第16章 小波分析用于图像处理其他领域

在前面的章节中，我们重点介绍了小波分析在图像压缩、图像去噪、图像增强(包括图像钝化和锐化、图像平滑等)方面的应用，这些应用在图像处理中非常常见。
本章将介绍小波分析用于图像处理的其他方面，比如图像融合、图像分解及图像特征提取等。随着小波理论与技术的日渐成熟，这些领域也渐渐地引进了小波分析方法，从而拓展了图像处理的技术道路，也改进了传统图像处理的效果。然而，任何一项理论与技术在现今都不能够称为“完美”，只能是相对而言。
本章的结构安排为：首先介绍图像融合所涉及的小波技术，如小波变换法、小波包法、多小波及小波框架等；随后介绍了图像分解及图像特征提取等。在每节都例举了这些小波应用实例，希望对此领域感兴趣的广大读者和技术爱好者可以从中找到快乐，愉悦心情。
学习目标：
(1)熟练掌握小波图像增强包含的内容和方法
(2)熟练掌握小波图像分解
(3)熟练掌握小波图像特征提取
16.1 图像融合
图像融合是将同一场景的多幅图像的互补信息合并成一幅新图像，以便更好地对场景进行监视和侦察。
16.1.1 小波分析用于图像融合的方法
小波分析具有多分辨等特点，可以有效地将特征明显、分辨率高的图像融合在一起，得到比任何一幅源图像效果都好的图像。
图像融合是信息融合的一个重要分支，在自动目标识别、遥感、机器人视觉、智能系统、医学图像处理以及军事领域有着广泛的应用。对融合后的图像的要求为：
•充分利用各源图像互补信息；
•更适合人的视觉感受；
•适合进一步分析的需要；
•统一编码，压缩数据量，便于通信等。
图像融合分几个方面：信号级融合、像素级融合、特征级融合、符号级融合。像素级融合是将各源图像中对应的像素进行融合处理，它是后两级的基础。近年来，随着小波理论及其应用的发展，已将小波多尺度分解用于像素级图像融合。小波变换的固有特性使其在图像处理中有如下优点：
•完善的重构能力，保证信号在分解过程中没有信息损失和冗余信息；
•把图像分解成逼近图像和细节图像之和，分别代表了图像的不同结构，因此容易提取原始图像的结构信息和细节信息；
•具有快速算法(Mallat算法)，它在小波变换中的作用相当于FFT 在傅立叶变换中的作用，为小波变换应用提供了必要的手段；
•二维小波分析提供了与人类视觉系统方向相吻合的选择性图像。
因此，基于小波分解的图像融合越来越受到重视。小波变换的目的是将原始图像分别分解到一系列频率通道中，利用分解后的金字塔或树结构，对不同分解层、不同频带进行融合处理，可有效地将来自不同图像的细节融合在一起。Campbell和Robson的实验表明，人的视网膜图像是在不同频带上分别以不同算子进行融合的，基于小波分解的图像融合也是以同样方式进行的，因而可获得与人的视觉特性更为接近的融合效果。
若对二维图像进行N层的小波分解，最终将有(3N+1)个不同频带，其中包含3N个高频带和1个低频带。
融合基本步骤如下：
(1)对每一源图像分别进行小波分解，建立图像的小波金字塔分解；
(2)对各分解层分别进行融合处理，采用不同的融合算子对各分解层的不同频率分量进行融合处理，最终得到融合后的小波金字塔；
(3)对融合后所得的小波金字塔进行小波逆变换，得到重构图像。
16.1.2 融合规则和融合算子
针对不同类型的图像有以下融合规则。
(1)取系数绝对值较大法。该法适合高频成分较丰富，亮度、对比度较高的源图像，否则在融合图像中只保留一幅源图像的特征，其他的特征被覆盖。融合图像中基本保留源图像的特征，图像对比度与源图像基本相同。小波变换的实际作用是对信号解相关，并将信号的全部信息集中到一部分具有大幅值的小波系数中。这些大的小波系数含有的能量远比小系数含有的能量大，从而在信号的重构中大的系数比小的系数更重要。
(2)加权平均法。权重系数可调适用范围广，可消除部分噪声，源图像信息损失较少，但会造成图像对比度的下降，需要进行图像灰度增强。
(3)消除高频噪声法。高频噪声基本消除，融合图像对比度较高，源图像特征可较好地保留在融合图像中，但在消除高频噪声的同时损失了部分高频信息。
(4)双阈值法。该法适于源图像中一幅图像的灰度分布均衡，高频成分不明显，另一幅图像高频成分丰富，高灰度级成分较多。双阈值可选增加了算法的实用性，但选择阈值时要考虑源图像灰度分布的特点，否则有可能出现边缘跳跃的现象。
16.1.3 小波包图像融合
一种自然的做法是将尺度子空间Vj
 和小波子空间Wj
 用一个新的子空间
 统一起来表征：
则Hilben空间的正交分解
 的分解统一起来：
定义子空间
 的闭包空间，由上式构造的序列{wn
 (t)}(n∈Z+
 )称为由基函数w0
 (t)=φ(t)确定的小波包。
小波分解的各层具有不同的分辨率，但组合成滤波器组时每一层所取的子带是固定的。小波包分解的每一层滤波器子带都覆盖信号所占的频率，只是各层的频率分辨率不同。
在滤波器组的构造上，小波包分解提供了层间多种组合选择的可能。小波包分解为多少层，以及在各层选择哪些子带来使用十分灵活。对不同特性的信号可以构成相应的最佳滤波器组，小波包图像融合可保存更多的图像细节信息。
16.1.4 小波框架图像融合
一个基函数φ∈L2
 (R)称为小波框架{φj，k
 }的生成元。若
对于有限大的正常数A和B成立，其中A和B分别称为框架的下、上边界，小波系数cj，k
 构成一框架的条件是：
小波框架一般是冗余的，因为它的元素不是线性无关的。一言以蔽之，由框架产生的小波一般是非正交小波。利用小波框架可以得到离散小波和离散化参数各自应该满足的约束条件，并可获得信号重构的精度分析。
16.1.5 多小波图像融合
