基于.小波變換的圖像融合算法設計研究畢業(yè)論文

XX工業(yè)大學工學碩士學位論文.-PAGEII-.基于小波變換的圖像融合算法研究摘要本文給出了一種基于小波變換的圖像融合方法,并針對小波分解的不同頻率域,分別討論了選擇高頻系數(shù)和低頻系數(shù)的原則。高頻系數(shù)反映了圖像的細節(jié),其選擇規(guī)則決定了融合圖像對原圖像細節(jié)的保留程度。本文在選擇高頻系數(shù)時,基于絕對值最大的原則,低頻系數(shù)反映了圖像的輪廓,低頻系數(shù)的選擇決定了融合圖像的視覺效果,對融合圖像質量的好壞起到非常重要的作用。圖像融合是以圖像為主要研究內容的數(shù)據(jù)融合技術,是把多個不同模式的圖像傳感器獲得的同一場景的多幅圖像或同一傳感器在不同時刻獲得的同一場景的多幅圖像合成為一幅圖像的過程。MATLAB小波分析工具箱提供了小波分析函數(shù),應用MATLAB進行圖像融合仿真,通過突出輪廓部分和弱化細節(jié)部分進行融合,使融合后的圖象具有了兩幅或多幅圖象的特征,更符合人或者機器的視覺特性,有利于對圖像進行進一步的分析和理解,有利于圖像中目標的檢測和識別或跟蹤。關鍵詞小波變換；融合規(guī)則；圖像融合ImageFusionAlgorithmBasedonWaveletTransformAbstractInthispaper,theimagefusionmethodbasedonwavelettransform,andforthewaveletdecompositionofthefrequencydomain,respectively,discussedtheprinciplesofselecthigh-frequencycoefficientsandlowfrequencycoefficients.Thehigh-frequencycoefficientsreflectthedetailsoftheimage,theselectionrulestodeterminetheextentofanyreservationsofthefusedimageontheoriginalimagedetail.Thechoiceofhigh-frequencycoefficients,basedontheprincipleofmaximumabsolutevalue,andconsistencyverificationresults.Thelow-frequencycoefficientsreflectthecontoursoftheimage,thechoiceofthelowfrequencycoefficientsdeterminethevisualeffectofthefusedimage,playaveryimportantroleinthefusedimagequalityisgoodorbad.MATLABWaveletAnalysisToolboxprovidesawaveletanalysisfunctionusingMATLABimagefusionsimulation,highlightthecontoursofpartsandtheweakeningofthedetailssection,fusion,imagefusionhasthecharacteristicsoftwoormultipleimages,morepeopleorthevisualcharacteristicsofthemachine,theimageforfurtheranalysisandunderstanding,detectionandidentificationortrackingofthetargetimage.KeywordsWavelettransform;Fusionrule;ImageFusion.PAGEII--.目錄摘要=1\*ROMANIAbstract=2\*ROMANII第1章緒論11.1課題研究的意義及背景1本課題的研究背景11.1.2課題研究的實際意義31.2本文的主要內容3第2章小波變換理論基礎62.1小波變換6小波變換的思想62.1.2連續(xù)小波基函數(shù)72.1.3連續(xù)小波變換82.1.4離散小波變換92.1.5二進小波變換92.2多分辨率分析與離散小波快速算法102.2.1多分辨率分析10尺度函數(shù)和尺度空間112.2.3離散小波變換的快速算法112.3幾種常用的小波122.4Mallat的快速算法142.5本章小結15第3章基于小波變換的圖像融合方法研究163.1圖像融合概述163.2圖像融合的方法163.3基于小波變換的圖像融合算法原理17基于小波分解的融合算法流程17高頻系數(shù)融合規(guī)則18低頻系數(shù)融合規(guī)則193.4本章小結21第4章實驗結果及分析224.1實驗的仿真224.2實驗的結果分析234.3本章小結24結論25致謝26參考文獻27附錄A28附錄B30.-PAGE10-.緒論課題研究的意義及背景本課題的研究背景圖像融合是以圖像為主要研究內容的數(shù)據(jù)融合技術,是把多個不同模式的圖像傳感器獲得的同一場景的多幅圖像或同一傳感器在不同時刻獲得的同一場景的多幅圖像合成為一幅圖像的過程。由于不同模式的圖像傳感器的成像機理不同,工作電磁波的波長不同,所以不同圖像傳感器獲得的同一場景的多幅圖像之間具有信息的冗余性和互補性,經圖像融合技術得到的合成圖像則可以更全面、更精確地描述所研究的對象．正是由于這一特點,圖像融合技術現(xiàn)已廣泛地應用于軍、遙感、計算機視覺、醫(yī)學圖像處理等領域中。圖像融合的目的和意義在于對同一目標的多個圖像可以進行配準、合成,以克服單一圖像的局限性,使有關目標圖像更趨完備,從而提高圖像的可靠性和清晰度。以獲得對某一區(qū)域更準確、更全面和更可靠的描述,從而實現(xiàn)對圖像的進一步分析和理解,或目標的檢測、識別與跟蹤?；谛〔ㄗ儞Q的圖像融合方法可以聚焦到圖像的任意細節(jié),被稱為數(shù)學上的顯微鏡。近年來,隨著小波理論及其應用的發(fā)展,已將小波多分辨率分解用于像素級圖像融合。小波變換的固有特性使其在圖像處理中有如下優(yōu)點：完善的重構能力,保證信號在分解過程中沒有信息損失和冗余信息；把圖像分解成平均圖像和細節(jié)圖像的組合,分別代表了圖像的不同結構,因此容易提取原始圖像的結構信息和細節(jié)信息；小波分析提供了與人類視覺系統(tǒng)方向相吻合的選擇性圖像。但是,圖像融合的大多數(shù)方法是針對靜態(tài)圖像,在一些實時性要求高的場合缺乏必要的實時性,限制了應用范圍。小波分析〔wavelet是在應用數(shù)學的基礎上發(fā)展起來的一門新興學科,近十幾年來得到了飛速的發(fā)展．作為一種新的時頻分析工具的小波分析,目前已成為國際上極為活躍的研究領域．從純粹數(shù)學的角度看,小波分析是調和分析這一數(shù)學領域半個世紀以來工作的結晶；從應用科學和技術科學的角度來看,小波分析又是計算機應用,信號處理,圖形分析,非線性科學和工程技術近些年來在方法上的重大突破．由于小波分析的"自適應性"和"數(shù)學顯微鏡"的美譽,使它與我們觀察和分析問題的思路十分接近,因而被廣泛應用于基礎科學,應用科學,尤其是信息科學,信號分析的方方面面[1]。小波變換的概念是由法國從事石油信號處理的工程師J.Morlet在1974年首先提出的,通過物理的直觀和信號處理的實際需要經驗的建立了反演公式,當時未能得到數(shù)學家的認可。