬万ｑ了万了Ｆ万而ｒ．（８）

ｓｐｒｅａｄ

在计算加权区域能量之前，依据图像的点散射

３亚像素区域加权能量特征

３．１

模型‘７｜（Ｐｏｉｎｔ

ｆｕｎｃｔｉｏｎ，ＰＳＦ），赋予各亚像素

亚像素矩形区域加权能量特征

假设窗口大小为，ｚ×ｎ，待融合图像的水平方向和

（ｚ函，Ｙ。

）的权值为

硼（ｚｉ，Ｙ月）＝

垂直方向分辨率分别为ｒｈ和ｒｖ，ｆ（ｘ，ｙ）表示图像，行７＝Ｅ．／２３是对．／２取整，｛ｆ（ｘ；，Ｍ）Ｉｉ，歹∈［＿咒７，ｎｐ］）是区域窗口中全部像素的集合，ｆ（ｘｏ，弘）是窗口的中心。

传统的区域能量窗口和新的加权区域能量窗口的差别

示意图如图３所示。

ｆ

是

Ｉ。

Ｃ［ＩｌＤ（ｘ函。

Ｙ，］

，净．『刮剐２ｉ≠０Ｕ歹≠０

０，（９）

’。

其中，ｋ为常数。

所有亚像素权值满足条件

∑∑∑∑ｗ（ｘ面，蛳）＝１．

的综合加权为

（１０）

在原区域窗口坐标系统中，像素ｆ（ｘｉ，弘）对应

ｗ（ｘ㈦Ｙ）＝∑∑ｗ（ｘ。

，ｙ，）．

区域综合加权能量为

（１１）

图３两种不同的窗口比较。

（ａ）传统的区域能量窗口；

（ｂ）加权的区域能量窗口

Ｆｉｇ．３ｒｅｇｉｏｎ

ＤｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｔＷＯｗｉｎｄｏｗｓ．（ａ）ｔｒａｄｉｔｉｏｎａｌ

Ｅ一∑∑ｗ（ｘ㈦Ｙ）・尸（珀Ｙｊ）．（１２）

３．２亚像素圆形区域加权能量特征

这里提出一种亚像素圆形区域加权能量特征，在亚像素坐标系下，用圆形区域代替矩形区域。

一般来说，圆形区域更符合自然界图像上中心点与相邻点的关系，也更符合最近邻域的原则。

这里，前提与假设与上一节所讨论的矩形区域基本一样，不失一般性，假设“≤ｒ，。

所取圆形区域的半径为ｒ。

，记咒一ｒ，／ｒ。

］＋１，在像素坐标系下，取大小为行×竹的矩形窗口完全包含圆形区域。

接下来的亚像素坐标系下的距离计算与矩形区域完全一样，不同的是亚像素权值的分配，在圆形区域下

ｅｎｅｒｇｙ

ｗｉｎｄｏｗ；（ｂ）ｗｅｉｇｈｔｅｄｒｅｇｉｏｎ

ｅｎｅｒｇｙ

ｗｉｎｄｏｗ

以下讨论在不特别说明的情况下均指在亚像素坐标系下，对于窗口中的各像素ｆ（ｘｉ，ＹＪ）将其分割为Ｐ×ｑ（通常Ｐ，ｑ均取整数）个亚像素，则在水平和垂直方向的分辨率分别为ｒｈ／ｐ和ｒ，／ｑ。

