อัลกอริทึมการฟิวชั่นภาพที่ดีขึ้น
เราเป็น บริษัท การพิมพ์ขนาดใหญ่ในเซินเจิ้นประเทศจีน เรานำเสนอสิ่งพิมพ์หนังสือทุกเล่มการพิมพ์หนังสือปกแข็งการพิมพ์หนังสือปกอ่อนโน๊ตบุ๊คปกแข็งการพิมพ์หนังสือ sprial อาน stiching การพิมพ์หนังสือการพิมพ์หนังสือเล่มเล็กกล่องบรรจุภัณฑ์ปฏิทินทุกชนิดของพีวีซีโบรชัวร์ผลิตภัณฑ์บันทึกย่อหนังสือเด็กสติกเกอร์ทั้งหมด ชนิดของผลิตภัณฑ์กระดาษพิมพ์สีพิเศษ, เกม cardand เป็นต้น
สำหรับข้อมูลเพิ่มเติมกรุณาเยี่ยมชม
http://www.joyful-printing.com ภาษาอังกฤษเท่านั้น
http://www.joyful-printing.net
http://www.joyful-printing.org
อีเมล: info@joyful-printing.net
เป็นครั้งแรก บทนำ
ฟิวชั่นภาพคือการสังเคราะห์ข้อมูลภาพที่ได้จากเซ็นเซอร์สองตัวหรือมากกว่าเพื่อสร้างภาพที่ถูกต้องและสมบูรณ์ยิ่งขึ้น ภาพฟิวชั่นถูกแบ่งออกเป็นสามระดับตั้งแต่ระดับต่ำไปจนถึงระดับสูงฟิวชั่นระดับพิกเซลฟิวชั่นระดับคุณลักษณะและเฟสระดับการตัดสินใจ การแปลงเวฟเล็ตเป็นวิธีที่นิยมใช้ในการฟิวชั่นภาพ การวิจัยแสดงให้เห็นว่าการแปลงเวฟเล็ตไม่ได้เป็นวิธีการแสดงสมรรถนะที่ดีที่สุดในกรณีที่มีมิติสูง เพื่อให้สามารถแสดงและประมวลผลข้อมูลเชิงพื้นที่ได้อย่างมีประสิทธิภาพเช่นภาพนักวิจัยได้เสนอเครื่องมือวิเคราะห์ทางเรขาคณิตหลายแบบเช่น Ridgelet, Curvelet, Bandelet, Contourlet และ Wavelet-Contourlet วิธีการที่นำเสนอนี้เป็นรากฐานสำหรับการสร้างวิธีฟิวชั่นที่มีประสิทธิภาพมากขึ้นในด้านการฟิวชั่นภาพ
การแปลงเวฟเล็ตและการแปลง Contourlet เป็นเครื่องมือหลักสองตัวที่ใช้ทั่วไปสำหรับการฟิวชั่นภาพ การแปลงเวฟเล็ตเป็นไปได้ทั้งในเชิงทฤษฎีและในทางปฏิบัติ เครื่องมือนี้มักเป็นเครื่องมือทั่วไปในการฟิวชั่นภาพ แต่สามารถรับข้อมูลได้ในสามทิศทาง ได้แก่ แนวนอนแนวตั้งและแนวทแยงมุม การแปลง Contourlet สามารถชดเชยความสมบูรณ์ของทิศทางการแปลงเวฟเล็ตและรับข้อมูลในทิศทางใดก็ได้ของภาพ ในขณะเดียวกันการแปลงเวฟเล็ตและการแปลงคอนเทอร์ทเลตจะประมวลผลภาพในรูปแบบเดียวกันนั่นคือภาพจะถูกย่อยสลายเป็นความถี่ต่ำและส่วนความถี่สูงและฟิวชั่นภาพจะทำงานในความถี่ต่ำและความถี่สูงตามลำดับ ดังนั้นการแปลงเวฟเล็ตและการแปลง Contourlet สามารถรวมกันเพื่อปรับปรุงประสิทธิภาพของภาพ