正如1807年法國的熱學工程師J.B.J.Fourier提出任一函數(shù)都能展開成三角函數(shù)的無窮級數(shù)的創(chuàng)新概念未能得到著名數(shù)學家J.L.Lagrange,P.S.Laplace以及A.M.Legendre的認可一樣。幸運的是,早在七十年代,A.Calderon表示定理的發(fā)現(xiàn)、Hardy空間的原子分解和無條件基的深入研究為小波變換的誕生做了理論上的準備,而且J.O.Stromberg還構造了歷史上非常類似于現(xiàn)在的小波基；1986年著名數(shù)學家Yammerer偶然構造出一個真正的小波基,并與S.Mallat合作建立了構造小波基的同意方法棗多尺度分析之后,小波分析才開始蓬勃發(fā)展起來,其中比利時女數(shù)學家I.Daubechies撰寫的《小波十講〔TenLecturesonWavelets》對小波的普及起了重要的推動作用。它與Fourier變換、窗口Fourier變換〔Gabor變換相比,這是一個時間和頻率的局域變換,因而能有效的從信號中提取信息,通過伸縮和平移等運算功能對函數(shù)或信號進行多尺度細化分析〔MultiscaleAnalysis,解決了Fourier變換不能解決的許多困難問題,從而小波變化被譽為"數(shù)學顯微鏡",它是調和分析發(fā)展史上里程碑式的進展[1]。Matlab是MathWorks公司于1982年推出的一套高性能的數(shù)值計算和可視化軟件,它集數(shù)值分析、矩陣運算、信號處理和圖形顯示于一體,構成了一個方便的、界面友好的用戶環(huán)境。在Matlab環(huán)境下,對圖像的分析和處理可采用人機交互的方式,用戶只需按Matlab的格式要求給出相應的命令,其分析處理結果便以數(shù)值或圖形方式顯示出來。作為一種應用廣泛的編程工具,Matlab在圖形處理方面有著明顯的優(yōu)勢：具有強大的矩陣運算功能,時觀察圖形的變化；帶有豐富的圖像處理函數(shù)庫,其圖像處理工具箱<imageprocessingtoolbox>幾乎涵蓋了所有常用的圖像處理函數(shù),Matlab在圖像處理中的應用都是由相應的Matlab函數(shù)來實現(xiàn)[3]。隨著計算機性能的不斷提高,人們發(fā)現(xiàn)工程上的許多問題可以通過計算機強大的計算功能來輔助完成。如此一來,MATLAB軟件強大的數(shù)值運算核心開始被關注。經過近20年的發(fā)展,MATLAB的核心被進一步完善和強化,同時許多工程領域的專業(yè)人員也開始用MATLAB構造本領域的專門輔助工具,這些工具后來發(fā)展為MATLAB的各種工具箱。特別值得一提的是,MATLAB是一種開放式的軟件,任何人經過一定的程序都可以將自己開發(fā)的優(yōu)秀的應用程序集加入到MATLAB工具的行列。這樣,許多領域前沿的研究者和科學家都可以將自己的成果集成到MATLAB之中,被全人類繼承和利用。因此,我們現(xiàn)在看到的MATLAB才會如此強大和豐富[2]。課題研究的實際意義小波分析的應用領域十分廣泛,它包括：數(shù)學領域的許多學科；信號分析、圖像處理；量子力學、理論物理；軍事電子對抗與武器的智能化；計算機分類與識別；音樂與語言的人工合成；醫(yī)學成像與診斷；地震勘探數(shù)據(jù)處理；大型機械的故障診斷等方面；例如,在數(shù)學方面,它已用于數(shù)值分析、構造快速數(shù)值方法、曲線曲面構造、微分方程求解、控制論等。在信號分析方面的濾波、去噪聲、壓縮、傳遞等。在圖像處理方面的圖像壓縮、分類、識別與診斷,去污等。在醫(yī)學成像方面的減少B超、CT、核磁共振成像的時間,提高分辨率等。

<1>小波分析用于信號與圖像融合是小波分析應用的一個重要方面。它的特點是融合準確度高,融合效果好,融合后能保持信號與圖像的總數(shù)據(jù)量不變,且在傳遞中可以抗干擾?；谛〔ǚ治龅娜诤戏椒ê芏?比較成功的有基于多分辨分析的圖像融合,應用Mallat小波變換算法進行圖像數(shù)據(jù)融合等。

<2>小波在信號分析中的應用也十分廣泛。它可以用于邊界的處理與濾波、時頻分析、信噪分離與提取弱信號、求分形指數(shù)、信號的識別與診斷以及多尺度邊緣檢測等。

<3>在工程技術等方面的應用。包括計算機視覺、計算機圖形學、曲線設計、湍流、遠程宇宙的研究與生物醫(yī)學方面[3]。MATLAB是功能強大地科學及工程計算軟件,它不但具有以矩陣計算為基礎的強大數(shù)學計算和分析功能,而且還具有豐富的可視化圖形表現(xiàn)功能和方便的程序設計能力。MATLAB的應用領域極為廣泛,除數(shù)學計算和分析外,還被應用于自動控制、系統(tǒng)仿真、數(shù)字信號領域、圖形圖像分析、數(shù)理統(tǒng)計、人工智能、虛擬現(xiàn)實技術、通信工程、金融系統(tǒng)等領域[4]。目前小波分析在許多工程領域中都得到了廣泛的應用,成為科技工作者經常使用的工具之一。MATLAB作為一種高性能的數(shù)值計算和可視化軟件,經過各個領域專家的共同努力,現(xiàn)已包含信號處理、圖像處理、通信、小波分析、系統(tǒng)辨識、優(yōu)化以及控制系統(tǒng)等不同應用領域的工具箱。因此,對此次課題的研究有著十分廣泛的意義[3]。1.2本文的主要內容本文給出了一種基于小波變換的圖像融合方法,針對原圖像小波分解的不同頻率域,分別討論了高頻系數(shù)和低頻系數(shù)的選擇原則。高頻系數(shù)反映了圖像的細節(jié),其選擇規(guī)則決定了融合圖像對原圖像細節(jié)的保留程度。本文在選擇高頻系數(shù)時,基于絕對值最大的原則,并對選擇結果進行了一致性驗證。低頻系數(shù)反映了圖像的輪廓,低頻系數(shù)的選擇決定了融合圖像的視覺效果,對融合圖像質量的好壞起到非常重要的作用。在某些情況下,由于受照明、環(huán)境條件、目標狀態(tài)、目標位置以及傳感器固有特性等因素的影響,單一的圖像信息不足以用來對目標或場景進行更好的檢測、分析和理解,需要多幅圖像融合來得到更全面的信息。圖像融合是將兩幅或多幅圖像融合在一起,幫助理解圖像并快速地獲取感興趣的信息。圖像融合技術得到的合成圖像則可以更全面、更精確地描述所研究的對象,所以在多方面圖象融合的意義還是十分的巨大的,這也是我選擇此課題的原因。本文的具體內容如下<1>什么是圖像融合及圖像融合。圖像融合就是通過一種特定的算法將兩幅或多幅圖像合成為一幅新的圖像。以獲取對同一場景的更為精確、更為全面、更為可靠的圖像描述。融合算法應該充分利用各原圖像的互補信息,使融合后的圖像更適合人的視覺感受,圖像融合可分為三個層次：像素級融合,特征級融合,決策級融合。

