图像融合算法概述 摘要：详细介绍了像素级图像融合的原理,着重分析总结了目前常用的像素级图像融合的方法和质量评价标准,指出了像素级图像融合技术的最新进展,探讨了像素级图像融合技术的发展趋势。 关键词：图像融合; 多尺度变换; 评价标准 Abstract:This paper introduced the principles based on image fusion at pixel level in detail, analysed synthetically and summed up the present routine algorithm of image fusion at pixel level and evaluation criteria of its quality. It pointed out the recent development of image fusion at pixel level, and discussed the development tendency of technique of image fusion at pixel level. Key words:image fusion; multi-scale transform; evaluation criteria 1.引言： 图像融合是通过一个数学模型把来自不同传感器的多幅图像综合成一幅满足特定应用需求的图像的过程, 从而可以有效地把不同图像传感器的优点结合起来, 提高对图像信息分析和提取的能力[ 1] 。近年来, 图像融合技术广泛地应用于自动目标识别、计算机视觉、遥感、机器人、医学图像处理以及军事应用等领域。图像融合的主要目的是通过对多幅图像间冗余数据的处理来提高图像的可靠性; 通过对多幅图像间互补信息的处理来提高图像的清晰度。根据融合处理所处的阶段不同,图像融合通常可以划分为像素级、特征级和决策级。融合的层次不同, 所采用的算法、适用的范围也不相同。在融合的三个级别中, 像素级作为各级图像融合的基础, 尽可能多地保留了场景的原始信息, 提供其他融合层次所不能提供的丰富、精确、可靠的信息, 有利于图像的进一步分析、处理与理解, 进而提供最优的决策和识别性能. 2.图像融合算法概述 2.1 图像融合算法基本理论
图像增强算法研究综述 刘璐璐 宁波工程学院电子与信息工程学院计算机科学与技术071班，邮编:(315100) E-mail:375212239@https://www.doczj.com/doc/4013988300.html, 摘要：本文简要介绍图像增强的概念和图像增强算法的分类，从图像的直方图均衡化处理方法，直方图规定化处理方法和图像平滑处理方法三方面对图像增强算法进行讨论和研究，并说明了图像增强技术的应用和前景展望。 关键词：图像增强直方图均衡化直方图规定化平滑处理 近年来，随着电子计算机技术的进步，计算机图像处理得到了飞跃的发展，己经成功的应用于几乎所有与成像有关的领域，并正发挥着相当重要的作用。它利用计算机对数字图像进行系列操作，从而获得某种预期的结果。对图像进行处理时，经常运用图像增强技术以改善图像的质量增强对某种信息的辨识能力，以更好的应用于现代各种科技领域，图像增强技术的快速发展同它的广泛应用是分不开的，发展的动力来自稳定涌现的新的应用，我们可以预料，在未来社会中图像增强技术将会发挥更为重要的作用。在图像处理过程中，图像增强是十分重要的一个环节。 1.图像增强概念及现实应用 1.1 图像增强技术 图像增强是数字图像处理的基本内容之一。图像增强是指按特定的需要突出一幅图像中的某些信息，同时，削弱或去除某些不需要的信息。这类处理是为了某种应用目的去改善图像质量，处理的结果更适合于人的视觉特性或机器识别系统，图像增强处理并不能增加原始图像的信息，而只能增强对某种信息的辨识能力，使处理后的图像对某些特定的应用比原来的图像更加有效。 1.2图像增强技术的现实应用 目前，图像增强处理技术的应用己经渗透到医学诊断、航空航天、军事侦察、纹识别、无损探伤、卫星图片的处理等领域，在国民经济中发挥越来越大的作用。其中最典型的应用主要体现以下方面。 1
任意比例视频图像放大算法的研究与实现 摘要：随着多媒体信息技术的发展，针对视频信号的处理技术应运而生。其中实时缩放正是视频信号处理技术的关键。对于图像缩放，所用数学模型的优劣会直接影响用户观看图像的质量。在视频处理中，图像的缩放算法不仅影响视频质量，而且算法的处理速度也会影响视频流的显示，从而影响用户观看的连续性。本文针对视频信号对处理速度和精度的要求，采用只对亮度信号进行复杂处理的方法。分析图像边缘区域的特性，并通过数学推导，在边缘区域的插值中设计四个模板，从而设计改进的视频缩放算法。实验结果表明，本设计的视频信号缩放算法在主观视觉上保持了图像纹理细节和边缘信息。客观评价中，本算法处理得到的图像高频分量丢失少，且保证较好的低频分量处理效果；平均峰值信噪比较双线性插值提高0.24dB。 关键词：视频信号；图像处理；缩放；边缘 ABRSTRACT：With the rapid development of multimedia information technology，video signal's processing technology emerges at that time. Video’s real-time scaling is the key issue in video signal's processing technology. For image scaling，the mathematical model affects the picture’s visual quality. In video processing，not only the scaling algorithm influences the video’s quality，but also the alg orithm’s