基于导向滤波的图像融合算法改进研究

　　摘 要：为了进一步提高传统导向滤波图像融合算法在图像处理过程中的效果，使得融合后的图像能够保留更多的细节信息，在传统的导向滤波图像融合法的基础上，利用非線性的Sigmoid函数可以映射到[0，1]的特性，用其代替原有线性的加权平均，最后得到融合后的图像。通过对实验结果进行对比分析发现，相较于传统的导向滤波图像融合算法，本文经过对权重重新分配后能够有效提高一些图像的融合效果。

　　关键词：导向滤波;Sigmoid函数;图像融合

　　1 引言(Introduction)

　　图像融合[1]广泛应用于医学成像、遥感、计算机视觉和机器人技术等领域。在这些应用中，良好的图像融合方法既不能损坏图像的轮廓及边缘等重要信息，又要使图像清晰，视觉效果好。近年来，研究者们就如何提取源图像中的有效信息、避免重要信息损失，以及振铃效应等问题提出了许多融合规则[2-4]。

　　针对融合过程中出现边缘轮廓和细节信息易损失的问题，基于小波变换和显著性检测的多聚焦图像融合方法[5]，通过小波分解获得包含图像细节信息的高频信息和决定图像轮廓的低频信息。基于导向滤波的融合算法(GFF)[6]则提出了一种利用源图像作为引导图的计算不同幅图像的权重方法，在减少噪声影响的同时提取相关图像的细节。通过将现有的引导滤波和差分图像两种方法巧妙结合，有效地解决了传统方法存在的伪影问题[7]。

　　大多数融合方法基本上都是通过设计局部滤波器来提取高频细节，并与不同源图像对比计算出清晰度信息从而获取清晰的图像。引入深度神经网络模型[8]的融合策略后，可以学习源图像和焦点图之间的直接映射，并有效提高多聚焦图像边缘融合效果。例如，用传统卷积神经网络思路对聚焦区域像素点分类进行多焦距图像融合[9]，可将输入的两张图像对应像素点分类为聚焦点和非聚焦点。本文首先介绍了Sigmoid函数在机器学习中的广泛应用，随后分析了传统导向滤波图像融合算法，利用非线性的Sigmoid函数代替线性的加权平均。实验结果分析发现，一些改进后的融合图像效果更好。

　　2 Sigmoid函数(Sigmoid function)

　　Sigmoid函数最早用于模拟人口增长模型，是生物学中常见的S形曲线，其函数图像如图1所示;随后从生物神经网络中得到启发，因其函数特性广泛用作神经网络激活函数。Sigmoid函数又称S函数，是一个单调递增的函数，具有良好的连续性，其数学表达式为：

　　在机器学习中，Sigmoid函数又称为逻辑回归函数，常用在分类问题上，如逻辑回归模型分类器;它解决了分类函数的突然阶跃问题，将输出值映射到[0，1]且总和为1，使得结果变得更平滑。从概率的角度出发，它对于许多需要将实数转换为概率的机器学习应用程序也很有用。例如，在机器学习模型的最后一层加上S函数，将模型的输出值转换成概率分数，这样更容易处理和解释。S函数作为人工神经网络中的激活函数，给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，在深度学习中非常流行。由于在多层神经网络中的不同点上使用了S函数，神经网络可以被构建成连续的层来获取输入示例的更复杂的特征。其良好的性质也体现在图像处理技术中，如图像边缘检测中用S函数拟合图像边缘[10]，满足影像检测定位要求的同时提高了检测速度。在多曝光图像中用S函数拟合的融合算法[11]保留了图像细节，并对动态目标的影响具有良好的鲁棒性。

　　本文构造了一个S函数满足对任意输入值输出概率为0—1，且所有输入值概率总和为1。这里采用的数学形式为：1 [2]

期刊VIP网，您身边的高端学术顾问

文章名称： 基于导向滤波的图像融合算法改进研究

文章地址： http://www.qikanvip.com/jisuanjixinxiguanli/60293.html