令Ｐ７一［ｐ／ｚ３，ｑ７＝Ｅｑ／２］，每个亚像素相对于当前像素中心点的坐标为（“，口），“∈［一Ｐ７，Ｐ７］，ｕ∈［一ｑ７，ｑ７］。

相对于窗口中心点亚像素坐标系下的坐标为

（ｚ自，Ｙ。

）＝（ｉ・Ｐ＋Ｕ，ｊ・ｑ＋Ｖ）

ｒ

七

ｉ—ｊ＝Ｕ一口＝０

（ｉ≠０Ｕ』≠ｏ）ｎＤ（ｚ函，ｙ扣）≤，．。

（ｉ≠０ＵＪ≠Ｏ）ｎ

（１３）

ｗ（ｘ函，Ｙ，）＝｛。

Ｃ（１／Ｄ（ｘ＾，，咖）．

【０

Ｄ（ｘｉ，“）＞ｒｃ

接下来的过程和矩形区域是完全相同的，这里不再赘述。

３．３

｛凹，Ｚ＝１，２，…，Ｍ｝，｛凹，１＝１，２，…，Ｍ｝．

（１４）

区域加权能量特征融合规则

对于源图像Ａ和Ｂ，经过多尺度分解处理，分

细节分量按照一定规则排列为

｛Ｄ产，ｌ＝１，２，…，｜Ｎ），｛ＤＰ，Ｚ＝１，２，…，Ｎ）．

（１５）

别得到各自的多尺度分解，每个源图像所分解得到的多尺度分解包含若干粗糙（低频）分量和若干细节（高频或带通）分量。

分别记源图像Ａ和Ｂ的多尺度分解中粗糙分量按照一定顺序排列为

融合图像的多尺度分解系数为

｛Ｃｆ，Ｚ＝１，２，…，Ｍ｝，｛Ｄ；，ｌ＝１，２，…，｜Ｎ｝．

（１

６）

万方数据

１０期柴勇等：

基于亚像素区域加权能量特征的多尺度图像融合算法

２７３５

对于低频粗糙分量，依然采用常用的加权平均Ｃｆ（ｉ，歹）＝ＥＣＰ（ｉ，Ｊ）＋ＣＰ（ｉ，Ｊ）］／ｚ．

（１７）

对于高频细节分量，采用本文提出的亚像素区域加权能量作为特征，取综合加权能量大的作为融合系数，即

巩胪。

Ｄ眦Ａ（ｉ，歹ｊ；黧疑黧≥

（１８）

图４多聚焦图像Ａ和Ｂ

Ｆｉｇ．４

Ｍｕｌｔｉ—ｆｏｃｕｓｉｍａｇｅｓＡａｎｄＢ

４仿真和比较

４．１

融合算法均基于Ｃｏｎｔｏｕｒｌｅｔ变换，采用四层分解，区域窗口大小为３×３。

融合规则分别采用常规区域能量、矩形区域加权能量、圆形区域加权能量、融合结果如图５所示。

图５中（ａ）、（ｂ）和（ｃ）所对应的区域能鼍特征加权距阵分别为

多聚焦图像融合仿真分析

为验证本文提出算法的效果，对多聚焦图像进

行仿真分析，下面以多聚焦图像融合来说明算法的有效性。

仿真环境是Ｍａｔｌａｂ＋Ｗｉｎｄｏｗｓ２０００＋Ｐ４

（５１２ＭＢ内存）。

源图像如图４所示，大小为

１１１１

ＯＯＯ

１１１１

Ｏ０

Ｏ

１１１１

１

０

，

８４５口Ｊ８５８４

０１３８５２１２４

１３８

０．０５８４７

０．１３８５ｌ，

Ｖｏ．０８３７

０．１２３９

Ｏ．１２３９Ｏ．１６９６Ｏ．１２３９

１１１１巾ｍ∞

ｌ

１１１

１１１１ｌ１１１

１１ｌ

１Ｏ

Ｏ

１１１１

巾№∞

Ｏ５５

０．０５８４ＪＬｏ．０８３７