performance affects the display of the video so that influences the video playing smoothly.Due to the speed and precision demanded in video signal’s processing，only employ the proposed algorithm in Y channel signal. Under the analysis on the characteristic of the edge in image，four scaling masks are deduced mathematically. This paper issues a lot of experiments on the infrastructure of the theoretical study，which show that the video signal's scaling algorithm designed in this paper has obtained the better effectiveness than traditional algorithms. Our design keeps texture details in subjective vision，raises the PSNR 0.24dB on average，and it has well performance in both high and low frequency component in spectrum at the same. This is satisfied with the designated target of the project. Key words: video signals; image processing; scaling; edge 1 绪论 1.1 研究背景及意义 信息技术和互联网发展到今天，多媒体信息技术的应用范围日趋广泛，多媒体信息包括音频数据、图像和视频数据及文字数据。而人类获取的各种信息中，图像信息占有绝大部分，图像带给人们直观并具体的事物形象，这是声音、语言和文字不能比拟的。 人眼看到的是连续变化的景物，是模拟图像，而在数字设备中存储和显示的图像是经过采样和量化的数字图像。为满足人类视觉和实现信息传输的需求，针对图像和视频信息的实时缩放技术在生活中起着不可忽略的作用[1]。 视频图像的后期缩放处理势必将会作为显示呈现在终端之前的一个重要环节。无论其输入视频信源的分辨率大小尺寸多少，最终都应该以用户的实际物理显示设备的最佳观看分辨率作为显示输出结果，通常由于带宽有限的关系，该显示过程通常以放大为主，即输入视频图像分辨率小于输出分辨率。为了满足不同终端用户对图像尺寸的需求，改变图像尺寸的缩放技术应运而生。 图像缩放是数字图像处理中非常重要的技术之一。对于网络传输的图像，由于客观条件的种种限制，想要快速地传输高分辨率的图像一般难以达到，同时由于硬件性能的限制，图片往往也无法满足所需要的分辨率，而硬件的改进却需要复杂的技术并付出昂贵的代价，所以如果能够从软件技术方面进行改进，采用图像插值技术提高图像质量来达到所期望的分辨率和清晰度，其具有的实用意义将是十分重大的。因此，利用插值的方法将低分辨率图像插值放大成高分辨率图像就成为人们追求的目标。 用图像缩放算法进行处理时，存在一对相悖的要素：图像处理速度和图像精度。一般情况下，要想获得比较高的速度甚至达到实时的图像输出速率，只能采用相对来说运算量比较简单的缩放算法；而如果要想获得处理效果比较好的图像，就只能考虑牺牲处理速度，采用计算量大、比较复杂的缩放算法。图像缩
线性插值算法实现图像缩放详解 在Windows中做过图像方面程序的人应该都知道Windows的GDI有?个API函数：StretchBlt，对应在VCL中是 TCanvas类的StretchDraw方法。它可以很简单地实现图像的缩放操作。但问题是它是用了速度最快，最简单但效果也是最差的“最近邻域法”，虽然在大多数情况下，它也够用了，但对于要求较高的情况就不行了。 不久前做了?个小玩意儿，用于管理我用DC拍的?堆照片，其中有?个插件提供了缩放功能，目前的版本就是用了StretchDraw，有时效果不能令人满意，我?直想加入两个更好的：线性插值法和三次样条法。经过研究发现三次样条法的计算量实在太大，不太实用，所以决定就只做线性插值法的版本了。 从数字图像处理的基本理论，我们可以知道：图像的变形变换就是源图像到目标图像的坐标变换。简单的想法就是把源图像的每个点坐标通过变形运算转为目标图像的相应点的新坐标，但是这样会导致?个问题就是目标点的坐标通常不会是整数，而且像放大操作会导致目标图像中没有被源图像的点映射到，这是所谓 “向前映射”方法的缺点。所以?般都是采用“逆向映射”法。 但是逆向映射法同样会出现映射到源图像坐标时不是整数的问题。这里就需要“重采样滤波器”。这个术语看起来很专业，其实不过是因为它借用了电子信号处理中的惯用说法（在大多数情 况下，它的功能类似于电子信号处理中的带通滤波器），理解起来也不复杂，就是如何确定这个非整数坐标处的点应该是什么颜色的问题。前面说到的三种方法：最近邻域法，线性插值法和三次样条法都是所谓的“重采样滤波器”。 所谓“最近邻域法”就是把这个非整数坐标作?个四舍五入，取最近的整数点坐标处的点的颜色。而“线性插值法”就是根据周围最接近的几个点（对于平面图像来说，共有四点）的颜色作线性插值计算（对于平面图像来说就是二维线性插值）来估计这点的颜色，在大多数情况下，它的准确度要高于最近邻域法，当然效果也要好得多，最明显的就是在放大时，图像边缘的锯齿比最近邻域法小非常多。当然它同时还带业个问题：就是图像会显得比较柔和。这个滤波器用专业术语来说（呵呵，卖弄?下偶的专业^_^）叫做：带阻性能好，但有带通损失，通带曲线的矩形系数不高。至于三次样条法我就不说了，复杂了?点，可自行参考数字图像处理方面的专业书籍，如本文的参考文献。 再来讨论?下坐标变换的算法。简单的空间变换可以用?个变换矩阵来表示： [x’,y’,w’]=[u,v,w]*T 其中：x’,y’为目标图像坐标，u,v为源图像坐标，w,w’称为齐次坐标，通常设为1，T为?个3X3的变换矩阵。 这种表示方法虽然很数学化，但是用这种形式可以很方便地表示多种不同的变换，如平移，旋转，缩放等。对于缩放来说，相当于： [Su 0 0 ] [x, y, 1] = [u, v, 1] * | 0 Sv 0 | [0 0 1 ] 其中Su,Sv分别是X轴方向和Y轴方向上的缩放率，大于1时放大，大于0小于1时缩小，小于0时 反转。 矩阵是不是看上去比较晕？其实把上式按矩阵乘法展开就是： { x = u * Su