其中像素級融合是最低層次的融合,也是后兩級的基礎。它是將各原圖像中對應的像素進行融合處理,保留了盡可能多的圖像信息,精度比較高,因而倍受人們的重視。<2>什么是基于小波變換的圖像融合。在眾多的圖像融合技術中,基于小波變換的圖像融合方法已成為現(xiàn)今研究的一個熱點。這類算法主要是利用人眼對局部對比度的變化比較敏感這一事實,根據(jù)一定的融合規(guī)則,在多幅原圖像中選擇出最顯著的特征,例如邊緣、線段等,并將這些特征保留在最終的合成圖像中。在一幅圖像的小波變換中,絕對值較大的小波系數(shù)對應于邊緣這些較為顯著的特征,所以大部分基于小波變換的圖像融合算法主要研究如何選擇合成圖像中的小波系數(shù),也就是三個方向上的高頻系數(shù),從而達到保留圖像邊緣的目的。雖然小波系數(shù)<高頻系數(shù)>的選擇對于保留圖像的邊緣等特征具有非常主要的作用,但尺度系數(shù)<低頻系數(shù)>決定了圖像的輪廓,正確地選擇尺度系數(shù)對提高合成圖像的視覺效果具有舉足輕重的作用。<3>傳統(tǒng)方法與所要研究方法的優(yōu)劣。傳統(tǒng)的基于小波變換的圖像融合中大多數(shù)是采用像素平均法,這樣得到的融合結果與原始圖像的清晰的區(qū)域相比,其對應區(qū)域的圖像質量會有所降低,而也模糊區(qū)域相比,其對對應區(qū)域的圖像又得到了提高,這種方法一定程度上降低了圖像的對比度,效果不是很理想,另有一種方法是平均與選擇相結合的方法,這種方法是根據(jù)兩幅圖像的相關性采用平均法或選擇法,當兩幅圖像的相關性較強時,就采用平均法,當兩幅圖像相關性較弱時,就選擇局部能量較大的點,這種選擇原則在一定程度上符合人眼對較顯著的點比較敏感這一事實,圖片效果有所提高。但是其未考慮到圖像的邊緣的顯著特征,這樣有時會影響效果,而最新的方法是在原圖像中選擇最有可能是邊緣的點加以保留,這樣才能使得合成圖像比較清晰,細節(jié)豐富。<4>基于小波變換的圖像融合的Matlab實現(xiàn)及程序的編寫。Matlab具有強大的計算功能和豐富的工具箱函數(shù),例如圖像處理和小波工具箱包含了大多數(shù)經典算法,并且它提供了一個非常方便快捷的算法研究平臺。本文通過Mtalab很好的完成了仿真。小波變換理論基礎小波變換小波分析〔WaveletAnalysis是在現(xiàn)代調和分析的基礎上發(fā)展起來的一門新興學科,其基礎理論知識涉及到函數(shù)分析、傅立葉分析、信號與系統(tǒng)、數(shù)字信號處理等諸方面,同時具有理論深刻和應用十分廣泛雙重意義。我們只對小波分析的整體思想進行介紹。小波變換的思想小波變換繼承和發(fā)展了Gabor的加窗傅立葉變化的局部化思想,并克服了傅立葉變換窗口大小不能隨頻率變化的不足,其基本思想來源于可變窗口的伸縮和平移。小波變換利用一個具有快速衰減性和振蕩性的函數(shù)<成為母子波>,然后將其伸縮和平移得到了一個函數(shù)族<稱之為小波基函數(shù)>,以便在一定的條件下,任一能量有限信號可按其函數(shù)族進行時－頻分解,基函數(shù)在時-頻相平面上具有可變的時間-頻率窗,以適應不同分辨率的需求[5]。圖2-1小波變換的時頻平面的劃分在加窗傅立葉變換中,一旦窗函數(shù)選定,在時頻相平面中窗口的大小是固定不變的,不隨時頻位置<t,f>而變化,所以加窗傅立葉變換的時-頻分辨率是固定不變的,小波變換的時頻相平面如圖2-1所示,窗函數(shù)在時頻相平面中隨中心頻率變換而改變,在高頻處時窗變窄,在低頻處頻窗變窄,因而滿足對信號進行時-頻分析的要求。它非常適合于分析突變信號和不平穩(wěn)信號。況且小波變換具有多分辨率分析的特點和帶通濾波器的特性,并且可用快速算法實現(xiàn)[5],因而常用于濾波、降噪、基頻提取等。但對平穩(wěn)信號來說,小波分析的結果不如傅立葉變換直觀,而且母小波的不唯一性給實際應用帶來了困難[5]。小波分析屬于時頻分析[6]的一種。傳統(tǒng)的信號分析是建立在傅立葉變換的基礎之上的,由于傅立葉分析使用的是一種全局的變換,只提供信號的頻域信息,而不提供信號的任何時域信息,因此無法表述信號的時頻局域性質,而這性質恰恰是非平穩(wěn)信號最根本和最關鍵的性質。連續(xù)小波基函數(shù)小波函數(shù)的確切定義[10]為：設為一平方可積函數(shù),也即,若其傅立葉變換滿足則稱為一個基本小波或小波母函數(shù),并稱上式為小波函數(shù)的可容許性條件。連續(xù)小波基函數(shù)的定義為：將小波母函數(shù)進行伸縮和平移,設其伸縮因子<又稱尺度因子>為a,平移因子為,令其平移伸縮后的函數(shù)為,則有<2-1>稱為依賴于參數(shù)的小波基函數(shù),由于尺度因子a、平移因子是取連續(xù)變化的值,因此稱為連續(xù)小波基函數(shù)。它們是由同一母函數(shù)經伸縮和平移后得到的一組函數(shù)系列。定義小波母函數(shù)窗口寬度為,窗口中心為,則相應可求得連續(xù)小波的窗口中心為,窗口寬度為。同樣,設為的傅立葉變換,其頻域窗口中心為,窗口寬度為,設的傅立葉變換為,則有<2-2>所以,其頻域窗口中心為窗口寬度為可見,連續(xù)小波的時、頻域窗口中心及寬度均隨尺度a的變化而伸縮,若我們稱為窗口函數(shù)的窗口面積,由于<2-3>所以連續(xù)小波基函數(shù)的窗口面積不隨參數(shù)而變。這正是海森堡測不準原理證明的：大小是相互制約的,乘積,且只有當為Gaussian函數(shù)時,等式才成立。由此可得到如下幾點結論：<1>尺度的倒數(shù)在一定意義上對應于頻率,即尺度越小,對應頻率越高,尺度越大,對應頻率越低。如果我們將尺度理解為時間窗口的話,則小尺度信號為短時間信號,大尺度信號為長時間信號；<2>在任何值上,小波的時、頻窗口的大小和都隨頻率<或者>的變化而變化。這是與STFT的基的不同之處；<3>在任何尺度、時間上,窗口面積保持不變,也即時間、尺度分辨率是相互制約的不可能同時提的很高；<4>由于小波母函數(shù)在頻域具有帶通特性,其伸縮和平移系列就可以看作是一組帶通濾波器。通常將通帶寬度與中心頻率的比值稱為帶通濾波器的品質因數(shù),通過計算可以發(fā)現(xiàn),小波基函數(shù)作為帶通濾波器,其品質因數(shù)不隨尺度而變化,是一組頻率特性等的帶通濾波器組[6]。連續(xù)小波變換將任意空間中的函數(shù)在小波基下進行展開,稱這種展開為函數(shù)的連續(xù)小波變換<ContinueWaveletTransform,簡記為CWT>,其表達式為<2-4>由CWT的定義可知,小波變換同傅立葉變換一樣,都是一種積分變換,同傅立葉變換相似,稱為小波變換系數(shù)。由于小波基不同于傅立葉基,因此小波變換和傅立葉變換有許多不同之處。其中最重要的是,小波基具有尺度a、平移兩個參數(shù)。因此,將函數(shù)在小波基下展開就意味著將一個時間函數(shù)投影到二維的時間-尺度相平面上。并且,由于小波基本身所具有的特點,將函數(shù)投影到小波變換域后,有利于提取函數(shù)的某些本質特征。與STFT不同的是,小波變換是一種變分辨率的時頻聯(lián)合分析方法。當分析低頻<對應大尺度>信號時,其時間窗很大,而當分析高頻<對應小尺度>信號時,其時間窗減小。這恰恰符合實際問題中高頻信號的持續(xù)時間短、低頻信號持續(xù)時間較長的規(guī)律[7]。離散小波變換由連續(xù)小波的概念知道,在連續(xù)變化的尺度及時間值下,小波基函數(shù)具有很大的相關性,體現(xiàn)在不同點上的CWT系數(shù)滿足重建核方程,因此信號的連續(xù)小波變換系數(shù)的信息量是冗余的。雖然在某些情況下,其冗余性是有益的<例如在去噪,進行數(shù)據(jù)恢復及特征提取時,常采用CWT,以犧牲計算量、存儲量為代價來獲得最好的結果>,但在很多情況下,我們希望在不丟失原信號信息的情況下,盡量減小小波變換系數(shù)的冗余度。減小小波變換系數(shù)冗余度的作法是將小波基函數(shù)的、限定在一些離散點上取值。