从区域能量特征加权距阵可以看出，在矩形区域和圆形区域情况下的加权矩阵与通常所采用的加

权矩阵明显不同。

Ｈ＝一乏：

户（ｉ）＊Ｉｂ［－ｐ（ｉ）］，

ｉ二０

（２１）

其中户（ｉ）是图像的直方图归一化表示，Ｌ是图像中像素最大灰度值，通常为２５５。

熵是图像所含信息量的度量。

熵值越大，所包含的信息越丰富。

采用图像清晰度和熵对融合图像进行评价，结果如表１所示。

从清晰度的评价结果来看，方法（２）和（３）较方

图５多聚焦图像融合结果。

（ａ）常规区域能量；（ｂ）矩形区域加权能量；（ｃ）圆形区域加权能量

Ｆｉｇ．５

Ｆｕｓｉｏｎ

ｒｅｓｕｌｔｓ

ｏｆ

ｍｕｌｔｉ—ｆｏｃｕｓ

ｉｍａｇｅｓ．

（ａ）

法（１）都有较大提高。

满足算法最初提出的目的：

发挥区域特征作为融合决策的优势，消除图像轮廓区域与非轮廓区域融合受高频噪声而产生的模糊。

图像的清晰度在很大程度上能反映图像轮廓的清晰程度，图像轮廓越清晰，清晰度将越高。

表ｌ多聚焦融合评价结果

Ｔａｂｌｅ１

ｔｒａｄｉｔｉｏｎａｌｒｅｇｉｏｎｅｎｅｒｇｙ；（ｂ）ｒｅｃｔａｎｇｕｌａｒｒｅｇｉｏｎ

ｅｎｅｒｇｙ：

（ｃ）ｗｅｉｇｈｔｅｄｃｉｒｃｕｌａｒｒｅｇｉｏｎ

ｅｎｅｒｇｙ

融合的评价可分为主观评价和客观评价。

本文仿真融合结论的评价，采用两种常用的客观评价指标：

即图像清晰度（Ｉｍａｇｅｄｅｆｉｎｉｔｉｏｎ，ＩＤ）和熵

（Ｅｎｔｒｏｐｙ）。

Ｍｕｌｔｉ—ｆｏｃｕｓｉｍａｇｅｆｕｓｉｏｎｅｖａｌｕａｔｉｏｎ

对于大小为Ｍ×Ｎ的图像厂，（ｉ，５）处的灰度为厂（ｉ，Ｊ），图像的清晰度定义为

，一蓍薯斤乎Ｆ酾幻一————刁汀＝万而Ｆ１Ｆ—一’

（２０）

从熵的评价结果来看。

方法（２）和（３）优于方法（１），这表明本文所提出的新方法在提高图像清晰度的同时并不会损失图像包含的信息量。

熵的定义为

万方数据

２７３６光学综合两个方面的因素来看，采用本文所提出的基于亚像素技术的矩形区域加权能量和圆形区域加权能量要优于常规的区域能量。

ｚ表示将像素分解为ｚ×ｚ个亚像素，即（８）式中Ｐ＝ｑ＝行，本文仿真中，ｚ的取值范围为［３：

２：

１７７］，表示工取从３到１７７的奇数。

／（ｚ）是对应的融合图像的清晰度评价指标值，为了更好的表现融合的效果。

构造函数ｇ（ｚ）＝厂（ｚ）一８．１，构造ｇ（ｚ）的目的是为了更直观地观察随着ｚ的增大，融合图像清晰度的变化趋势，从图６可以看出，随着ｚ的增大，清晰度呈现上升的趋势，验证了论文提出算法的有效性。

从图７来看，随着Ｘ的增大，区域能量加权权值的计算量呈快速上升的趋势，且随着ｚ的持续增大，ｇ（ｚ）的变化越来越小，说明ｚ并不是越大越好，图５融合结果所对应的ｚ取值为１５１。