长江大学 毕业设计(论文)开题报告 题目名称:基于内容感知的图像缩放方法研究与实现院 (系)：计算机科学学院 专业班级：软工（实）11001班 学生姓名：邹会明 指导教师：余华平 辅导教师：余华平 开题报告日期： 2013年12月15日
基于内容感知的图像缩放方法研究与实现学生：邹会明院系：长江大学计算机科学学院 指导教师：余华平工作单位：长江大学计算机科学学院 1．题目来源 随着大屏幕显示设备的普及，4:3的图像信号与16:9的屏幕大小之间的矛盾变得日益突出。我们可以经常见到当4:3的图像变换为16:9的图像时，屏幕两侧或者上下会出现两条黑带。常规的图像等比例缩放显然已经不能满足这种需求，这就需要运用图像缩放技术对原始视频图像进行非等比例缩放。 图像缩放技术是数字图像处理领域一项基础而重要的技术，传统的图像缩放技术一般采用最近邻插值法，双线性插值法和双三次插值法这几种常用的差值法或者图像切割法进行缩放，这类方法存在的最大问题是，在将4:3视频图像转换为16:9时，X、Y方向是非等比例缩放，景物的畸变较大，使人难以接受。如果对图像切割，会使得图像部分内容丢失。而基于内容感知的图像缩放方法,它是采用Seam Carving技术的自适应图像缩放方法,通过不断移除或插入图像中对内容影响较小的缝合线,可以改变图像的长度比、实现图像重构、保留图像感兴趣区域、实现图像目标移除,实现图像尺寸的缩小和放大,并能够在缩放过程中保留图像重要内容,是目前非常有效的一种方法。所以基于内容感知的图像缩放方法研究与实现在自然图像处理方面有其较高应用价值和意义，以及研究的必要性。2．研究的目的及意义 1）目的 本文通过介绍一种基于内容感知的图像缩放方法，运用seam carving 技术，对图像上的关键部分和不重要区域进行计算，确定图像的能量低值点，找到最短路径，在纵横向上进行无缝裁剪，从而使得随意改变一个图像的高宽比但不让内容变得扭曲成为可能。 2）意义 电子产品的多样性对数字媒体提出了更高的要求，当把相同的图像或视频信息在不同分辨率和纵横比的电子产品上显示时,传统的缩放方法已经不能很好地满足用户的需求,传统的缩放方法一致地把这些信息缩放到目标大小,这样图像
摘要：介绍了遥感影像三种常用的图像融合方式。进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。 关键字：遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDAS IMAGINE 1. 引言 由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。[1] 在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。[2] 此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多
光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。 2. 源文件 1 、 imagerycolor.tif ，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。 2 、imagery-5m.tif ，SPOT图像，分辨率5米。 3. 软件选择 在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。[3] ERDAS IMAGINE是美国Leica公司开发的遥感图像处理系统。它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具。 2012年5月1日，鹰图发布最新版本的ERDAS IMAGINE，所有ERDAS 2011软件用户都可以从官方网站上下载最新版本 ERDAS IMAGINE 11.0.5. 新版本包括之前2011服务包的一些改变。相比之前的版本，新版本增加了更多ERDAS IMAGINE和GeoMedia之间的在线联接、提供了更为丰富的图像和GIS产品。用户使用一个单一的产品，就可以轻易地把两个产品结合起来构建一个更大、更清
