基于非下采样轮廓波变换的图像融合

基于非下采样轮廓波变换的图像融合

1. 概述

非下采样轮廓波变换(Non-Subsampled Contourlet Transform, NSCT)是一种多尺度、多方向的图像表示方法，能够有效地捕捉图像中的几何结构信息。基于NSCT的图像融合方法因其优秀的性能在医学成像、遥感图像处理等领域得到了广泛应用。

2. NSCT基本原理

2.1 轮廓波变换

轮廓波变换(Contourlet Transform)由Do和Vetterli提出，能够提供图像的多尺度、多方向分解，具有以下特点：

• 多分辨率分析
• 局部定位
• 方向性
• 各向异性

2.2 非下采样改进

传统轮廓波变换使用下采样操作，会导致平移敏感性。NSCT通过去除下采样步骤解决了这一问题：

• 使用非下采样金字塔分解实现多尺度分析
• 采用非下采样方向滤波器组实现多方向分解
• 具有平移不变性

3. 基于NSCT的图像融合框架

3.1 基本流程

1. 分解阶段：对源图像进行NSCT分解，得到低频子带和高频方向子带
2. 融合规则：对不同频率子带采用不同的融合策略
3. 重构阶段：对融合后的系数进行NSCT逆变换得到融合图像

3.2 融合规则设计

低频子带融合

低频系数反映图像的整体轮廓和能量信息，常用方法：

• 加权平均法
• 基于区域能量的融合规则
• 基于稀疏表示的融合方法

高频子带融合

高频系数包含图像的细节和边缘信息，常用方法：

• 绝对值取大法
• 基于区域方差或梯度的融合规则
• 脉冲耦合神经网络(PCNN)方法
• 基于边缘信息的融合策略

4. 算法实现步骤

1. 参数设置：

   • 分解层数(通常3-5层)
   • 各层方向数(通常从低频到高频方向数递增)

2. NSCT分解：

   % 示例MATLAB代码
   pfilt = 'pyrexc';  % 金字塔滤波器
   dfilt = 'vk';      % 方向滤波器
   nlevels = [3, 3, 4]; % 各层方向数
   I1_nsct = nsctdec(I1, nlevels, dfilt, pfilt);
   I2_nsct = nsctdec(I2, nlevels, dfilt, pfilt);
   

3. 系数融合：

   % 低频系数融合(以加权平均为例)
   F_low = 0.5*(I1_nsct{1} + I2_nsct{1});
   
   % 高频系数融合(以取绝对值最大为例)
   for i = 2:length(nlevels)+1
       for d = 1:length(I1_nsct{i})
           F_high{i-1}{d} = max(abs(I1_nsct{i}{d}), abs(I2_nsct{i}{d}));
       end
   end
   

4. 图像重构：

   F = nsctrec(F_low, F_high, dfilt, pfilt);
   

参考代码 基于非下采样轮廓波变换的图像融合

5. 性能评价指标

常用的融合效果评价指标包括：

1. 信息熵(EN)：衡量融合图像的信息量
2. 空间频率(SF)：反映图像的空间细节信息
3. 互信息(MI)：衡量源图像与融合图像的信息相关性
4. 边缘保持度(Q^AB/F)：评估边缘信息的传递效果
5. 结构相似性(SSIM)：评估结构信息的保持程度