基于小波相似度加权的图像融合算法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (7): 186-190.

基于小波相似度加权的图像融合算法

董引娣1，刘成军2，李洪兵3，熊庆宇4

1.重庆城市管理职业学院信息工程学院，重庆 401331
2.重庆理工大学电子信息与自动化学院，重庆 400054
3.重庆大学自动化学院，重庆 400030
4.重庆大学软件学院，重庆 400030

出版日期:2016-04-01 发布日期:2016-04-19

Image fusion algorithm based on wavelet similarity and weight

DONG Yindi1, LIU Chengjun2, LI Hongbing3, XIONG Qingyu4

1.College of Information Engineering, Chongqing City Management College, Chongqing 401331, China
2.College of Electronic Information and Automation, Chongqing University of Technology, Chongqing 400054, China
3.School of Automation, Chongqing University, Chongqing 400030, China
4.School of Software Engineering, Chongqing University, Chongqing 400030, China

Online:2016-04-01 Published:2016-04-19

摘要/Abstract

摘要： 为了获得较好的图像融合效果，针对传统相似度算法存在的不足，提出一种基于小波相似度加权的图像融合算法。采用小波相似度描述图像细节结构信息，并使用对比度敏感函数对不同尺度的小波系数进行加权，然后利用加权相似度对图像进行融合，最后采用仿真实验对算法性能进行测试。实验结果表明，该算法能够进一步衡量图像间的结构相似度，图像融合过渡效果更加自然，取得了优于传统相似度方法的融合效果。

关键词: 图像融合, 小波分解, 对比度敏感函数, 相似度加权

Abstract: In order to obtain good fusion results, a novel image fusion algorithm based on wavelet similarity and weight is proposed in this paper. Firstly, wavelet similarity is used to reflect the detail structure information in source images. Secondly, contrast sensitivity function is adopted to weight the wavelet coefficient on different scales, and mages are fused by weighted similarity. Finally, the simulation experiment is use to test the performance of the algorithm. The experimental results show that the proposed algorithm can make the image fusion effect more naturally and obtain better result than traditional similarity method.

Key words: image fusion, wavelet decomposition, weighted similarity, contrast sensitivity function

董引娣1，刘成军2，李洪兵3，熊庆宇4. 基于小波相似度加权的图像融合算法[J]. 计算机工程与应用, 2016, 52(7): 186-190.

DONG Yindi1, LIU Chengjun2, LI Hongbing3, XIONG Qingyu4. Image fusion algorithm based on wavelet similarity and weight[J]. Computer Engineering and Applications, 2016, 52(7): 186-190.

[1]	董旭彬，赵清华. 改进Mask R-CNN在航空影像目标检测的研究应用[J]. 计算机工程与应用, 2021, 57(8): 133-144.
[2]	顾梅花，王苗苗，李立瑶，冯婧. 彩色图像多尺度融合灰度化算法[J]. 计算机工程与应用, 2021, 57(4): 209-215.
[3]	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.
[4]	呼亚萍，孔韦韦，李萌，黄翠玲. 改进TV图像去噪模型的全景图像拼接算法[J]. 计算机工程与应用, 2021, 57(17): 203-209.
[5]	李广安，曹岩，岳晓新. 基于BEEMD分解的红外与可见光图像融合[J]. 计算机工程与应用, 2021, 57(14): 237-244.
[6]	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.
[7]	常戬，贺春泽，董育理，任营. 改进双边滤波和阈值函数的图像增强算法[J]. 计算机工程与应用, 2020, 56(3): 207-213.
[8]	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.
[9]	吴帆，高媛，秦品乐，王丽芳. 基于拉普拉斯金字塔和CNN的医学图像融合算法[J]. 计算机工程与应用, 2020, 56(15): 208-214.
[10]	李一菲，杨燕，张国强. 基于补偿暗通道和透射率融合的图像去雾算法[J]. 计算机工程与应用, 2019, 55(3): 196-201.
[11]	余霆嵩，文元美，凌永权. 基于张量分解融合RGB-D图像的物体识别[J]. 计算机工程与应用, 2019, 55(2): 174-178.
[12]	李敏，苑贤杰，骆志丹，邱晓华. 基于改进引导滤波与DCPCNN的图像融合方法[J]. 计算机工程与应用, 2019, 55(19): 207-213.
[13]	王烈，罗文，陈俊鸿，秦伟萌. 自适应PCNN与信息提取的红外与可见光图像融合[J]. 计算机工程与应用, 2018, 54(4): 192-198.
[14]	付争方1，朱虹2. 多尺度细节融合的多曝光高动态图像重建[J]. 计算机工程与应用, 2018, 54(24): 182-187.
[15]	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.