一、基于matlab图像缩小算法 缩小算法与放大算法不同，图像缩小是通过减少像素个数来实现的。因此，需要根据缩小的尺寸来选择合适的像素点，使得图像缩小后尽可能保持源图像特征。基于等间隔采样的缩小算法。 这种算法是通过对图像像素的均匀采样来保持所选择的像素仍旧保持像素的概貌特征。 算法1通过matlab实现可得： function small=big2small(A,h,l) [m,n]=size(A); k1=m/h;k2=n/l; small=zeros(h,l); for i=1:h for j=1:l i0=i*k1;j0=j*k2; i1=floor(i0+0.5); j1=floor(j0+0.5); small(i,j)=A(i1,j1); end end end 1、基于局部均值的缩小算法。 这种算法通过采样间隔dx，dy将原图像矩阵分割为一系列小的矩阵，并计算这些小矩阵的元素的和，再求其均值赋给目标矩阵相应的像素。这样就避免了算法1中某些未取到的元素不能将其信息反映到目标矩阵的缺点。 算法2通过matlab实现可得： function small=big2small2(A,h,l) [m,n]=size(A); %获得矩阵A大小 A=im2double(A); small=zeros(h,l); for i=1:h for j=1:l sum=0; i1=round((m/h).*(i-1)+1); %将矩阵分块 j1=round((n/l).*(j-1)+1); %i1,j1为矩阵小块左上角元素下标 i2=round((m/h).*i); j2=round((n/l).*j); %i2,j2为矩阵小块右下角元素下标 for ii=i1:i2 for jj=j1:j2 sum=sum+A(ii,jj); %计算矩阵内元素值的和 end end small(i,j)=sum/((i2-i1+1).*(j2-j1+1)); %将均值赋给目标矩阵 end end end
１引言 传统的航空遥感图像镶嵌是先将一系列具有重叠区域的图像进行手工镶嵌，去除多余的重叠部分，再进行大幅区域的判读识别。随着航空航天遥感手段的不断进步，数字传感器大量应用于航空航天遥感图像的拍摄，获得的数字图像数量日益增多，依靠传统的人工镶嵌已不能满足“实时性”的需要。因此，依靠计算机技术的数字图像自动镶嵌技术应运而生。数字图像镶嵌技术就是通过计算机将一系列具有重叠区域的图像集合拼接成一幅大型的无缝的图像。通过图像镶嵌技术，可以剔除冗余信息，压缩信息存储量，从而更加有效地表达信息量。 图像镶嵌技术在宇宙空间探测、海底勘测、医学、气象、地质勘测、军事、视频压缩和传输，档案的数字化保存，视频的索引和检索，物体的３－Ｄ重建，军事侦察和公安取证等领域都有广泛的应用。主要表现为： （１）全景图和超宽视角图像的合成： 将普通图像或视频图像进行无缝镶嵌，得到超宽视角甚至３６０度全景图，这样就可以用普通相机实现场面宏大的景物拍摄。 （２）碎片图像的组合： 将医学和科研的显微碎片图像或者空间、海底探测得到的局部图像合成大幅的整体图像。 （３）虚拟现实： 图像镶嵌是虚拟现实领域里场景绘制（Ｉｍａｇｅ—ｂａｓｅｄＲｅｎｄｅｒｉ－ｎｇ，ＩＢＲ）方法中的一项基本技术。利用图像镶嵌技术可以生成全方位图像，用全景图表示实景可代替３Ｄ场景建模和绘制。 数字图像镶嵌技术综述 王志强，程红 （中国人民解放军空军航空大学，长春１３００２２） 摘要：图像镶嵌技术可分为图像预处理、图像配准和图像缝合三个基本步骤，在现实生活中有着广泛的应用。 本文综述了国内外研究数字图像镶嵌的几类经典算法，对各步骤中所使用的算法进行了分析比较，总结了在不同情况下使用不同方法的优缺点，并对图像镶嵌技术的发展进行了展望。 关键词：图像镶嵌；几何校正；图像配准 中图分类号：ＴＰ７５１．１文献标识码：Ａ文章编号：１００１－０２７０（２００８）０２－００１１－０４ ＡＲｅｖｉｅｗｏｎＤｉｇｉｔａｌＩｍａｇｅＭｏｓａｉｃＴｅｃｈｎｉｑｕｅ ＷＡＮＧＺｈｉ－ｑｉａｎｇ，ＣＨＥＮＧＨｏｎｇ （ＰＬＡＡｉｒＦｏｒｃｅＡｖｉａｔｉｏｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００２２） Ａｂｓｔｒａｃｔ：Ｔｈｅｂａｓｉｃｉｍａｇｅｍｏｓａｉｃｔｅｃｈｎｉｑｕｅｉｎｃｌｕｄｅｓｔｈｒｅｅｓｔｅｐｓ：ｉｍａｇｅｐｒｅｔｒｅａｔｍｅｎｔ，ｒｅｇｉｓｔｒａｔｉｏｎａｎｄｓｔｉｔｃｈｉｎｇａｎｄｉｓｖｅｒｙｕｓｅｆｕｌｉｎｒｅａｌｌｉｆｅ．Ｉｎｔｈｉｓｐａｐｅｒ，ｓｏｍｅｔｙｐｉｃａｌｄｏｍｅｓｔｉｃａｎｄｏｖｅｒｓｅａｓａｌｇｏｒｉｔｈｍｓｗｅｒｅｒｅｖｉｅｗｅｄａｎｄｃｏｍｐａｒｅｄｂｙｅａｃｈｓｔｅｐ．Ｔｈｅａｄｖａｎｔａｇｅｓａｎｄｓｈｏｒｔｃｏｍｉｎｇｓｏｆｕｓｉｎｇｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓｉｎｄｉｆｆｅｒｅｎｔｃｏｎｄｉｔｉｏｎｓｗｅｒｅｓｕｍｍａｒｉｚｅｄ；ｔｈｅｐｒｏｓｐｅｃｔｓｏｆｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｉｍａｇｅｍｏｓａｉｃｔｅｃｈｎｉｑｕｅｗｅｒｅａｌｓｏｐｕｔｆｏｒｗａｒｄ． ＫｅｙＷｏｒｄｓ：ｉｍａｇｅｍｏｓａｉｃ；ｇｅｏｍｅｔｒｉｃｒｅｃｔｉｆｉｃａｔｉｏｎ；ｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ 作者简介：王志强，男（１９８２－），空军航空大学军事情报学专业在读研究生。 程红，女（１９６９－），硕士生导师、教授，主要从事遥感图像信息处理。 收稿日期：２００７－０６－１４
第八章图像融合算法 8.1 图像融合技术的发展过程 随着科学的发展和技术的进步，采集图像数据的手段不断完善，出现了各种新的图像获取技术。如今，图像融合方法已经运用于社会的很多领域，像遥感卫星图像，光图像，红外图像，医学图像，尤其是多传感器图像融合应用以来，它已成为计算机视觉，目标识别，机器人以及军事等方面研究的重要方面。
8.2基于小波变换图像融合的基本原理 如果一个图像进行L 层小波分解，我们将得到（3L ＋1）层子带，其中包括低频的基带和层的高频子带。用代表源图像，记为，设尺度系数和小波函数对应的滤波器系数矩阵分别为，则二维小波分解算法可描述为： j C 3L ,h v d D D D 和(,)f x y 0C ()x Φ()x ΨH G 与11 1 j h j j v j j d j j C HC H D GC H D HC G D GC G +++′ =??′=??′=??′=?j+1(0,1, (1) j J =?（8-1）