另外，随着ｚ的增加，增加的计算量对算法有一定的影响，但是这种影响是很小的，因为区域能量特征加权矩阵的计算是一次性的。

图６清晰度评价

Ｆｉｇ．６

ＩＤｅｖａｌｕａｔｉｏｎ

图７权值矩阵计算量

Ｆｉｇ．７

Ｃｏｍｐｕｔｉｎｇ

ＣＯＳｔ

ｏｆｗｅｉｇｈｔｍａｔｒｉｘ

为了更好地验证本文提出的算法的有效性，对万方数据

学报２９卷

图８遥感图像Ａ和Ｂ

Ｆｉｇ．８

Ｒｅｍｏｔｅｓｅｎｓｉｎｇ

仿真所用环境和参数与３．１节相同。

融合规则分别采用常规区域能量、矩形区域加权能量和圆形区域加权能量。

融合结果如图９所示。

图９遥感图像融合结果。

（ａ）常规区域能量；

（ｂ）矩形区域加权能量；（ｃ）圆形区域加权能最

Ｆｉｇ．９

Ｆｕｓｉｏｎ

ｒｅｓｕｌｔｓ

ｏｆ

ｒｅｍｏｔｅ

ｓｅｎｓｉｎｇ

ｉｍａｇｅｓ．（ａ）

ｔｒａｄｉｔｉｏｎａｌｒｅｇｉｏｎｅｎｅｒｇｙ；（ｂ）ｒｅｃｔａｎｇｕｌａｒ

ｒｅｇｉｏｎ

ｅｎｅｒｇｙ：

（ｃ）ｃｉｒｃｕｌａｒｒｅｇｉｏｎ

ｅｎｅｒｇｙ

采用图像清晰度和熵对融合图像进行评价，结果如表２所示。

从评价结果来看，方法（２）和（３）较方法（１）都有较大的提高。

从清晰度评价指标可以看出，本文提出的新算法在不损失图像信息的情况下，能够提高图像的清晰度。

表２遥感罔像融合评价结果

Ｔａｂｌｅ２

Ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｆｕｓｉｏｎｅｖａｌｕａｔｉｏｎ

５

结论

提出两种采用亚像素技术的区域加权能量，在一定程度上消除了轮廓区域与非轮廓区域之间所产

生的模糊。

基于亚像素的区域能量特征对矩形或圆形区域中各像素进行亚像素划分，确定各像素的权值，得到综合加权区域能量。

融合算法首先对参与融合的两幅图像进行多尺度分解，得到各自的金字塔结构，然后对金字塔分解的细节分量使用摹于亚像素加权区域能量特征作为融合规则进行融合。

对

低频粗糙分量取平均，形成融合图像的金字塔结构，

４．２遥感图像融合仿真分析

两幅遥感图像进行仿真分析。

源图像如图８所示，源图像大小为５１２×５１２。

１０期柴勇等：

基于亚像素区域加权能量特征的多尺度图像融合算法

２７３７

最后重构得到融合图像。

仿真表明，本方法融合效果较常规的区域能量特征作为融合规则的多分辨率图像融合算法效果更好。

该方法权值的确定不依赖于经验，获得的权值更合理。

论文以最新多尺度分析工具Ｃｏｎｔｏｕｒｌｅｔ为例验证了所提出的基于亚像素技术的区域特征多尺度图像融合算法的有效性，基于亚像素技术的区域综合加权能量特征还可以应用到其它多尺度图像融合算法（如金字塔和小波等多分辨率分析算法）中。

