基于免疫克隆選擇的多尺度對(duì)比度塔和多小波的sar圖像融合(存儲(chǔ)版)
【正文】 act: How to obtain efficient fusion coefficients is the key problem in image fusion processing. In terms of the statistical characteristic of images, CP deposition and GHM multiwavelets are constructed and using multiwavelet domain HMT models to capture the dependencies of coefficients in this article. Furthermore, the evolution putation idea — immune clonal selection (ICS) algorithm is introduced to optimize the fusion coefficients for better fusion results. Fusion performance is evaluated through subjective inspection, as well as objective fusion performance measurements. Results clearly demonstrate the superiority of this new approach when pared to conventional wavelets and multiwavelet systems as information entropy (IE) values keep at a high level, and average grads (AG) values increase averagely about and , respectively and standard differences (STD) values increase averagely about and , respectively. Key words: Image fusion。所以，對(duì)遙感圖像的融合研究更具有十分重要的意義。因此，基于小波變換的方法不能很好地挖掘圖像的邊緣性質(zhì)和細(xì)節(jié)信息，處理后的圖像邊緣有“振鈴”現(xiàn)象。本文根據(jù)人眼的視覺特性，利用對(duì)比度塔（CP）調(diào)節(jié)圖像對(duì)比度值，將不同的CP序列在空間分辨率的不同層次進(jìn)行多小波變換，建立了多小波HMT（MWHMT）模型，并利用ICS算法根據(jù)親合度值的大小優(yōu)化融合系數(shù)，達(dá)到了較好的融合效果。由此，我們構(gòu)造：，并采用常見的窗口寬度，再根據(jù)約束條件(1)，計(jì)算可得窗口函數(shù)表示如下： (2) 得到高斯塔以后，將進(jìn)行插值放大，得到圖像，的大小與大小相同。同理，完成多個(gè)小波重構(gòu)后，還要進(jìn)行后濾波才能實(shí)現(xiàn)完整的多小波重構(gòu)。步驟5：若進(jìn)行多級(jí)多小波分解，只需要將部分按上述方式繼續(xù)分解即可。白點(diǎn)代表每一系數(shù)所對(duì)應(yīng)的“隱”狀態(tài)變量，黑點(diǎn)代表系數(shù)隨機(jī)變量（1）獨(dú)立混合高斯分布：若已知第個(gè)多小波系數(shù)的狀態(tài)概率，則系數(shù)的概率密度與其它系數(shù)及狀態(tài)無關(guān)。如果多小波系數(shù)和模型參數(shù)已知，還可以通過UpwardDownward算法[10]得到各個(gè)系數(shù)的后驗(yàn)概率。在人工免疫系統(tǒng)中，克隆選擇是由親合度誘導(dǎo)的抗體隨機(jī)映射，抗體群的狀態(tài)轉(zhuǎn)移可以表示成圖6所示的隨機(jī)過程。（式(2)）進(jìn)行CP分解，設(shè)定分解層數(shù)為4層。設(shè)；步驟4：設(shè)定收斂閾值為105。設(shè)定初始代數(shù)，最大迭代代數(shù)；步驟2：停機(jī)判斷。在該實(shí)驗(yàn)中，小波變換中采用“db8”小波，小波變換和多小波變換的分解層數(shù)均為3層。一般來說，越大，表示圖像的信息量增加得越多，也可以看出更多的信息。目前，我們是在假設(shè)待融合圖像大小一致，而且已經(jīng)過象素級(jí)配準(zhǔn)的情況下工作的。