图像融合技术的发展及未来展望

马文娟

摘要：图像融合是信息融合的重要分支和研究热点。其目的是对多幅源图像的信息进行提取和综合，以获得对某一地区或目标更准确、更全面和更可靠的描述，从而实现对图像的进一步分析和理解，或目标的检测、识别与跟踪。本文描述了图像融合的基本概念、层次及发展，重点阐述了像素级图像融合的基本原理和方法，最后展望了图像融合发展的前景。

关键词：图像融合小波变换反变换

0引言

在图像融合中，参加融合的源图像是由不同的图像传感器或者是同一传感器在不同时刻得到的，所以在进行融合之前需要对图像进行配准和一些预处理操作。在本文中所提到的参加融合的图像都是经过配准了的，图像融合的过程可以发生在信息描述的不同层，通常将图像融合分为像素级、特征级和决策级。像素级的图像融合是最低层次的图像融合，但该层次的融合准确性最高，能够提供其它层次上的融合所不具备的细节信息。可以说像素级图像融合是特征级和决策级图像融合的基础，是最基本、最重要的图像融合方法。

1像素级图像融合方法

像素级融合的过程一般可分4个步骤：预处理、变换、综合和反变换《重构图像》。大多数研究像素级融合的论文都假设被融合的图像已经配准，不过也有一些研究论文专门研究配准处理变换阶段采用的主要方有：PCA，有时也称PCT；HIS变换；多分辨方法，如金字塔(pyramid)算法和多分辨小波变换wavelet。综合阶段将被融合图像的变换结果进行综合处理，从而获得最终的融合图像。综合方法可分为：选择法。即根据某种规则，分别选择同被融合图像的变换系数，组成一组新的变换系数；加权法。即用某种加权平均算法将不同被融合图像的变换系数综合为一组新的变换系数；优化法。即根据应用不同，构造某个评价融合效果的性能指标，综合结果使该性能指标达到最优。反变换阶段是根据综合阶段得到的一变换系数进行反变换操作，得到融合图像。

2加权平均法

假设参加融合的两个源图像分别为A，B，图像大小为N₁×N₂，经融合后得到的融合图像为F，那么对A，B两个源图像的灰度加权平均融合过程可表示为F(n₁，n₂)=ω₁A(n₁，n₂)+ω₂B(n₁n₂)式中：ω₁+ω₂=1，ω₁，ω₂在不同类的图像融合当中，通过仿真确定它们的值。当两幅图像很相似时，合成图像就采用两幅图的平均值也就是权值分别为0.5和0.5：当两幅图像差异很大时，就选择最显著的那一幅图像，此时的权值为0和1，上面的权值选择方法基本上都是基于人眼的视觉特征，而没有考虑到实际应用中的目标特征。Lallier利用军事应用中的目标特征提出了一种自适应的权值选择方法，所产生的融合算法计算量较少，适于实时处理，而且稳定性非常好。

3小波变换法

小波变换也是一种图像的多尺度、多分辨率分解，而且小波分解是非冗余的，使图像经小波分解后的数据总量不会很大；同时，小波分解具有方向性，利用这一特性就有可能针对人眼对不同方向的高频分量具有不同分辨率这一视觉特性，获得视觉效果更佳的融合图像。

这里以两幅图像的融合为例，对于多幅图像的融合方法可由此类推。设A，B为两幅原始图像，F为融合后的图像。其处理的基本步骤如下：第一步对每一源图像分别进行小波变换，建立图像的小波塔形分解；第二步对各分解层进行融合处理，各分解层上的不同频域分量可用不同的融合算子进行融合处理，最终得到融合后的小波金字塔：第三步对融合后的小波金字塔进行小波逆变换(即进行图像重构)，得到的重构图像为融合图像。

4总结及展望

图像融合能够协同利用同一场景的多种传感器图像信息，输出一幅更适合于人类视觉感知或计算机进一步处理与分析的融合图像。它可明显的改善单一传感器的不足，提高结果图像的清晰度及信息包含量，有利于更为准确、更为可靠、更为全面地获取目标或场景的信息。因此，图像融合技术的研究是一项有着重要的理论与应用价值的课题。