การวิจัยการฟิวชั่นภาพไม่เพียง แต่รวมถึงการค้นคว้าขั้นตอนวิธีเท่านั้น แต่ยังรวมถึงการวิจัยเกี่ยวกับกฎฟิวชั่น กฎฟิวชั่นในขณะนี้มักจะเลือกกฎฟิวชั่นภูมิภาค (หรือหน้าต่าง) เนื่องจากความถี่ต่ำมักสะท้อนข้อมูลพลังงานของภาพและความถี่สูงสะท้อนถึงข้อมูลขอบเขตของภาพนั่นคือระดับของการเปลี่ยนแปลง ความแปรปรวนยังสะท้อนถึงการเปลี่ยนแปลงโดยรวมระหว่างพิกเซลภาพ ดังนั้นในบทความนี้จึงเลือกวิธีการฟิวชั่นในการเลือกค่าเฉลี่ยถ่วงน้ำหนักของความแปรปรวนของภูมิภาคในส่วนที่มีความถี่สูง
ประการที่สองการแปลงเวฟเล็ต - คอนทัวร์เลอร์
1. การแปลงเวฟเล็ต
ในปี 1989 แรงบันดาลใจจากการสลายตัวของภาพ Burt และ Adelson และการสร้างพีระมิดขั้นตอนวิธีใหม่ (อัลกอริทึม Pyramid Gauss-Laplace) Mallat ได้แนะนำแนวคิดการวิเคราะห์แบบหลายระดับในด้านวิสัยทัศน์ของคอมพิวเตอร์ในการวิเคราะห์เวฟเล็ต แนวคิดของการวิเคราะห์ความละเอียดจะได้จากอัลกอริธึมที่รวดเร็วของ Mallat
อัลกอริทึม Mallat แบบสองมิติสามารถแสดงได้ดังนี้
ในสูตรส่วนประกอบความถี่ต่ำในความละเอียดเชิงพื้นที่เป็นองค์ประกอบความถี่สูงตามลำดับในทิศทางแนวนอนแนวตั้งและแนวทแยงมุมในความละเอียดเชิงพื้นที่ เป็นชุดของจำนวนเต็มเป็นตัวกรองคอนจูเกตกระจก
2.Contourlet transform
เนื่องจากการแปลงเวฟเล็ตไม่ได้เป็นตัวแทนของข้อมูลทิศทางของภาพ ในปี 2002 Do และ Vetterli เสนอการแปลง Contourlet การแปลง Contourlet เป็นวิธีการแสดงภาพที่มีความละเอียดสูงแบบท้องถิ่นและแบบทิศทาง สามารถให้ข้อมูลได้ในทิศทางใด ๆ และเป็นการแสดงภาพสองมิติแบบเบาบาง การแปลง Contourlet ใช้ช่องกรองสองช่องที่ประมวลผลภาพในสองขั้นตอน:
2.1 พีระมิด Laplacian (LP) ใช้ในการย่อยสลายภาพป้อนข้อมูล การสลายตัวของ LP ประกอบด้วยสี่ขั้นตอน ได้แก่ การกรองแบบ low-pass, down-sampling, interpolation amplification และ band-pass filtering การย่อยสลายแผ่นความถี่ต่ำของ subbands ความถี่ต่ำทำให้ความถี่ต่ำและ subbands ความถี่สูงในช่วงของเครื่องชั่งที่แตกต่างกัน
2.2 การวิเคราะห์ทิศทางจะดำเนินการในธนาคารตัวกรองทิศทางความถี่สูงที่ได้จากการย่อยสลายของแผ่นอะลูมิเนียม วัตถุประสงค์ของการกรองธนาคารทิศทางคือการจับภาพข้อมูลความถี่สูงทิศทางของภาพและรวมจุดเอกพจน์ในทิศทางเดียวกันเป็นหนึ่งค่าสัมประสิทธิ์
ธนาคารตัวกรองทิศทางจะย่อยยับโครงสร้างระดับต้นไม้ของภาพและสลายตัวโดเมนความถี่เป็นกลุ่มย่อยซึ่งแต่ละรูปจะมีรูปลิ่ม วิธีแรกใช้ตัวกรองพัดลมที่แสดงในรูปที่ 1 และตัวกรองตัวอย่าง 5 ตัวเพื่อย่อยสลายภาพอินพุทเป็นสองแถบย่อยแนวนอนและแนวตั้งจากนั้นจะแนะนำตัวดำเนินการตัดการทำงานของ Resume