一種最通常的離散方法就是將尺度按冪級數(shù)進行離散化,即取<m為整數(shù),,一般取>。關于位移的離散化,當時,。通常對進行均勻離散取值,以覆蓋整個時間軸。為了不丟失信息,要求采樣間隔滿足Nyquist采樣定理,即采樣頻率大于等于該尺度下頻率通常的2倍。每當增加1,尺度增加一倍,對應的頻帶減小一半,可見采樣率可以降低一半,也就是采樣間隔可以增大一倍。因此,如果尺度時的間隔為,則在尺度為時,間隔可取為。此時可表示為[7]<2-5>任意函數(shù)的離散小波變換為<2-6>二進小波變換對于尺度及位移均離散變化的小波序列,若取離散柵格的,,即相當于連續(xù)小波只在尺度上進行了二進制離散,而位移仍取連續(xù)變化,我們稱這類小波為二進小波,表示為<2-7>二進小波介于連續(xù)小波和離散小波之間,它只是對尺度參量進行了離散化,而在時間域上的平移量仍保持連續(xù)變化,因此二進小波仍具有連續(xù)小波變換的時移共變性,這是它較之離散小波變換所具有的獨特優(yōu)點[7]。二進小波介于連續(xù)小波和離散小波之間,它只是對尺度參量進行了離散化,而在時間域上的平移量仍保持連續(xù)變化,因此二進小波仍具有連續(xù)小波變換的時移共變性,這是它較之離散小波變換所具有的獨特優(yōu)點[7]。多分辨率分析與離散小波快速算法多分辨率分析多分辨率分析<Multi-ResolutionAnalysis——MRA>,又稱為多尺度分析是建立在函數(shù)空間[3]概念上的理論。但其思想的形成來源于工程,其創(chuàng)建者S.mallat是在研究圖像處理問題時建立這套理論。當時研究圖像的一種很普遍的方法是將圖像在不同尺度下分解,并將結果進行比較,以取得有用的信息。Meyer正交小波基的提出,使得Mallat想到是否用正交小波基的多尺度特性將圖像展開,以得到圖像不同尺度間的"信息增量"[8]。這種想法導致了多分辨率分析理論的建立。MRA不僅為正交小波基的構造提供了一種簡單的方法,而且為正交小波變換的快速算法提供了理論依據(jù)。其思想又同多采樣濾波器組不謀而合,可將小波變換同數(shù)字濾波器的理論結合起來。因此多分辨率分析在正交小波變換理論中具有非常重要的地位。若把尺度理解為照相機的鏡頭的話,當尺度由大到小變化時,就相當于將照相機由遠及近的接近目標,在大尺度空間里,對應遠鏡頭下觀察到的目標,可觀測到目標的細微部分。因此隨著尺度由大到小的變化,在各尺度上可以由粗及精的觀察目標。這就是多尺度<即多分辨率>的思想。圖2-2小波空間和尺度空間的包含關系多分辨率分析是指滿足下列性質的一系列閉子空間：<1>一致單調性：<2>漸近完全性：；<3>伸縮規(guī)則性：<4>平移不變性：,對所有<5>正交基存在性：存在,使得是的正交基,即,小波空間和尺度空間的包含關系如圖2-2所示[7]。尺度函數(shù)和尺度空間若一個函數(shù),它的的整數(shù)平移系列滿足<2-8>則可定義為尺度函數(shù)<scalefunction>。定義由在空間張成的閉子空間為稱為零尺度空間：<2-9>則對于任意,有<2-10>同小波函數(shù)相似,假設尺度函數(shù)在平移的同時又進行了尺度的伸縮,得到了一個尺度和位移均可變化的函數(shù)集合：<2-11>則稱每一固定尺度上的平移系列所張成的空間為尺度為的尺度空間：對于任意,有<2-12>由此,尺度函數(shù)在不同尺度上其平移系列張成了一系列的尺度空間。由式<2-11>隨著尺度的增大,函數(shù)的定義域變大,且實際的平移間隔也變大,則它的線性組合式<2-12>不能表示函數(shù)<小于該尺度>的細微變化,因此其張成的尺度空間只能包括大尺度的緩變信號。相反隨著尺度的減小,線性組合便能表示函數(shù)的更細微<小尺度范圍>變化,因此其張成的尺度空間所包含的函數(shù)增多<包括小尺度信號的大尺度緩變信號>,尺度空間變大。也即隨著尺度的減小,其尺度空間增大[6]。離散小波變換的快速算法對于任意函數(shù),可以將它分解為細節(jié)部分和大尺度逼近部分,然后將大尺度逼近部分進一步分解。如此重復就可以得到任意尺度<或分辨率>上的逼近部分和細節(jié)部分。這就是多分辨率分析的框架。設為函數(shù)向尺度空間投影后所得到的尺度下的概貌信號,<2-13>其中,稱為尺度展開系數(shù)。若將函數(shù)向不同尺度的小波空間投影,則可得到不同尺度下的細節(jié)信號：<2-14>其中,稱為小波展開系數(shù)。若將按以下空間組合展開：<2-15>其中J為任意設定的尺度,則<2-16>當時,上式變?yōu)?lt;2-17>即對應于時的離散小波變換綜合公式<或逆小波變換>。時的小波框架為正交小波基,所以常稱式<2-16>、<2-17>為離散正交小波變換綜合公式。由此可知,離散正交小波變換同多分辨率分析的思想是一致的,多分辨率分析理論為正交小波變換提供了數(shù)學上的理論基礎[7]。幾種常用的小波同傅立葉分析不同,小波分析的基〔小波函數(shù)不是唯一存在的,所有滿足小波條件的函數(shù)都可以作為小波函數(shù),那么小波函數(shù)的選取就成了十分重要的問題[8]。1>Haar小波A.Haar于1990年提出一種正交函數(shù)系,定義如下：<2-18>這是一種最簡單的正交小波,即…<2-19>2>Daubechies<dbN>小波系該小波是Daubechies從兩尺度方程系數(shù)出發(fā)設計出來的離散正交小波。一般簡寫為dbN,N是小波的階數(shù)。小波和尺度函數(shù)吁中的支撐區(qū)為2N-1。的消失矩為N。除N＝1外<Haar小波>,dbN不具對稱性〔即非線性相位〕；dbN沒有顯式表達式<除N＝1外>。但的傳遞函數(shù)的模的平方有顯式表達式。假設,其中,為二項式的系數(shù),則有<2-20>其中3>Biorthogonal<biorNr.Nd>小波系Biorthogonal函數(shù)系的主要特征體現(xiàn)在具有線性相位性,它主要應用在信號與圖像的重構中。通常的用法是采用一個函數(shù)進行分解,用另外一個小波函數(shù)進行重構。Biorthogonal函數(shù)系通常表示為biorNr.Nd的形式：Nr=1Nd=1,3,5Nr=2Nd=2,4,6,8Nr=3Nd=1,3,5,7,9Nr=4Nd=4Nr=5Nd=5Nr=6Nd=8其中,r表示重構,d表示分解。4>Coiflet<coifN>小波系coiflet也是函數(shù)由Daubechies構造的一個小波函數(shù),它具有coifN<N=1,2,3,4,5>這一系列,coiflet具有比dbN更好的對稱性。從支撐長度的角度看,coifN具有和db3N及sym3N相同的支撐長度；從消失矩的數(shù)目來看,coifN具有和db2N及sym2N相同的消失矩數(shù)目。5>SymletsA<symN>小波系Symlets函數(shù)系是由Daubechies提出的近似對稱的小波函數(shù),它是對db函數(shù)的一種改進。Symlets函數(shù)系通常表示為symN<N=2,3,…,8>的形式。6>Morlet<morl>小波Morlet函數(shù)定義為,它的尺度函數(shù)不存在,且不具有正交性。7>MexicanHat<mexh>小波MexicanHat函數(shù)為<2-21>它是Gauss函數(shù)的二階導數(shù),因為它像墨西哥帽的截面,所以有時稱這個函數(shù)為墨西哥帽函數(shù)。