數字圖像融合算法分析與應用

目錄
前言
第1章 圖像融合簡介1
1.1 研究背景及意義1
1.2 國內外研究現(xiàn)狀1
1.3 圖像融合基礎知識3
1.3.1 圖像融合層次3
1.3.2 傳統(tǒng)圖像融合算法4
1.3.3 圖像融合存在的問題6
1.4 圖像融合評價標準7
1.4.1 主觀評價標準7
1.4.2 客觀評價標準8
第2章 基于小波和輪廓波的多聚焦圖像融合12
2.1 多聚焦圖像特點12
2.2 基于小波的多聚焦圖像融合算法14
2.2.1 小波變換14
2.2.2 小波域多聚焦圖像融合算法23
2.2.3 基于小波的多聚焦圖像融合實驗結果分析26
2.3 基于輪廓波的多聚焦圖像融合算法26
2.3.1 輪廓波變換27
2.3.2 復輪廓波變換28
2.3.3 向導濾波31
2.3.4 基于輪廓波變換圖像融合算法33
2.3.5 實驗結果分析35
2.4 結合輪廓波變換與核范數最小化理論的多聚焦圖像融合算法44
2.4.1 核范數最小化理論45
2.4.2 圖像融合算法46
2.4.3 實驗結果與分析48
2.5 本章小結54
第3章 基于剪切波和Smoothlet的多聚焦圖像融合55
3.1 剪切波變換基礎知識55
3.1.1 剪切波變換55
3.1.2 離散剪切波變換57
3.1.3 非下采樣剪切波變換61
3.2 基于剪切波的多聚焦圖像融合算法61
3.2.1 基于剪切波變換的圖像融合框架61
3.2.2 基于剪切波變換的圖像融合規(guī)則62
3.2.3 實驗結果對比與分析65
3.3 基于NSST-FRFT的多聚焦圖像融合算法72
3.3.1 NSST-FRFT原理72
3.3.2 NSST-FRFT圖像融合框架73
3.3.3 圖像融合規(guī)則73
3.3.4 實驗結果對比與分析75
3.4 基于NSST域的自適應區(qū)域與脈沖發(fā)放皮層模型的多聚焦圖像融合算法83
3.4.1 共享相似性和自適應區(qū)域83
3.4.2 脈沖發(fā)放皮層模型84
3.4.3 基于自適應區(qū)域、EOE和SCM的圖像融合85
3.4.4 實驗結果分析87
3.5 基于Smoothlet的圖像融合算法91
3.5.1 Smoothlet變換及依賴變換理論介紹92
3.5.2 基于NSCT和Smoothlet的圖像融合97
3.5.3 仿真實驗和結果分析99
3.6 基于灰度共生矩陣的多聚焦圖像融合算法101
3.6.1 圖像的灰度共生矩陣101
3.6.2 融合框架102
3.6.3 實驗結果104
3.7 本章小結110
第4章 紅外與可見光圖像融合111
4.1 紅外與可見光圖像特點111
4.2 基于NSST域自適應PCNN的紅外與可見光圖像融合算法112
4.2.1 區(qū)域提取112
4.2.2 脈沖耦合神經網絡（PCNN）113
4.2.3 圖像融合框架114
4.2.4 圖像融合規(guī)則115
4.2.5 實驗結果對比與分析116
4.3 基于NSST域模糊邏輯的紅外與可見光圖像融合算法119
4.3.1 圖像融合框架120
4.3.2 圖像融合規(guī)則121
4.3.3 實驗結果對比與分析122
4.4 基于SCM和CST的紅外與可見光圖像融合算法126
4.4.1 圖像融合框架127
4.4.2 圖像融合規(guī)則128
4.4.3 仿真驗證130
4.5 基于復剪切波域結合向導濾波與模糊邏輯的紅外與可見光圖像融合算法133
4.5.1 融合規(guī)則133
4.5.2 仿真驗證134
4.6 本章小結137
第5章 醫(yī)學圖像融合138
5.1 醫(yī)學圖像特點138
5.2 基于NSST和高斯混合模型的醫(yī)學彩色圖像融合算法140
5.2.1 HIS模型140
5.2.2 高斯混合模型142
5.2.3 圖像融合框架143
5.2.4 圖像融合規(guī)則144
5.2.5 實驗結果對比與分析146
5.3 基于非下采樣復小波變換的醫(yī)學圖像融合算法149
5.3.1 非下采樣復小波變換的基本理論150
5.3.2 圖像融合步驟152
5.3.3 實驗結果與分析153
5.4 基于NSST變換和Smoothlet的醫(yī)學圖像融合算法157
5.4.1 圖像融合框架157
5.4.2 融合規(guī)則159
5.4.3 仿真實驗和結果分析160
5.5 Shearlet變換和稀疏表示相結合的甲狀腺圖像融合算法161
5.5.1 圖像的稀疏表示162
5.5.2 圖像融合算法164
5.5.3 實驗結果與分析166
5.6 基于加權核范數最小化的醫(yī)學圖像融合算法170
5.6.1 加權核范數最小化理論171
5.6.2 圖像自相似性172
5.6.3 融合框架173
5.6.4 實驗結果分析175
5.7 基于改進拉普拉斯能量的醫(yī)學圖像融合算法179
5.7.1 改進的拉普拉斯能量和180
5.7.2 融合算法182
5.7.3 實驗結果與分析182
5.8 基于改進PCNN的非下采樣剪切波域醫(yī)學圖像融合算法188
5.8.1 稀疏編碼與字典設計方法188
5.8.2 基于稀疏表示的低頻圖像融合192
5.8.3 滑動窗口尺寸對融合結果的影響195
5.8.4 滑動步長對融合結果的影響196
5.8.5 基于改進PCNN的高頻醫(yī)學圖像融合197
5.8.6 不同的PCNN輸入項對融合結果的影響199
5.8.7 不同的PCNN鏈接強度對融合結果的影響200
5.8.8 整體融合算法202
5.8.9 實驗結果與分析203
5.9 本章小結212
第6章 基于仿生算法的醫(yī)學圖像融合213
6.1 仿生優(yōu)化算法概述214
6.1.1 粒子群算法214
6.1.2 蟻群算法215
6.1.3 人工魚群算法216
6.2 基于人工魚群算法優(yōu)化的小波域圖像融合算法218
6.2.1 融合規(guī)則與具體算法步驟218
6.2.2 實驗結果分析221
6.3 結合Shearlet變換和果蠅優(yōu)化算法的甲狀腺圖像融合算法226
6.3.1 融合規(guī)則227
6.3.2 實驗結果分析229
6.4 本章小結233
第7章 遙感圖像融合234
7.1 傳統(tǒng)的高分辨率遙感圖像融合算法及比較234
7.1.1 4種傳統(tǒng)融合算法的原理和分析234
7.1.2 算