รูปที่ 1 ธนาคารตัวกรอง (ตัวกรองพัดลมและตัวกรองตัวอย่าง 5 ตัว)
รูปที่ 1 แสดงถึงการสุ่มตัวอย่าง 5 แบบและพื้นที่สีดำแสดงการสลายตัวของโดเมนความถี่ที่เหมาะสำหรับแต่ละตัวกรอง
3. การแปลงเวฟเล็ต - คอนทัวร์เลอร์
การสลายตัวของ LP ที่ใช้ในขั้นตอนแรกของการแปลงคอนเทอร์เล็ตเป็นเรื่องที่ซ้ำซ้อนส่งผลให้เกิดการซ้ำซ้อน 4/3 ของการแปลง Contourlet นอกจากนี้ความสัมพันธ์ของการสลายตัวของ LP ยังไม่ดีเท่าการแปลงเวฟเล็ต ในการตอบสนองต่อปัญหาข้างต้น Eslami R และ Radha H ได้เสนอการแปลงเวฟเล็ต - คอนทัวร์แลต การแปลงเวฟเล็ต - คอนทัวร์ร์เลตประกอบด้วยธนาคารตัวกรองสองขั้นตอน ขั้นตอนแรกจะถูกย่อยสลายโดยการแปลงเวฟเล็ตเพื่อให้ได้ส่วนประกอบความถี่สูงของภาพซึ่งจะช่วยลดความสัมพันธ์ของข้อมูลรายละเอียดย่อย ขั้นตอนที่สองใช้ตัวกรองทิศทางของธนาคาร subbands ในทุกทิศทางของความถี่สูงจะได้รับ ดังแสดงในรูปที่ 2:
ประการที่สามขึ้นอยู่กับขั้นตอนวิธีการเลือกค่าความแปรปรวนเฉลี่ย
ขั้นตอนของฟิวชั่นอัลกอริทึมในบทความนี้มีดังต่อไปนี้:
1 การแปลงเวฟเล็ต - คอนเทอร์เล็ทบนภาพเบลอด้านซ้ายและภาพเบลอที่ถูกต้องตามลำดับและได้รับส่วนความถี่ต่ำและส่วนความถี่สูงของภาพต้นฉบับ
2 ส่วนความถี่ต่ำใช้กฎฟิวชั่นถัวเฉลี่ยถ่วงน้ำหนักแบบง่ายๆ
หลังจากที่ภาพถูกแปลงโดยเวฟเล็ตคอนฟอร์เล็ตค่าสัมประสิทธิ์ความถี่ต่ำจะเน้นพลังงานส่วนใหญ่ของภาพต้นฉบับซึ่งจะเป็นตัวกำหนดภาพรวมของภาพ ในบทความนี้เราใช้กฎฟิวชั่นถัวเฉลี่ยถ่วงน้ำหนักสำหรับค่าสัมประสิทธิ์ความถี่ย่านความถี่ต่ำ
3 ส่วนความถี่สูงใช้กฎฟิวชันของการถ่วงน้ำหนักการเลือกค่าความแปรปรวน
หลังจากแปลงภาพโดยเวฟเล็ต - คอนเทอร์เล็ตแล้วค่าสัมประสิทธิ์ความถี่สูงจะมีรายละเอียดและข้อมูลขอบของภาพ ค่าสัมประสิทธิ์ย่อยย่อยความถี่สูงแต่ละค่าจะแสดงถึงลักษณะเฉพาะของทิศทาง ในบทความนี้จะใช้อัลกอริทึมฟิวชันขึ้นอยู่กับค่าเฉลี่ยการเลือกค่าความแปรปรวน กฎฟิวชั่นมีดังนี้:
ประการแรกจะได้รับชั้นการย่อยสลายของภาพย่อยที่มีความถี่สูงของภาพเบลอด้านซ้ายและภาพเบลอด้านขวาและค่าความแปรปรวนในท้องถิ่นของพิกเซลที่สัมพันธ์กันในทิศทางที่เกี่ยวข้องจะถูกบันทึกเป็น: ดูสูตร (2) สำหรับสูตร:
จากนั้นก็ทำให้ปกติ:
กำหนดเกณฑ์: บทความนี้ใช้การจำลอง จากนั้นจะมี:
ซึ่งตามลำดับแสดงค่าพิกเซลของภาพที่หลอมละลายภาพและภาพในชั้นและทิศทางที่สลายตัว จากสมการ (5) และ (6) เมื่อค่าความแปรปรวนในท้องถิ่นของภาพปกติ A และ B มีขนาดใหญ่หมายความว่าภาพหนึ่งมีข้อมูลรายละเอียดของขอบที่อุดมไปด้วยในขณะที่ภาพอื่น ๆ มีข้อมูลรายละเอียดขอบน้อย ค่าพิกเซลที่มีความแปรปรวนในท้องถิ่นมากขึ้นจะถูกเลือกเป็นค่าสัมประสิทธิ์การผสม เมื่อทั้งสองภาพเป็นแบบปกติความแปรปรวนในท้องถิ่นใกล้เคียงแสดงว่าภาพทั้งสองมีข้อมูลรายละเอียดขอบที่หลากหลาย อัลกอริทึมฟิวชั่นฟิวชั่นถัวเฉลี่ยถ่วงน้ำหนักใช้เพื่อหาสัมประสิทธิ์เวฟเล็ตหลังจากฟิวชั่น คุณลักษณะนี้จะรักษาคุณลักษณะโดยละเอียดของรูปภาพโดยหลีกเลี่ยงการสูญหายของข้อมูล
4. แปลงการแปลงเวฟเลต - คอนทัวร์ลิลิตรกลับเพื่อให้ได้รูปที่หลอมรวมเป็นขั้นสุดท้าย
กระบวนการเฉพาะดังแสดงในรูปที่ 3
รูปที่ 3 เวฟเล็ต - คอนเทอร์เล็ตแปลงแผนภาพบล็อกการหลอมรวมภาพ
ประการที่สี่การรวมตัวชี้วัดการประเมินผลและการวิเคราะห์ผลการทดลอง
เพื่อตรวจสอบประสิทธิภาพของอัลกอริธึมที่เสนอภายใต้กฎฟิวชันเดียวกันจะเปรียบเทียบกับการแปลงเวฟเล็ตและการแปลง Contourlet ภาพถูกสลายตัวและสร้างใหม่โดยใช้เวฟเล็ต db5 เกณฑ์นี้มีค่าเท่ากับ 0.6
เพื่อให้สามารถประเมินภาพได้อย่างสมจริงภาพสีเทาที่ชัดเจนถูกเลือกเป็นภาพอ้างอิง ค่าเอนโทรปีการเบี่ยงเบนและความถี่เชิงพื้นที่ของภาพหลอมรวมกับภาพอ้างอิงใช้เป็นเกณฑ์วัตถุประสงค์ในการประเมินข้อดีและข้อเสียของฟิวชั่น
1. เอนโทรปีของไขว้
เอนโทรปีของภาพหลอมรวมและรูปอ้างอิงมาตรฐานหมายถึง:
ในสมการ (7) ผลรวมคือความน่าจะเป็นของการรวมของค่าสีเทา ระดับสีเทาทั้งหมดของภาพ entropy ข้ามหรือที่รู้จักกันว่าเอนโทรปีญาติเป็นตัวบ่งชี้ที่สำคัญสำหรับการประเมินความแตกต่างระหว่างสองภาพ การที่เอนโทรปีของไขว้มีขนาดเล็กลงความแตกต่างระหว่างคำอธิบายและผลรวมจะมีขนาดเล็กลงข้อมูลนี้จะถูกดึงออกจากข้อมูลมากขึ้นนั่นคือผลของการควบรวมภาพนั้นดีกว่า
2. การเบี่ยงเบน
ส่วนเบี่ยงเบนของและหมายถึง:
ในสูตร (8) ค่าการไล่ระดับสีของผลรวมจะถูกระบุไว้ตามลำดับ ขนาดของส่วนเบี่ยงเบนแสดงถึงความแตกต่างจากค่าสีเทา ส่วนเบี่ยงเบนที่เล็กกว่าจะทำให้ผลฟิวชั่นดีขึ้น
3. ความถี่เชิงพื้นที่
ความถี่เชิงพื้นที่ของภาพคือ:
(9) เป็นความถี่ของเส้นและสูตรการคำนวณจะแสดงใน (10):
(9) คือความถี่ของคอลัมน์ของภาพและสูตรคำนวณตามที่แสดงใน (11):
สูตรข้างต้นแสดงค่าสีเทาที่ตำแหน่งพิกเซลและแสดงจำนวนเส้นและจำนวนคอลัมน์ของรูปภาพตามลำดับ