小波重构算法为： 基于二维DWT 的融合过程如图1.1所示，ImageA 和 ImageB 代表两幅源图像A 和B ，ImageF 代表融合后的图像，具体步骤如下：（1）图像的预处理： 1h v d j j j j j C H C H G D H H D G G D G ?′′′′=+++(,1, (1) j J J =?（8-2） 图8.1 基于DWT 图像融合过程
①图像滤波 ②图像配准 （2）对ImageA和ImageB进行二维DWT分解，得到图像的低频和高频分量。 （3）根据低频和高频分量的特点，按照各自的融合算法进行融合。 （4）对以上得到的高低频分量，经过小波逆变换重构得到融合图像ImageF。 8.3 融合效果性能评价指标 8.3.1均值和标准差
基于MATLAB的图像融合算法
基于MATLAB的图像融合算法 摘要 图像融合能够将不同类型传感器获取的同一对象的图像数据进行空间配准。并且采用一定的算法将各图像数据所含的信息优势或互补性有机的结合起来产生新的图像数据。这种新数据具有描述所研究对象的较优化的信息表征，同单一信息源相比，能减少或抑制对被感知对象或环境解释中可能存在的多义性、不完全性、不确定性和误差，最大限度的利用各种信息源提供的信息。 图像融合分为像素级、特征级、决策级三个层次，其中像素级图像融合能够提供其它层次上的融合处理所不具有的更丰富、更精确、更可靠的细节信息，有利于图像的进一步分析、处理和理解，它在整个图像融合技术中是最为复杂、实施难度最大的融合处理技术。本文的研究工作是围绕像素级图像融合展开的，针对像素级图像融合技术中需要解决的关键问题，研究了多种像素级图像融合方法。 本论文的主要的研究内容有： 首先介绍了图像信息融合的概念、优势、发展历史和应用领域，并介绍了图像融合的三个层次及常用的空域图像融合方法,空域融合方法有像素平均法、像素最大最小法、像素加权平均法，频域融合方法包括图像的多尺度分解、图像的小波变换、基于小波变换的 图像融合方法。图像的预处理有滤波（邻域平均滤波法、中值滤波法）和图像配准。最后，对于图像融合系统来说，融合图像质量的评价显得特别重要，本文探讨了图像融合质量的评价问题，总结了融合效果的主、客观评价标准，作为本课题性能分析的判断标准。 关键词：图像配准；图像融合；空域融合法；小波变换；评价标准
MATLAB-based image fusion algorithm Abstract The same object gotten from different sensors can be registered spatially by mage fusion. The information advantages or the complements of all the image data can be combined to produce new image data using some fusion algorithms. The new data can describe the optimized information of the studied object. Compared with single information source, the new data can reduce or restrain the ambiguity, the incompleteness, the uncertainty and the error, which may appears in the explanation of the studied object or the environment, and make full use of the information provided by all kinds of resources. Image fusion consists of such three levels as the Pixel level，the feature level and the decision level，among which the Pixel level image fusion can Provide more abundant, accurate and reliable detailed information tha t doesn’t exist on the other levels and It is the most complicated in the whole image fusion techniques and also is the most difficult to implement in the fusion Processing techniques. this dissertation Progresses mainly around the Pixel level image fusion and proposes a variety of Pixel level image fusion techniques according to the key Problems in the Pixel level image fusion techniques. The major research and findings are as follows: First we introduce the concepts，advantages，developments and applications. Three levels of image fusion and image fusion techniques in common use are also reviewed. Airspace Image Fusion such as simple fusion method (pixel average, maximal or minimal pixel selection), Frequency-domain