焦李成，男，1959年生，教授，博士生導(dǎo)師，研究方向?yàn)橹悄苄畔⑻幚怼D像處理、自然計(jì)算。 Immune clonal selection。綜上所述，無論從視覺方面還是從定量的指標(biāo)方面來評(píng)價(jià)融合結(jié)果，本文方法是有明顯優(yōu)勢(shì)的。一般來說，熵越大，表示圖像所含的信息越豐富。計(jì)算每個(gè)個(gè)體的適應(yīng)度值；步驟6：克隆選擇。尋找使得總體評(píng)價(jià)指標(biāo)最大的系數(shù)矩陣作為最終的融合系數(shù)。我們采用EM（Expectation Maximization）算法進(jìn)行迭代。引理1[17] 簡(jiǎn)單克隆選擇算法的抗體種群序列以概率1收斂到最優(yōu)解。它在傳統(tǒng)的進(jìn)化算法的基礎(chǔ)上，引入了親合度成熟、克隆和記憶機(jī)理，并利用相應(yīng)的算子保證了算法能快速收斂到全局最優(yōu)解。任一結(jié)點(diǎn)處多小波系數(shù)的狀態(tài)僅依賴于其父結(jié)點(diǎn)處系數(shù)的狀態(tài)。 (a) GHM多小波分解 (b) GHM多小波重構(gòu)圖4 Lena圖像的GHM多小波分解與重構(gòu) MWHMT模型HMT模型可以有效地捕獲圖像中的多尺度相關(guān)性，它是一個(gè)易操作而且實(shí)用的概率模型，能有效地刻畫系數(shù)之間的聯(lián)合統(tǒng)計(jì)特性[1315]。圖1 多小波分解流程 預(yù)濾波 （1）行預(yù)濾波在進(jìn)行行預(yù)濾波時(shí)，首先保持輸入信號(hào)的列不變，對(duì)進(jìn)行隔行采樣，生成的兩個(gè)矩陣為和。將(6)式進(jìn)行變換可以得到CP重構(gòu)公式如下： (7)從CP的頂層開始，按(7)式迭代，依次令，可得到高斯塔的每一層，最終得到精確重構(gòu)的原始圖像。高斯塔的生成包含低通濾波和下采樣過程。我們研究了多小波的特點(diǎn)，將其應(yīng)用到圖像融合中。簡(jiǎn)單的圖像融合方法采用的融合規(guī)則就是直接對(duì)象素進(jìn)行選擇、平均或加權(quán)平均等操作，通常得不到滿意的結(jié)果。 CP deposition1 引言圖像融合作為圖像的預(yù)處理過程是近年來圖像工程領(lǐng)域的研究熱點(diǎn)。本文從圖像的統(tǒng)計(jì)特性出發(fā)，構(gòu)造了對(duì)比度塔（CP）和GHM多小波，建立了多小波HMT模型以捕獲多小波系數(shù)之間的相關(guān)性。 Immune clonal selection。圖像融合通常在以下三個(gè)層次上進(jìn)行：象素級(jí)、特征級(jí)和決策級(jí)。自從最早的由Geronimo、Hardin和Massopust成功構(gòu)造GHM多小波以來，多小波以其獨(dú)特的魅力引起了許多研究者的濃厚興趣，這主要是因?yàn)樗缺３至藛涡〔ǖ闹T多優(yōu)點(diǎn)，又克服了單小波的缺陷，而且它把十分重要的正交性、光滑性、緊支性、對(duì)稱性等完美地結(jié)合了起來[56]。本文其余部分內(nèi)容安排如下：第二節(jié)構(gòu)造了CP分解，給出了GHM多小波變換，建立了MWHMT模型；第三節(jié)介紹了ICS的思想，分析了ICS機(jī)理；第四節(jié)給出了基于CP和GHM多小波HMT模型的ICS融合算法（ICSCPMWHMT）的實(shí)現(xiàn)步驟；第五節(jié)給出了仿真實(shí)驗(yàn)和數(shù)值結(jié)果，并進(jìn)行了簡(jiǎn)要分析；最后總結(jié)全文，給出了進(jìn)一步的研究方向。我們引入放大算子Expand，即 (3)與(1)式對(duì)應(yīng)，放大算子定義如下： (4)其中。 多小波是由的尺度函數(shù)和相應(yīng)的小波函數(shù)伸縮平移生成。多小波各頻帶分布和系數(shù)調(diào)整示意圖分別如圖2和圖3所示。即 (18)其中，表示在已知HMT模型參數(shù)向量的情況下，第個(gè)多小波系數(shù)處于狀態(tài)的概率；表示第個(gè)多小波系數(shù)處于狀態(tài)時(shí)取值為的概率，它服從均值和方差分別為和的高斯分布；為第個(gè)多小波系數(shù)可能的狀態(tài)數(shù)。（3）多小波系數(shù)的聯(lián)合概率分布。圖6 抗體群狀態(tài)轉(zhuǎn)
高考資料相關(guān)推薦
鄂ICP備17016276號(hào)-1