墨西哥帽函數(shù)在時間域與頻率域都有很好的局部化,并且滿足<2-22>由于它的尺度函數(shù)不存在,所以不具有正交性。8>Meyer函數(shù)Meyer小波函數(shù)和尺度函數(shù)都是在頻率域中進行定義的,是具有緊支撐的正交小波。<2-23>其中,為構造Meyer小波的輔助函數(shù),且有<2-24>Mallat的快速算法Mallat[9]在Burt和Adelson圖像分解和重構的拉普拉斯塔形算法的基礎上,基于多分辨率框架理論,提出了塔式多分辨分解與綜合算法,巧妙的將多分辨分析與小波分析結合在一起,Mallat塔式算法在小波分析中的地位頗似FFT在經典傅立葉變換中的地位。信號序列的Mallat塔式分解算法,即序列的離散小波變換算法,其中表示二次采樣<即刪掉奇次編號的樣本>,如果為共軛鏡像濾波器對<QMF>,則實現(xiàn)正交小波變換,此時濾波器組是非線性相位的,如果和為線性相位濾波器,則實現(xiàn)雙正交小波變換。設,則Mallat塔式算法用下列迭代方程表示：<2-25>從式<2-25>可以看出,Mallat塔式算法實際上是通過低通和高通濾波,把信號分解為低頻和高頻部分。本章小結本章主要介紹了基于小波變換圖像融合的分析理論基礎,詳細的闡述了小波變換的思想,并介紹了幾種常用的小波變換,它們分別是：連續(xù)小波變換及離散小波變換二進小波變換及Mallat的快速算法。基于小波變換的圖像融合方法研究圖像融合概述在眾多的圖像融合技術中,基于小波變換的圖像融合方法已成為現(xiàn)今研究的一個熱點。圖像融合是將不同傳感器得到的多個圖像根據(jù)某個算法進行綜合處理,以得到一個新的、滿足某種需求的新圖像,它可將同一對象的兩個或者更多的圖像合成在一幅圖像中,以便它比原來的任何一幅圖像更容易為人們所理解。高效的圖像融合方法可以根據(jù)需要綜合處理多源通道的信息,從而有效的提高了圖像信息的利用率和系統(tǒng)對目標探測識別的可靠性。其目的是將單一傳感器的多波段信息或不同類傳感器所提供的信息加以綜合,以增強影像中信息解譯的精度、可靠性以及使用率,以形成對目標的清晰、完整、準確的信息描述[9]。圖像融合的方法圖像數(shù)據(jù)融合是把來自多傳感器的對同一目標檢測的多幅圖像數(shù)據(jù)用某種方法進行處理,生成一幅能夠更有效地表示該目標的檢測信息。對源圖像按相應象素逐個取均值的方法,將使只在一幅源圖像中出現(xiàn)的特征的對比度減弱,甚至出現(xiàn)不應有的現(xiàn)象。為解決這一問題,近年來提出了基于塔式算法的圖像融合方法。它提供了對應于多尺度的靈活、方便的多分辨率格式信息,通過適當?shù)乃惴ㄟM行融合,并進行圖像重建,生成融合圖像[14]。金字塔圖像融合方法克服了上述缺點,但仍有不盡如人意之處。如,金字塔的大小是源圖像的4/3,增大了數(shù)據(jù)量；在金字塔重建時,有時可能出現(xiàn)不穩(wěn)定性,特別是當多幅源圖像中存在明顯差異區(qū)時,融合圖像將出現(xiàn)斑塊,這就有待于我們去發(fā)現(xiàn)更好的方法去解決問題。圖像融合將不同傳感器得到的多個圖像根據(jù)某個算法進行綜合處理,以得到一個新的、滿足某種需求的新圖像。這里所說的金字塔圖像融合方法也就是對圖象進行從高到低的小波分解,分別提取出圖象中的高頻分量和低頻分量,由于其形狀很類似于金字塔,所以在這里我就叫這種算法為金字塔算法,這種方法對于圖象的融合很有效。圖像融合技術不同于一般意義的圖像增強,它涉及到計算機視覺、圖像理解等多個領域。根據(jù)融合處理所處的不同階段,圖像融合的處理有像素級融合、特征級融合和決策級融合3個層次。像素級融合中,多分辨率圖像融合算法是其中一類重要的算法,而小波變換法是多分辨率分析中一種常用的算法?；谛〔ㄗ儞Q的融合算法減少了層間的相關性,得到更好的融合結果。由于不同模式的圖像傳感器的成像機理不同,工作電磁波的波長不同,所以不同圖像傳感器獲得的同一場景的多幅圖像之間具有信息的冗余性和互補性,經圖像融合技術得到的合成圖像則可以更全面、更精確地描述所研究的對象。正是由于這一特點,圖像融合技術現(xiàn)已廣泛地應用于軍事、遙感、計算機視覺、醫(yī)學圖像處理等領域中[11]?；谛〔ㄗ儞Q的圖像融合算法原理應用小波進行圖像融合的原理是將融合方法應用到原始圖像的小波分解的低頻分量和高頻分量中。小波變換在圖像融合中有著非常重要的應用,基于小波分析的圖像融合是近年來國內外一個活躍的研究領域,二維小波分析用于圖像融合是小波分析應用的一個重要方面,基于小波變換的圖像融合能取得良好的結果,使圖像融合成為小波理論最成功的應用領域之一[15]。在一幅圖像的小波變換中,絕對值較大的小波系數(shù)對應于邊緣這些較為顯著的特征,所以大部分基于小波變換的圖像融合算法主要研究如何選擇合成圖像中的小波系數(shù),也就是三個方向上的高頻系數(shù),從而達到保留圖像邊緣的目的。雖然小波系數(shù)<高頻系數(shù)>的選擇對于保留圖像的邊緣等特征具有非常主要的作用,但尺度系數(shù)<低頻系數(shù)>決定了圖像的輪廓,正確地選擇尺度系數(shù)對提高合成圖像的視覺效果具有舉足輕重的作用?；谛〔ǚ纸獾娜诤纤惴鞒淘撍惴ㄊ侵笇D像進行小波分解,以得到圖像的高頻信息,作為后期目標判決的依據(jù),小波變換應用于圖像融合的優(yōu)勢在于它可以將圖像分解到不同的頻率域,在不同的頻率域運用不同的選擇規(guī)則,得到合成圖像的多分辨分解,從而在合成圖像中保留原圖像在不同頻率域的顯著特征[12]。根據(jù)小波變換的圖像融合算法的思想,其主要步驟如下：<1>對多源圖像進行幾何精確配準；<2>選取合適的小波基以及分解層數(shù),對原始圖像進行多層小波分解,獲取各自的近似系數(shù)和細節(jié)系數(shù)。<3>根據(jù)具體需要,選擇小波系數(shù)的融合規(guī)則。比如可以小波系數(shù)進行均值濾波或者中值濾波等。<4>對小波系數(shù)反變換后,得到融合后的圖像。根據(jù)這一思路可以對多源圖像進行融合。在融合算法中,對原始圖像進行小波分解,這里就存在選取合適的小波基以及分解層數(shù)。不同的小波基的選擇對最后分解的結果有很大的影響,并且小波變換的分解層次并不是越多越好。原理框圖如圖3-1圖A圖A小波變換高頻分量低頻分量融合原則1圖B小波變換高頻分量低頻分量融合原則2小波逆變換融合結果圖3-1融合算法原理框圖高頻系數(shù)融合規(guī)則在圖像融合過程中,融合規(guī)則至關重要,它的選擇直接影響著融合的效果。經典的融合準則是比較單個像素的特征,由單個像素的特征大小決定像素的取舍。顯然,更合理地決定像素取應該是通過考察以輸入像素為中心的某一鄰域內圖像的特征來決定,區(qū)域特征明顯的中心像素被選中,用區(qū)域內的量比較代替單個像素的量的比較應更能反映圖像的特征和趨勢。方差是統(tǒng)計量中重要的特征量,某鄰域的方差是用于描述該鄰域內的小波系數(shù)的變化程度和分散程度,在該鄰域的方差越大,其小波系數(shù)的變化越大越分散。在一幅圖像的小波分解中,絕對值較大的小波系數(shù)對應于圖像中對比度變化較大的邊緣等特征,而人眼對于這些特征比較敏感[16]。所以,對于高頻率域我們總是希望盡可能地保留輸入圖像豐富的細節(jié)信息,因此特別重視突出圖像中的高頻成分。為此,與以往小波圖像融合方法的融合規(guī)則和算法不同,這里提出了基于系數(shù)絕對值取大和區(qū)域均值方差最大化的新融合準則和算法。