参

考文献

１

ＹｕＱｉｆｅｎｇ。

ＳｕｎＸｉａｎｇｙｉ．ＱｕａｎＴｉｅｈａｎ．Ａｃｃｕｒａｔｅｍｅａｓｕｒｅｍｅｎｔｏｆ

ａ

３Ｄ

ｍｏｖｉｎｇｏｂｊｅｃｔｔｈｒｏｕｇｈｃａｌｉｂｒａｔｉｏｎ

ａｎｄｓｕｂｐｉｘｅｌｔｅｃｈｎｉｑｕｅｓ

［Ｊ］．ＪｏｕｒｎａｌｏｆＡｓｔｒｏｎａｕｔｉｃｓ，１９９９．２０（３）：

３８～４２

于起峰，孙样一，权铁汉等．用标定和亚像素技术实现三维运动目标的高精度测量［Ｊ］．宇航学报．１９９９，２０（３）：

３８～４２

２Ｌｉｕ

Ｂｉｎ．Ｐｅｎｇ

Ｊｉａｘｉｏｎｇ．Ｍｕｌｔｉ—ｓｐｅｃｔｒａｌｉｍａｇｅｆｕｓｉｏｎ

ｂａｓｅｄ

ｏｎ

ｔｗｏ－ｃｈａｎｎｅｌｎｏｎ—ｓｅｐａｒａｂｌｅａｄｄｉｔｉｖｅｗａｖｅｌｅｔｓ［Ｊ］．ＡｃｔａＯｐｔｉｃａ

Ｓｉｎｉｃａ，２００７，２７（８）：

１４１９～１４２４刘

斌．彭嘉雄．基于二通道不可分加性小波的多光谱图像融合Ｅ１］．光学学报，２００７，２７（８）：

１４１９～１４２４

３

ＨａｉｈｕｉＷａｎｇ．Ａ

ｎｅｗｍｕｌｔｉｗａｖｅｌｅｔ－ｂａｓｅｄ

ａｐｐｒｏａｃｈ

ｔｏ

ｉｍａｇｅ

ｆｕｓｉｏｎ［Ｊ］．Ｊ．Ｍａｔｈ．Ｉｍａｇｉｎｇ

Ｖｉｓ．．２００４，２１（３）：

１７７～１９２

４

Ｈ．Ｓ．Ｓｔｏｎｅ．Ｍ．Ｏｒｃｈａｒｄ．Ｅ．Ｃ．Ｃｈａｎｇｅｔ

ａ１．．Ａ

ｆａｓｔｄｉｒｅｃｔ

Ｆｏｕｒｉｅｒ—ｂａｓｅｄ皿Ｅ

ａｌｇｏｒｉｔｈｍｆｏｒｓｕｂｐｉｘｅｌ

ｒｅｇｉｓｔｒａｔｉｏｎ

ｏｆ

ｉｍａｇｅｓ［Ｊ］．

１’ｒａｎｓ．ＯｎＧｅｏｓｃｉ．Ｒｅ・ｍｏｔｅ

Ｓｅｎｓｉｎｇ，２００ｌ，３９（１０）：

２２３５～２２４３

５

Ｐ．Ｔｈ６ｖｅｎｎａｚ，Ｕ．Ｅ．Ｒｕｔｔｉｍａｎｎ．ａｎｄＭ．Ｕｒｉｓｅｒ．Ａｐｙｒａｍｉｄ

万方数据

ａｐｐｒｏａｃｈｔｏ

ｓｕｂｐｉｘｅｌｒｅｇｉｓｔｒａｔｉｏｎ

ｂａｓｅｄ

ｏｎ

ｉｎｔｅｎｓｉｔｙ［Ｊ］．ＩＥＥＥＴ．

ＩｍａｇｅＰｒｏｃｅｓｓ．，１９９８，７（１）：

２７～４１

６

Ｊ．Ａ．Ｚａｎｄｈｕｉｓ．Ｄ．Ｐｙｃｏｃｋ．Ｓ．Ｆ．Ｑｕｉｇｌｅｙｄａ１．．Ｓｕｂ－ｐｉｘｅｌｎｏｎ—

ｐａｒａｍｅｔｒｉｃＰＳＦ

ｅｓｔｉｍａｔｉｏｎｆｏｒ

ｉｍａｇｅ

ｅｎｈａｎｃｅｍｅｎｔ［Ｊ］．ＩＥＥＥ．

Ｐｒｏｃｅｄｉｎｇｓ

Ｖｉｓｉｏｎ，Ｉｍａｇｅ

ａｎｄＳｉｇｎａｌ

Ｐｒｏｃｅｓｓｉｎｇ，１９９７，

１４４（５）ｌ

２８５～２９２

７

ＭｉａｏＱｉｇｕａｎｇ，ＷａｎｇＢａｏｓｈｕ．Ｍｕｌｔｉ—ｓｅｎｓｏｒｉｍａｇｅｆｕｓｉｏｎｂａｓｅｄ

ｏｎ

ｉｍｐｒｏｖｅｄｌａｐｌａｃｉａｎｐｙｒａｍｉｄ

ｔｒａｎｓｆｏｒｍ［Ｊ］．ＡｃｔａＯｐｔｉｃａ

Ｓｉｎｉｃａ，

２００７，２７（９）：

１６０５～１６１０

苗肩广，王宝树．基于改进的托普拉斯金字塔变换的图像融合方法［Ｊ］．光学学报，２００７．２７（９）：

１６０５～１６１０

８Ｇ．Ｐｉｅｌｌａ．Ａｇｅｎｅｒａｌ

ｆｒａｍｅｗｏｒｋｆｏｒｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎ

ｉｍａｇｅ

ｆｕｓｉｏｎ：

ｆｒｏｍｐｉｘｅｌｓｔｏ

ｒｅｇｉｏｎｓ［Ｊ］．如ｆｏｒｍａｔｉｏｎ

Ｆｕｓｉｏｎ，２００３，４（４）ｌ

２５９～２８０

９ｓ．Ｇ．Ｍａｌｌａｔ．Ａｔｈｅｏｒｙｆｏｒｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎｓｉｇｎａｌｄｅｃｏｍｐｏｓｉｔｉｏｎ：

ｔｈｅｗａｖｅｌｅｔ

ｒｅｐｒｅｓｅｎｔａｔｉｏｎ［Ｊ］．ＩＥＥＥＴ．Ｐａｔｔｅｒｎ

Ａｎａｌ．，１９８９，

１１（７）：

６７４～６９３１０Ｚｈａｎｇ

Ｑｉａｎｇ，Ｇｕｏ

Ｂａｏｌｏｎｇ．

Ｆｕｓｉｏｎ

ｏｆ

ｍｕｌｔｉｓｐｅｃｔｒａｌａｎｄｐａｎｃｈｒｏｍａｔｉｃ

ｉｍａｇｅｓｂａｓｅｄ

ｏｎ

ｔｈｅ

ｐｈｙｓｉｃａｌ

ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ

ｏｆ

ｉｍａｇｉｎｇ

ｓｙｓｔｅｍ［刀．Ａｃｔａ

ＯｐｔｉｃａＳｉｎｉｃａ．２００７，２７（２）：

２４３～２４８

张强．郭宝龙．基于成像