ความถี่เชิงพื้นที่ของภาพคือตัวบ่งชี้ที่เกี่ยวข้องกับความแปรปรวนซึ่งสะท้อนถึงกิจกรรมโดยรวมของโดเมนเชิงพื้นที่ของภาพ ความถี่เชิงพื้นที่ที่ใหญ่กว่าภาพที่ใช้งานมากขึ้นจะทำให้ภาพมีความชัดเจนยิ่งขึ้นและผลการผสมภาพก็ยิ่งดีขึ้นเท่านั้น
รูปที่ 4 แสดงผลการทดลองฟิวชัน รูปที่ 4 (a) คือภาพอ้างอิงมาตรฐานรูปที่ 4 (b) คือภาพที่ถูกฟิวเตอร์แบบ Gaussian หลอมโดยด้านซ้ายและรูปที่ 4 (c) คือภาพที่ถูกฟิวเตอร์แบบ Gaussian ด้านขวา ด้าน รูปที่ 4 (d) คือภาพหลอมหลังจากการแปลงเวฟเล็ตรูปที่ 4 (e) เป็นภาพที่หลอมละลายหลังจากการแปลง Contourlet และรูปที่ 4 (f) เป็นภาพที่หลอมละลายหลังจากการแปลงเวฟเวลล์ - คอนเทรต
(a) ภาพอ้างอิงมาตรฐาน (ข) ภาพเบลอที่จะหลอมที่ด้านซ้าย (ค) ภาพเบลอที่จะหลอมรวมกันทางด้านขวา
(d) ค่าเฉลี่ยการเลือกเวฟเล็ต (e) ค่าเฉลี่ยของการเลือกกลุ่มเป้าหมาย (f) ค่าเฉลี่ยการเลือกเวฟเล็ต
ข้อมูลการประเมินสมรรถนะของการแปรรูปสามแบบสำหรับฟิวชั่นดังแสดงในตารางที่ 1
ตารางที่ 1 การเปรียบเทียบข้อมูลประสิทธิภาพของการแปลงฟิวชั่นสามแบบ
สามารถดูได้จากตารางที่ 1 เมื่อเทียบกับการแปลงเวฟเล็ตการแปลงเวฟเล็ต - คอนเทอร์เล็ตจะเพิ่มความถี่เชิงพื้นที่เพิ่มขึ้น 11.27% ส่วนเบี่ยงเบนต่ำกว่าการแปลงเวฟเล็ตประมาณ 10.84% และค่าไขว้เอนโทรปีต่ำกว่าเวฟเล็ต 23.81% แปลง.
การแปลงเวฟเล็ต - คอนเทอร์เล็ทเกือบเหมือนกับความถี่เชิงพื้นที่เมื่อเทียบกับการแปลงคอนเทอร์ทเลต ค่าเบี่ยงเบนต่ำกว่า Contourlet transform เท่ากับ 1.91% และเอนโทรปีของไขว้ต่ำกว่า Conversion แบบ Contourlet ถึง 11.11% ดังนั้นการพิจารณาตัวชี้วัดการประเมินประสิทธิภาพของอัลกอริธึมที่เสนอจะได้รับการยืนยัน
V. ข้อสรุป
ในบทความนี้จะมีการเสนออัลกอริธึมที่ได้รับการปรับปรุงเพื่อเลือกค่าเฉลี่ยถ่วงน้ำหนักของความแปรปรวนของภูมิภาคสำหรับค่าสัมประสิทธิ์ความถี่สูงและใช้การประมวลผลถัวเฉลี่ยถ่วงน้ำหนักสำหรับความถี่ต่ำ การทดลองแสดงให้เห็นว่าอัลกอริธึมที่เสนอสามารถรับรายละเอียดและข้อมูลขอบของภาพได้ง่ายขึ้น ตามข้อมูลการทดลองการเบี่ยงเบนและการเอนโทรปีของการแปลงเวฟเล็ต - คอนเทรตเล็ตต่ำกว่าการแปลงเวฟเล็ตและการแปลง Contourlet
ดังนั้นภายใต้กฎฟิวชันเดียวกันอัลกอริทึมฟิวชั่นภาพจะขึ้นอยู่กับการแปลงเวฟเล็ตและคอนทราร์เล็ทและค่าเฉลี่ยถ่วงน้ำหนักของความแปรปรวนของภูมิภาคจะได้ผลลัพธ์ที่ดีกว่าการแปลงเวฟเล็ตและอัลกอริธึมการแปลงฟิวเชอร์