image fusion methods include the multiresolution image fusion techniques based on multi-scale pyramid decomposition, and the image fusion method based on wavelet transform Image Pre-processing like Filter processing (neighborhood average filter, median filtering method) and Image Registration. in the end, evaluation for fusion image is vital to fusion system. This dissertation probes into the image fusion quality assessment and deduces a set of indexes as the criteria to analyze the performances of this discussion. Keywords: Image Registration；Image Fusion；Airspace integration method；Wavelet Transform；Evaluation criteria
文献综述 近年来，随着计算机视觉技术的日益发展，图像处理作为该领域的关键方向受到越来越多研究人员的关注与思考。在现在的日常生活中，由于通信设备低廉的价格和便捷的操作，人们越来越喜欢用图像和视频来进行交流和分享，消费性的电子产品在消费者中已经非常普遍，例如移动手机和数码相机等等。在这个纷繁多变的世界，每天都有数以万计的图像产生，同时信息冗余问题也随之而来。尽管在一定的程度上，内存技术的增加和网络带宽的提高解决了图像的压缩和传输问题，但是智能的图像检索和有效的数据存储，以及图像内容的提取依然没有能很好的解决。 视觉注意机制可以被看做是人类对视觉信息的一个筛选过程，也就是说只有一小部分重要的信息能够被大脑进行处理。人类在观察一个场景时，他们往往会将他们的注意力集中在他们感兴趣的区域，例如拥有鲜艳的颜色，光滑的亮度，特殊的形状以及有趣的方位的区域。传统的图像处理方法是将整幅图像统一的处理，均匀的分配计算机资源；然而许多的视觉任务仅仅只关系图像中的一个或几个区域，统一的处理整幅图像很明显会浪费过多的计算机资源，减少处理的效率[1,2]。因此，在计算机视觉领域，建立具有人类视觉系统独特数据筛选能力的数学模型显得至关重要。受高效的视觉信息处理机制的启发，计算机视觉领域的显著性检测应运而生。图像显著性检测是通过建立一定的数学模型，让计算机来模拟人类的视觉系统，使得计算机能够准确高效的定位到感兴趣的区域。 一般来说，一个信号的显著性可以表示为其和周围环境的差异性。正是因为这个信号和周围的其他信号的迥异性，使得视觉系统不需要对环境中的所有感兴趣的区域进行逐个的扫描，显著的目标会自动从环境中凸显出来。另外，一些心理学研究表明人类的视觉机制不仅仅是由低级的视觉信号来驱动的，基于记忆、经验等的先验知识同样能够决定场景中的不同信号的显著性，而这些先验知识往往是和一些高层次的事件以及视觉任务联系在一起的。基于当前场景的视觉显著性机制是低级的，慢速的。而基于先验知识的显著性机制通常是和高层次的任务关联在一起的，其效率通常低于由视觉信号驱动的显著性机制。人眼视觉系统通过显著性原理来处理复杂的视觉感知是不争的事实，这种显著性的处理机制使得复杂背景下的目标检测、识别有了很大程度的提升。 在模式识别、计算机视觉等领域，越来越多的计算机工作者致力于开发显著性计算模型，用以简单的表达图像的主要信息。这些显著性模型的检测结果是一个显著性灰度图，其每个像素点的灰度值表示了该像素的显著性，灰度值越大，表明该像素越显著。从信息处理的方式看，显著性模型大致可以分为两类：自顶向下（任务驱动）和自底向上（数据驱动）的方法。 自顶向下的显著性检测方法之所以是任务驱动，这是因为该类模型通常是和某一特定的任务相关。在同样的场景或模式下，检测到的结果因任务的不同而不同是自顶向下模型最突出的特点。例如在目标检测中，检测者需要首先告诉需要检测的目标是什么，检测到的显著性图则表示目标可能出现的位置。自顶向下的显著性检测方法的依据是：如果研究者事先知道需要检测目标的颜色、形状或者方向等特征，那么该检测算法自然会高效的检测到需要检测的目标。因此，自顶向下的算法通常需要人工标记，或是从大量的包含某种特定目标的图像中学习该类目标的特征信息，这些学习方法一般是监督的；然后求测试图像对于训练学习得到的信息的响应，从而得到测试图像的显著性图。现存的一些自顶向下的算法在某些特定的目标上取得了一定的效果，不过这些算法往往只对某些特定的目标有效，对于复杂多变的自然图像，该类算法存在很大的缺陷。自顶向下的模型是慢速的、任务驱动的，有意识的，以及封闭回路的。由于自顶向下模型的特点，其应用受到了很大的限制。
基于matlab的数字图像增强算法研究与实现 摘要图像在获取和传输过程中，会受到各种噪声的干扰，使图像退化质量下降，对分析图像不利。图像的平滑或去噪一直是数字图像处理技术中的一项重要工作。为此，论述了在空间域中的各种数字图像平滑技术方法。 关键字：数字图像；图像增强；平滑处理
目录 第一章、概述 2 1.1 图像平滑意义 2 1.2图像平滑应用 2 1.3噪声模 型 (3) 第二章 、图像平滑方法 5 2.1 空域低通滤波 5 2.1.1 均值滤波器 6 2.1.2 中值滤波器 6 2.2 频域低通滤波 7 第三章、图像平滑处理与调试 9 3.1 模拟噪声图像 9 3.2均值滤波法 11 3.3 中值滤波法 14 3.4 频域低通滤波法 17 第四章、总结与体会 19 参考文献 20 第一章、概述 1.1图像平滑意义 图像平滑（S m o o t h i n g）的主要目的是减少图像噪声。图像噪声来自于多方面，有来自于系统外部的干扰（如电磁波或经