以兩幅圖像A、B的融合為例,融合后圖像為F。對二維圖像進行N層小波分解,最終有<3N+1>個不同頻帶,其中包含3N個高頻帶和一個低頻帶。具體的融合規(guī)則和融合算法為：<1>對源圖像A、B分別進行N層小波分解；<2>融合圖像F的低頻部分,取源圖像A、B分解后的加權平均,即〔4-1其中,CN,A、CN,B分別表示參加融合的源圖像A和B在小波分解尺度N上的低頻分量,CN,F表示融合圖像F在小波分解尺度N上的低頻分量。<3>在最高分解層上,比較A、B圖像的3個方向高頻分量的小波系數(shù),取絕對值大的小波系數(shù)作為融合圖像F的小波系數(shù),即DiN,F=DiN,Aif|DiN,A|≥|DiN,B|DiN,F=DiN,Belse其中,DiN,A、DiN,B分別表示參加融合的源圖像A和B在小波分解尺度N上i方向上的小波系數(shù),DiN,F表示融合圖像F在小波分解尺度N上i方向上的小波系數(shù)。<4>在中間分解層上,理想像素為中心的局部區(qū)域<這里取3×3>的均值方差最大的圖像A或B的小波系數(shù)作為融合圖像F對應的小波系數(shù),即Dij,F=Dij,AifMSEA≥MSEBDij,F=Dij,Belse其中分解尺度j取1到N-1；MSEA、MSEB分別表示源圖像A和B在分解尺度上方向上對應局部區(qū)域上的方差。方差MSE定義為：〔4-2其中,M、N分別為局部區(qū)域的行數(shù)和列數(shù)<這里為3>；xi,j為當前局部區(qū)域內的一個像素的灰度值,x為當前局部區(qū)域像素灰度值的平均值；<5>確定融合圖像F的各小波系數(shù)后,進行逆小波變換,即得到融合圖像F。3.3.3低頻系數(shù)融合規(guī)則雖然小波系數(shù)<高頻系數(shù)>的選擇對于保留圖像的邊緣等特征具有非常主要的作用,但尺度系數(shù)<低頻系數(shù)>決定了圖像的輪廓,正確地選擇尺度系數(shù)對提高合成圖像的視覺效果具有舉足輕重的作用。因此在考慮小波系數(shù)選擇規(guī)則的前提下,還重點研究了尺度系數(shù)的選擇方案[13]。對于低頻段尺度系數(shù)的選擇,本文設計了三種方案。第一種就是采用平均的方法,用數(shù)學公式表示就是：<4-3>對低頻系數(shù)直接采用平均法,沒有考慮圖像的邊緣等特征,這樣就會在一定程度上降低圖像的對比度。第二種方案就是Burt提出的平均與選擇相結合的方法。首先用一個小區(qū)域Q內的能量來表示顯著性,如果用A<X,p>表示圖像X在p點處尺度系數(shù)的顯著性,則：<4-4>其中ω<q>表示權值,離p點越近,權值越大。同樣可定義A<Y,p>。接著定義匹配矩陣R：<4-5>匹配矩陣各點的值在0和1之間變化,接近零就說明兩幅圖的相關程度低,接近1就說明相關程度高。當匹配矩陣在某一點的值較小時<小于某一閾值a>,就選擇顯著性高的尺度系數(shù)作為合成圖像的尺度系數(shù)；當匹配矩陣的值較大時,就選擇兩幅圖像尺度系數(shù)的加權平均值作為合成圖像在這一點的尺度系數(shù)。這時融合函數(shù)可描述為：<4-6>第二種方案考慮了兩幅圖像的相關性,并根據(jù)相關性的不同,分別采用選擇和平均的方法。當兩幅圖像的相關性較強時,就采用平均的方法；當兩幅圖像的相關性較弱時,就選擇局部能量較大的點。這種選擇原則在一定程度上符合人眼對較顯著的點比較敏感這一事實。所以可以推斷,采用這種方案獲得的融合圖像會比直接用平均法得到的融合圖像效果好。但是,第二種方案還是沒有考慮到圖像的邊緣這些顯著特征,這樣有時就會影響融合圖像的效果。因此我們就提出了第三種方案。第三種方案就是基于邊緣的選擇方案。對于圖像X的尺度系數(shù)定義一個變量E<4-7>其中*表示卷積,同樣,對于圖像Y,可定義變量E<Y,p>。變量E在一定程度上反映了圖像在水平、垂直和對角線方向的邊緣信息。因此為了較好地保留原圖像中的細節(jié),可對兩幅圖像的尺度系數(shù)計算出變量E,并選擇E較大的尺度系數(shù)作為合成圖像的尺度系數(shù),這樣就能在融合圖像中最大程度的保留原圖像的邊緣信息。融合函數(shù)表達如下：<3-8>其中,第三種方案在多幅原圖像中選擇最有可能是邊緣的點加以保留,所以可以預測這種方法得到的合成圖像比較清晰,細節(jié)較為豐富。本章小結本章介紹了圖像融合的概念及原理,以及幾種基于小波變換的圖像融合算法,并詳細的介紹了基于小波變換的圖像融合算法的流程,分別闡述了圖像經小波分解后的高,低頻系數(shù)融合規(guī)則。實驗結果及分析實驗的仿真從圖片中我們可以看到,"理工校門1"中右半部分字不清晰,而"理工門2"中左半部分字不清晰,我們現(xiàn)在要將兩張圖片融合得到一張兩都清晰的圖片。圖4-1理工校門1圖4-2理工校門2要完成上述過程,我們需要MATLAB軟件進行仿真,MATLAB小波分析工具箱是在MATLAB中實現(xiàn)各種小波變換的基礎。MATLAB小波分析工具箱提供了大量的小波分析函數(shù),利用這些函數(shù)可以實現(xiàn)各種小波變換。按照函數(shù)的用途可以對它們進行分類,主要包括小波分析工具箱圖形用戶接口函數(shù)、通用小波變換函數(shù)、小波函數(shù)、一維連續(xù)小波變換函數(shù)、一維離散小波變換函數(shù)、二維離散小波變換函數(shù)、小波包變換函數(shù)、離散平穩(wěn)小波變換函數(shù)、提升小波變換函數(shù)、Lautent多項式函數(shù)、Lautent矩陣函數(shù)、信號/圖像的壓縮和去噪函數(shù)、其他的小波應用函數(shù)、樹管理函數(shù)以及其他函數(shù)。下面將這些函數(shù)的用途進行簡單的介紹。MTALAB小波分析工具箱集成了小波分析的許多研究成果,不僅提供了豐富的工具函數(shù),而且又提供了一個可視化的小波分析工具,是一個很好的算法研究、工程設計與仿真應用平臺,特別適合于圖像分析、去噪、壓縮、融合的研究[10]。首先啟動MTAIAB6．5,在ComandWindow窗口下鍵人wavemenu,將在Windows窗口中出現(xiàn)小波工具箱主菜單窗口<waveletToolboxMainMenu>。在窗口中包含有二維離散小波分析<Wavelet2D>、二維離散小波包分析<WaveletPacket2D>、二維離散平穩(wěn)小波分析<SWTDe—noising2D>和二維離散小波系數(shù)選擇<WaveletCoefficientSelection2D>等可視化小波分析工具按鈕,選擇所需的工具按鈕并點擊即可啟動該項分析工具。在已啟動的小波分析工具中,單擊菜單欄中[Fik]一[LoadImage]菜單命令,選擇MTALAB安裝目錄下的toolbox＼wavelet＼waveden'ltO子目錄下的*．*．mat文件,完成圖像文件裝載。按小波分析工具中提供的功能即可完成基于小波變換的圖像處理[10]。上面裝載的圖像文件是由MATLAB軟件提供的,并且具有MATLAB特定圖像文件格式,如果使用小波分析工具處理Windows通用圖像文件格式,就必須進行圖像格式轉換。供MATLAB小波分析工具使用的特定圖像文件格式有三點要求：1．圖像類型為索引圖像；2．圖像數(shù)據(jù)類型為雙精度型；3．對圖像數(shù)據(jù)矩陣進行偽彩色編碼,并保存為擴展名為mat的文件。經過仿真得到如下圖片圖4-3：圖4-3融合后圖像實驗的結果分析仿真結果分析：從仿真結果可以看出,文中給出的方法可以很好地保留多幅原圖像中的有用信息,得到多個目標聚焦都很清晰的融合圖像。