多传感器技术的发展使大量同一区域多源图像的获得成为可能。不同传感器获得的图像包含不同的信息,将两幅或多幅图像融合为一幅图像的过程称为图像融合,融合后的图像综合有各源图像的信息,更有利于对区域目标进一步分析、理解以及目标的检测、识别或跟踪。按照数据信息抽象层次的不同,图像融合可分为像素级、特征级和决策级融合,本文主要讨论像素级融合的问题。常用的像素加权平均法等单尺度像素级融合算法,实现简单且计算量小,但存在融合后图像对比度下降显著、细节模糊、信息损失大等缺点,不利于广泛的应用。基于多尺度分解的图像融合方法由于其融合过程是在不同尺度、不同空间分辨率、不同分解层上分别进行的,可以获得比单尺度图像融合方法更好的融合结果,是现阶段融合技术的研究热点。基于多尺度分解的融合方法主要从尺度分解方法和融合规则两方面开展研究。在多尺度分解方面,从早期的拉普拉斯金字塔、对比度金字塔等发展到已广泛应用的小波变换法。小波变换虽然可以较好捕获边缘中的不连续点,却存在无法应对多方向的边缘提取,重构时产生Gibbs现象影响融合质量等不足。最近提出的轮廓波(Contourlet)变换因其方向滤波器可以准确得到任意方向的边缘信息,而被引入到图像融合中,取得了优于小波融合法的结果。但轮廓波也不具备平移不变性,重构时易产生Gibbs现象。非子采样轮廓波变换(NSCT)由轮廓波变换发展而来,具有平移不变性,在各个方向边缘特征捕获方面并不逊色于轮廓波变换,且滤波器的设计简单,更加适合图像融合。本文研究了常用的几种尺度分解方法:塔形变换、小波变换、非子采样轮廓波变换等,并在在融合规则方面提出了基于清晰度的融合方法和基于局部对比度增强的融合方法。本文对当前流行的融合评价指标也进行了研究,并将其引入多种融合方法的对比实验中。实验结果表明本文提出的基于清晰度的融合方法可以提取明显的边缘信息,基于局部对比度增强的融合方法可以有效增强目标背景对比度。