多小波是指由两个或两个以上的函数作为尺度函数。生成的小波可以同时拥有许多良好的性质，如对称性、短支撑性、正交性和高阶消失矩等。
多小波的基本思想是将单小波中由单个尺度函数生成的多分辨分析空间扩展为由多个尺度函数生成，以此获得更大的自由度。多小波基是由多个小波母函数经过伸缩平移生成的。在实际应用中，可以把光滑性、紧支性、对称性等完美地结合在一起。
图像处理中正交性能保持能量，对称性适合于人眼的视觉系统，使信号边界易于处理。紧支撑的小波对应的滤波器是有限脉冲响应滤波器，使得快速小波变换的和是有限的和。
1994年，Good man 等人基于多分辨分析建立了多小波的理论框架并给出了多小波的例子，同年Geronimo、Har din和Massopust 应用分形插值的方法成功地构造出具有短支撑、正交的、对称的和二阶消失矩的两个尺度函数。
1996年，Geronimo、Hardin和Massopust再次应用分形插值的方法构造了著名的GHM小波。Strela在1996年的博士论文中对多小波在时域和频域上的性质做了比较深刻的分析，提出了两尺度相似变换的概念，并利用这一变换改进和构造多小波。2001年，有学者指出多小波用于图像融合是一个有发展前途的方向。
小波变换法与金字塔图像融合法相比有下列优点。
(1)小波变换的大小与图像相同，而金字塔的大小是图像的4/3，即加大了数据量，小波变换更为紧凑。
(2)小波表达式提供了方向信息，而金字塔表达式未将空间方向选择性引入分解过程。
(3)由于可以选择正交小波核，因此不同分辨率包含的信息是唯一的，而金字塔分解在两个不同的尺度之间含有冗余。另外，金字塔不同级的数据相关。很难知道两级之间的相似性是由于冗余还是图像本身的性质引起的。
(4)金字塔的重构过程可能具有不稳定性，特别是两幅图像存在明显差异区域时，而小波变换图像融合没有类似的问题。
16.1.6 小波分析用于图像融合的实例
图像融合是将同一对象的两个或更多的图像合成在一幅图像中，以便它比原来的任何一幅图像更容易为人们所理解。这一技术可应用于多频谱图像理解以及医学图像处理等领域。在这些场合，同一物体部件的图像往往是采用不同的成像机理得到的。
下面用二维小波分析将两幅图像融合在一起。
【例16.1】利用小波变换法将两幅图像融合。MATLAB代码设置如下：
load laure;
X1=X;
%画出原始图像
image(X1);
title('laure');
axis square
结果如图16-1所示。
load wbarb;
X2=X;
map2=map;
for i=1:256
for j=1:256
if (X2(i，j)>100)
X2(i，j)=3.2*X2(i，j);
else
X2(i，j)=0.5*X2(i，j);
end
end
end
figure;
image(X2);
colormap(map2);
title('wbarb');
axis square
结果如图16-2所示。
图16-1 laure图
图16-2 wbarb图
%用小波函数db4对X1进行2层小波分解
[c1，s1]=wavedec2(X1，2，'db4');
%对分解系数进行处理以突出轮廓部分，弱化细节部分
sizec1=size(c1);
for i=1:sizec1(2)
c1(i)=3.2*c1(i);
end
%用小波函数db4对X2进行2层小波分解
[c2，s2]=wavedec2(X2，2，'db4');
%下面进行小波变换域的图像融合
c=c1+c2(1:size(c1));
%减小图像亮度
c=0.5*c;
%对融合的系数进行重构
xx=waverec2(c，s1，'db4');
%画出融合后的图像
figure;
image(xx);
title('融合图像');
axis square
结果如图16-3所示。
【例16.2】利用小波包法将两幅图像融合。MATLAB代码设置如下：
clear
load woman2;
X1=X;
map1=map;
%画出原始图像
image(X1);
colormap(map1);
title('woman2');
axis square
结果如图16-4所示。
图16-3 融合图
图16-4 图1
load wbarb;
X2=X;
map2=map;
figure;
image(X2);
colormap(map2);
title('wbarb');
axis square
结果如图16-5所示。
%用小波函数db4对X1进行2层小波分解
t1=wpdec2(X1，2，'db4');
%用小波函数db4对X2进行2层小波分解
t2=wpdec2(X2，2，'db4');
%下面进行小波变换域的图像融合
[Lo_D1，Hi_D1，Lo_R1，Hi_R1]=get(t1，'Lo_D'，'Hi_D'，'Lo_R'，'Hi_R');
[Lo_D2，Hi_D2，Lo_R2，Hi_R2]=get(t2，'Lo_D'，'Hi_D'，'Lo_R'，'Hi_R');
Lo_D=(Lo_D1+Lo_D2)*0.1;
Hi_D=(Hi_D1+Hi_D2)*0.5;
Lo_R=(Lo_R1+Lo_R2)*0.5;
Hi_R=(Hi_R1+Hi_R2)*0.5;
t2=set(t2，'Lo_D'，Lo_D，'Hi_D'，Hi_D，'Lo_R'，Lo_R，'Hi_R'，Hi_R);
%对融合的系数进行重构
xx=wprec2(t1);
%画出融合后的图像
figure;
image(xx);
colormap(map);
title('融合图像');
axis square
结果如图16-6所示。
图16-5 图2