我們將圖像進行小波分解,并對分解系數(shù)進行處理以突出輪廓部分,弱化細節(jié)部分,從實驗的結果中,我們可以明確的看到,融合后的圖象具有了兩幅圖象的特征；將兩幅描述同一對象的模糊圖象,可見到它們分別在不同的地方有些模糊。通過取細節(jié)和近似信號的最大值融合方法進行融合,可以從結果中看到融合后的圖象清楚的表現(xiàn)了對象特征。本章小結本章主要是對實驗結果的仿真也分析,通過對"理工校門1"及"理工校門2"兩張不同區(qū)域模糊的圖片進行融合得到仿真結果,并對本次課題的可行性進行了驗證。..結論本文給出的方法可以很好地保留多幅原圖像中的有用信息,得到很清晰的融合圖像。我們將圖像進行小波分解,并對分解系數(shù)進行處理以突出輪廓部分,弱化細節(jié)部分,從實驗的結果中,我們可以明確的看到,融合后的圖象具有了兩幅圖象的特征；將兩幅描述同一對象的模糊圖象,可見到它們分別在不同的地方有些模糊。通過取細節(jié)和近似信號的最大值融合方法進行融合,可以從結果中看到融合后的圖象清楚的表現(xiàn)了對象特征?；谛〔ㄗ儞Q的圖像融合方法已成為現(xiàn)今研究的一個熱點,這類算法主要是利用人眼對局部對比度的變化比較敏感這一事實,根據(jù)一定的融合規(guī)則,在多幅原圖像中選擇出最顯著的特征,例如邊緣、線段等,并將這些特征保留在最終的合成圖像中。本課題根據(jù)小波變換的多分辨率理論,提出了一種基于多分辨分析的圖像融合方法。對不同分解層、不同頻帶分別采用不同的融合算法,采用小波系數(shù)的鄰域方差來定義融合因子能很好地利用小波變換的時-頻局部特性。仿真實驗結果表明,該方法具有良好的效果。致謝在本文的撰寫過程中,XXX老師作為我的指導老師,她治學嚴謹,學識淵博,視野廣闊,為我營造了一種良好的學術氛圍。置身其間,耳濡目染,潛移默化,使我不僅接受了全新的思想觀念,樹立了明確的學術目標,領會了基本的思考方式,掌握了通用的研究方法,而且還明白了許多待人接物與為人處世的道理。其嚴以律己、寬以待人的崇高風范,樸實無華、平易近人的人格魅力,與無微不至、感人至深的人文關懷,令人如沐春風,倍感溫馨。正是由于她在百忙之中多次審閱全文,對細節(jié)進行修改,并為本文的撰寫提供了許多中肯而且寶貴的意見,本文才得以成型。在此特向王愛麗老師致以衷心的謝意！向她無可挑剔的敬業(yè)精神、嚴謹認真的治學態(tài)度、深厚的專業(yè)修養(yǎng)和平易近人的待人方式表示深深的敬意！參考文獻1李建華,李萬社.小波理論發(fā)展及其應用.河西學院學報,2006,22<2>:27~312趙書蘭.MATLABR2008數(shù)字圖像處理與分析實例教程.化學工業(yè)出版社,2009:318~3623晁銳,張科,李言俊.一種基于小波變換的圖像融合算法.電子學報,2004,5:750~7524董辰輝,彭峰.MATLAB2008全程指南.北京.電子工業(yè)出版社,2009:283~3315盧穎.基于小波變換的數(shù)字圖像處理.XX交通職業(yè)技術學報,2009,02:344~3476徐佩霞,孫功憲.小波分析與應用實例.中國科學技術大學出版社,1996:7~197XX,周林,張家祥.MATLAB小波分析高級技術.XX電子科技大學出版社,2006:11~2648劉斌,彭嘉雄.基于分塊的小波多聚焦圖像融合方法.計算機工程,2005,31<5>:41~469朱亞超.基于小波變換的多聚焦圖像融合與評價.XX理工大學學報,2005:56~7410林宏裔,孔亮.在MATLAB語言環(huán)境下基于小波變換的圖像處理.華北科技學院學報,2003,5<2>:60~6411鄢樹.基于小波變換的圖像融合性能的研究.XX大學學報,2010,26<1>:119~12012楊杰,黃朝兵.數(shù)字圖像處理及MATLAB實現(xiàn).北京電子工業(yè)出版社,2010:7~1913黃愛民.數(shù)字圖象處理與分析基礎.北京中國水利水電出版社,2005:56~7414姜閃閃,吐爾洪江·阿布都克力木.基于二進小波變換閾值去噪方法的性能分析.新疆師范大學數(shù)理信息學報,2010,1:117~11915C.SidneyBurrus.IntroductinotoWaveletsandWavelettransforms.PrenticeHall,200516Themathworks.Inc.waveletToolbox.Version2.1<R12.1>,MATLAB6.106-Apr-200117ChipmanLJ,OrrTM,GraharnLN.Waveletsandimagefusion.ProcInternetConfOnComputerVision,2005附錄A融合程序如下:clearallclcx1=imread<'111.bmp'>;x1=rgb2gray<x1>;x1=double<x1>/255;x2=imread<'222.bmp'>;x2=rgb2gray<x2>;x2=double<x2>/255;subplot<221>imshow<x1>title<'理工校門1'>subplot<222>imshow<x2>title<'理工校門2'>%[row,col]=size<x1>;%x=[];[ca1,ch1,cv1,cd1]=dwt2<x1,'db1'>;[ca2,ch2,cv2,cd2]=dwt2<x2,'db1'>;[row,col]=size<ca1>;fori=1:rowforj=1:col%ifca1<i,j>>ca2<i,j>%ca<i,j>=ca1<i,j>;%else%ca<i,j>=ca2<i,j>;%endca<i,j>=<ca1<i,j>+ca2<i,j>>/2;ifabs<ch1<i,j>>>abs<ch2<i,j>>ch<i,j>=ch1<i,j>;elsech<i,j>=ch2<i,j>;endifabs<cv1<i,j>>>abs<cv2<i,j>>cv<i,j>=cv1<i,j>;elsecv<i,j>=cv2<i,j>;endifabs<cd1<i,j>>>abs<cd2<i,j>>cd<i,j>=cd1<i,j>;elsecd<i,j>=cd2<i,j>;endendendx=idwt2<ca,ch,cv,cd,'db1'>;imwrite<x,'wavefusionV1.bmp'>;subplot<223>imshow<x>title<'融合后圖像'>附錄BWavelettransforminimageprocessinginsimulationandApplication1,tasksignificanceInthetraditionalanalysisofsignalinfrequencydomain,iscompletelyunfolded,doesnotcontainanytimefrequencyinformation,whichforsomeapplicationsitisappropriate,becausethefrequencyofthesignaltoitsinformationisveryimportant.Butitsdiscardedtimeinformationmaybepossibleforsomeapplicationsalsoisveryimportant,sotheanalysisofthepromotion,putforwardalotoftimedomainandfrequencydomaininformationsignalanalysismethods,suchasshortFouriertransform,Gabortransform,time-frequencyanalysis,wavelettransform.WaveletanalysisovercomestheSTFTinasingleresolutiononthedefect,hasthecharacteristicsofmulti-resolutionanalysis,whichhasbeenwidelyappliedinimageprocessing.Thetraditionalsignaltheory,isbuiltonthebasisoftheanalysisofFourier,Fouriertransformisakindofglobalchange,ithassomelimitations.Inpracticalapplication,thepeoplestarttoFouriertransformareimproved,thusresultinginwaveletanalysis.Waveletanalysisisanewbranchofmathematics,itisauniversalfunction,Fourieranalysis,harmonicanalysis,numericalanalysisofthemostperfectcrystalline;inthefieldsofapplication,especiallyinsignalprocessing,imageprocessing,speechprocessingandnonlinearsciencedomain,itisconsideredtobetheFourieranalysisafteranothereffectivewhenfrequencyanalysismethod.WavelettransformandFouriertransform,isatimeandfrequencydomainofthelocaltransformwhichcaneffectivelyextractedfromthesignalinformation,throughdilationandshiftoperationfunctiontofunctionorsignalmultiscaleanalysis<MultiscaleAnalysis>,tosolvetheFouriertransformcannotsolvemanydifficultproblemsWavelettransformisarapiddevelopmentandmorepopularsignalanalysismethod,theimageprocessingisaveryimportantapplication,includingimagecompression,imagedenoising,imagefusion,imagedecomposition,imageenhancement.Waveletanalysisistheanalysismethodofthinkinginthedevelopmentandcontinuation.Inadditiontocontinuouswavelet,discretewavelettransform<CWT><DWT>,andthewaveletpacket<WaveletPacket>andmultidimensionalwaveletWaveletanalysisinimageprocessingapplicationsareveryimportant,includingimagecompression,imagedenoising,imagefusion,imagedecomposition,imageenhancement.Wavelettransformisanewtransformanalysismethod,ithasinheritedanddevelopedtheSTFTlocalizationofthought,andalsoovercomesthewindowsizedoesnotvarywithfrequencyandothershortcomings,toprovideafrequencychangingwithtimefrequencywindow,isatime-frequencysignalanalysisandprocessingtheidealtool.Itismainlycharacterizedbytransformcanhighlightsomeaspectsofcharacteristics,therefore,thewavelettransforminmanyareashavebeensuccessfullyapplied,especiallywavelettransformdiscretedigitalalgorithmhasbeenwidelyusedinmanyoftheproblemsofthetransformationresearch.Sincethen,thewavelettransformismoreandmoretheintroductionofpeople'sattention,itsapplicationfieldsmoreandmorewidely.2,problemoverview<a>theapplicationofwaveletanalysisanddevelopmentTheapplicationofwaveletanalysisandwaveletanalysistheorytoworkcloselytogether.Now,ithasbeenintheinformationtechnologyindustryhasmadetheachievementattractpeople'sattention.Electronicinformationtechnologyisthesixnewandhightechnologyanimportantfield,whichisanimportantaspectofimageandsignalprocessing.Nowadays,signalprocessinghasbecomeanimportantpartoftheworkofcontemporaryscienceandtechnology,thepurposeofsignalprocessingis:accurateanalysis,diagnosis,codingandquantization,fasttransmissionorstorage,accuratelyreconstruct<orreturn>.Fromamathematicalperspective,signalandimageprocessingcanbeunifiedasaletterCoursenumberprocessing<imagecanbeviewedasatwo-dimensionalsignal>,thewaveletanalysisofthemanyanalysisformanyapplications,canbeattributedtothesignalprocessingproblems.Now,foritspropertieswit