电源窜进系统内部的外部噪声），也有来自于系统内部的干扰（如摄像机的热噪声，电器机械运动而产生的抖动噪声内部噪声）。实际获得的图像都因受到干扰而有噪声，噪声产生的原因决定了噪声分布的特性及与图像信号的关系。减少噪声的方法可以在空间域或在频率域处理。在空间域中进行时，基本方法就是求像素的平均值或中值；在频域中则运用低通滤波技术。 图像中的噪声往往是和信号交织在一起的，尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓，线条等模糊不清，从而使图像降质。图像平滑总是要以一定的细节模糊为代价的，因此如何尽量平滑掉图像的噪声，又尽量保持图像的细节，是图像平滑研究的主要问题之一。 1.2图像平滑应用 图像平滑主要是为了消除被污染图像中的噪声,这是遥感图像处理研究的最基本内容之一,被广泛应用于图像显示、传 输、分析、动画制作、媒体合成等多个方面。该技术是出于人类视觉系统的生理接受特点而设计的一种改善图像质量的方法。处理对象是在图像生成、传输、处理、显示等过程中受到多种因素扰动形成的加噪图像。在图像处理体系中,图像平滑是图像复原技术针对“一幅图像中唯一存在的退化是噪声”时的特例。 1.3噪声模型 1.3.1噪声来源 一幅图像可能会受到各种噪声的干扰，而数字图像的实质就是光电信息，因此图像噪声主要可能来源于以下几个方面：光电传感器噪声、大气层电磁暴、闪电等引起的强脉冲干扰、
I.J. Image, Graphics and Signal Processing, 2013, 5, 55-62 Published Online April 2013 in MECS (https://www.doczj.com/doc/4013988300.html,/) DOI: 10.5815/ijigsp.2013.05.07 A Comparative Analysis of Image Scaling Algorithms Chetan Suresh Department of Electrical and Electronics Engineering, BITS Pilani Pilani - 333031, Rajasthan, India E-mail: shivchetan@https://www.doczj.com/doc/4013988300.html, Sanjay Singh, Ravi Saini, Anil K Saini Scientist, IC Design Group, CSIR – Central Electronics Engineering Research Institute (CSIR-CEERI) Pilani – 333031, Rajasthan, India Abstract—Image scaling, fundamental task of numerous image processing and computer vision applications, is the process of resizing an image by pixel interpolation. Image scaling leads to a number of undesirable image artifacts such as aliasing, blurring and moiré. However, with an increase in the number of pixels considered for interpolation, the image quality improves. This poses a quality-time trade off in which high quality output must often be compromised in the interest of computation complexity. This paper presents a comprehensive study and comparison of different image scaling algorithms. The performance of the scaling algorithms has been reviewed on the basis of number of computations involved and image quality. The search table modification to the bicubic image scaling algorithm greatly reduces the computational load by avoiding massive cubic and floating point operations without significantly losing image quality. Index Terms—Image Scaling, Nearest-neighbour, Bilinear, Bicubic, Lanczos, Modified Bicubic I.I NTRODUCTION Image scaling is a geometric transformation used to resize digital images and finds widespread use in computer graphics, medical image processing, military surveillance, and quality control [1]. It plays a key role in many applications [2] including