基于小波变换的多聚焦图像融合算法

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (23): 184-188.

基于小波变换的多聚焦图像融合算法

赵立强，杨大志，周艳红，向洁

河北科技师范学院数学与信息科技学院，河北秦皇岛 066004

出版日期:2015-12-01 发布日期:2015-12-14

Multi-focus image fusion algorithm based on wavelet transform

ZHAO Liqiang, YANG Dazhi, ZHOU Yanhong, XIANG Jie

School of Mathematics and Information Science & Technology, Hebei Normal University of Science & Technology, Qinhuangdao, Hebei 066004, China

Online:2015-12-01 Published:2015-12-14

摘要/Abstract

摘要： 针对基于小波变换的多聚焦图像融合算法，改进融合规则和融合算子，低频分量采用以相关系数作为阈值的加权平均算法，高频分量采用基于区域特征的融合算法，并对最佳分解层数与最佳小波基的选取进行优化验证。通过对实验结果的分析，选用bior4.4小波，进行最佳分解层数小波分解，并应用改进的融合规则，在融合多聚焦图像的效果上，与其他多种融合算法相比，各项评价指标都比较理想。

关键词: 多聚焦图像融合, 小波变换, 小波基, 融合规则

Abstract: In view of multi-focus image fusion algorithm, fusion rules and fusion operators are improved. The low-frequency component uses the weighted average algorithm with correlation coefficient as threshold, the high-frequency component uses fusion algorithm based on regional characteristics. In addition, the optimal decomposition level and the selection of the best wavelet basis are verified. The evaluation indexes of multi-focus image fusion based on improved fusion rules and bior4.4 wavelet with optimal decomposition level, through the analysis of experimental results, are better than many other fusion algorithm.

Key words: multi-focus image fusion, wavelet transform, wavelet basis, fusion rules

赵立强，杨大志，周艳红，向洁. 基于小波变换的多聚焦图像融合算法[J]. 计算机工程与应用, 2015, 51(23): 184-188.

ZHAO Liqiang, YANG Dazhi, ZHOU Yanhong, XIANG Jie. Multi-focus image fusion algorithm based on wavelet transform[J]. Computer Engineering and Applications, 2015, 51(23): 184-188.

[1]	王长城，周冬明，刘琰煜，谢诗冬. 无监督深度学习模型的多聚焦图像融合算法[J]. 计算机工程与应用, 2021, 57(21): 209-215.
[2]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[3]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[4]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[5]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[6]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[7]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[8]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[9]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[10]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[11]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[12]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[13]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[14]	刘栋，聂仁灿，周冬明，侯瑞超，熊磊. 结合NSST与GA参数优化PCNN图像融合[J]. 计算机工程与应用, 2018, 54(19): 158-163.
[15]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.