pyramid construction [3]-[4], super-sampling, multi-grid solutions [5], and geometric normalization [6]. In surveillance-based applications, images have to be monitored at a high frame rate. Since, the images need not be of the same size, image scaling is necessary for comparison and manipulation of images. However, image scaling is a computationally intensive process due to the convolution operation, which is necessary to band-limit the discrete input and thereby diminishes undesirable aliasing artifacts [2]. Various image scaling algorithms are available in literature and employ different interpolation techniques to the same input image. Some of the common interpolation algorithms are the nearest neighbour, bilinear [7], and bicubic [8]-[9]. Lanczos algorithm utilizes the 3-lobed Lanczos window function to implement interpolation [10]. There are many other higher order interpolators which take more surrounding pixels into consideration, and thus also require more computations. These algorithms include spline [11] and sinc interpolation [12], and retain the most of image details after an interpolation. They are extremely useful when the image requires multiple rotations/distortions in separate steps. However, for single-step enlargements or rotations, these higher-order algorithms provide diminishing visual improvement and processing time increases significantly. Novel interpolation algorithms have also been proposed such as auto-regression based method [13], fuzzy area-based scaling [14], interpolation using classification and stitching [15], isophote-based interpolation [16], and even interpolation scheme combined with Artificial Neural Networks [17]. Although these algorithms perform well, they require a lengthy processing time due to their complexity. This is intolerable for real-time image scaling in video surveillance system. Hence, these algorithms have not been considered for the comparative analysis in this paper. In this paper, firstly, image interpolation algorithms are classified and reviewed; then evaluation and comparison of five image interpolation algorithms are discussed in depth based on the reason that evaluation of image interpolation is essential in the aspect of designing a real-time video surveillance system. Analysis results of the five interpolation algorithms are summarized and presented. II.I MAGE S CALING Image scaling is obtained by performing interpolation over one or two directions to approximate a pixel’s colour and intensity based on the values at neighbouring