Сочинение на тему Обзорный документ по различным методам слияния изображений
- Опубликовано: 30.07.2020
- Предмет: Здоровье, Наука
- Темы: видение, Технологии, Человеческое тело
Аннотация. Одним из широких направлений исследований в области обработки изображений является слияние изображений. Объединение всей информации и данных со всех изображений без искажения информации и искажения – это слияние изображений. Получить изображение, имеющее все соответствующие функции в фокусе, непросто, поэтому получить все функции в одном изображении можно, совмещая изображения различными методами. В этой статье описывается краткий обзор различных методов слияния, таких как анализ главных компонентов (PCA), метод на основе насыщенности оттенка интенсивности (IHS), вейвлет-преобразование Лог Габора, алгоритм пирамиды, преобразование Ширлета и т. Д.
Ключевые слова – Image Fusion, IHS, PCA, NSCT
<Р> Введение
Слияние изображений – это процесс объединения данных одного или нескольких изображений одной и той же сцены без получения деталей, которых нет в данных изображениях. Последующее изображение будет более полезным, чем любое из входных изображений. Слияние изображений – это процесс объединения релевантных данных двух или более изображений одной и той же сцены. Целью объединения изображений является уменьшение объема данных в сетевых передачах, чтобы создать новые изображения, которые больше подходят для целей восприятия человеком и машиной, а также для большей обработки изображений. Входное изображение может быть мультиобзорным, мультимодальным, мультисенсорным или многовременным. Изображения, снятые с одной и той же модальности изображения, но с другой точки зрения – это Multi view fusion [1]. Изображения, полученные на разных датчиках, являются мультимодальными. Изображения, снятые в разные моменты времени, являются многопрофильными [2]. Слияние изображений может быть определено на разных этапах, т. Е. Пиксель, функция и решение. Пиксельное слияние – это низкий уровень слияния, которое зависит от пикселя изображения. Для повышения производительности изображения выполняется слияние уровня пикселей, при котором информационное содержание каждого пикселя получается из набора пикселей в исходном изображении [3]. Уровень объектов – это средний уровень слияния, требующий извлечения объектов, распознаваемых в различных источниках данных. Это требует выделения важных функций, которые зависят от их окружения, таких как интенсивность пикселей, текстуры, края и т. Д. Эти сходные функции из входных изображений слиты [4]. Слияние на уровне принятия решений состоит из слияния информации на более высоком уровне абстракции, объединяет результаты нескольких алгоритмов для получения окончательного объединенного решения. Входные изображения обрабатываются индивидуально для извлечения информации [5]. Полученная нами информация затем объединяется с применением правил принятия решений для повышения общей интерпретации.
ОБЗОР ЛИТРАТУРЫ
Слияние изображений является очень широкой и важной темой обработки изображений. Различные методы были использованы для уменьшения эффекта размытия и улучшения качества изображения. Работы по слиянию изображений начались в середине восьмидесятых годов. Обследование освещенности выглядит следующим образом
Берт использует лапласианскую пирамиду, чтобы вычислить слияние изображений. Алгоритм пирамиды очень широко используется при объединении изображений [6].
Адлельсон использует метод слияния глубины фокуса для слияния двух изображений [7].
Cheng-I Chen вычисляет комбинацию вейвлет-преобразования IHS и Log Gabor для слияния изображений МРТ и ПЭТ и уменьшает искажения цвета на слитом изображении [8].
Цзя Ду, Вайшен Ли и Бин Сяо используют новый подход к функциональному слиянию изображений с помощью информации, интересующей локальную фильтрацию лапласиана. В этом подходе на основе количества уровней входное анатомическое медицинское изображение и функциональные медицинские изображения разлагаются на многомасштабное изображение, которое дает лучшую производительность по сравнению с другими методами слияния [9].
Для слияния медицинских изображений и денуазирования с чередующимся последовательным фильтром Венда Чжао и Хучуань Лу вычислили метод общего изменения адаптивного дробного порядка, который подавляет шум, избегая при этом эффекта лестничной диаграммы полного изменения [10].
Yong Yang, Yue Que, shuying Huang и Pan Lin представили комбинацию не субсэмплированного преобразования счетчика и нечеткой логики Type-2, чтобы сохранить больше информации о слитном изображении. Это также улучшает качество слитого изображения [11].
Викрант Бхатеджа, Химанши Патель, Абхинав Кришн, Аканша Саху, Aime Lay-Ekuakille внедрили: Стационарное вейвлет-преобразование и Преобразование без подвыборки, для увеличения частоты, временной локализации с дисперсией сдвига, минимизации избыточности, лучшего восстановления и улучшения контраста. слитного изображения [12].
Судеб Дас и Малай Кумар Кунду предлагают новый метод. В этой статье силы нейронов в RPCCN адаптивно вычисляются на основе нечетких характеристик изображения, метод может сохранить больше полезной информации в плавном изображении с высоким пространственным разрешением и меньшей разницей с исходным изображением [13].
Лэй Ван, Бин Ли и Ляньфан Тянь предложили мультимодальное медицинское слияние изображений. Автор использовал трехмерное преобразование Ширлета для слияния МРТ-изображений головного мозга с нормальным мозгом с МРТ-изображениями мозга с шумом в этом преобразовании Ширлета и вейвлет-преобразовании, которые используются в одном круге. В этом круге могут быть разложены на более высокочастотные поддиапазоны на каждом уровне, а не только на вертикальные, горизонтальные и диагональные поддиапазоны вейвлет-преобразования. Таким образом, с помощью преобразования Ширлета можно получить больше информации о характеристиках и чувствительности к направлениям на разных уровнях. Трехмерное преобразование Ширлета состоит из двухуровневого фильтра Лапласа 3-D для многомерного разбиения и псевдосферического преобразования Фурье для направленной локализации. Трехмерное преобразование shearlet обеспечивает лучшее представление изображения слитого изображения с высоким качеством [14].
Гаурав Бхатнагар, Q.M. Джонатан Ву и Чжэн Луи работали над контурным преобразованием без субсэмплинга. В этой статье мультимодальные медицинские изображения (то есть МРТ, ПЭТ) были объединены. МРТ – это панхроматическое изображение, а ПЭТ – мультиспектральное изображение. В области NSCT исходные изображения сначала преобразуются в высокочастотные и низкочастотные поддиапазоны. После этого в каждой полосе применяется правило слияния низких и высоких частот. Чем мы получаем низкочастотное и высокочастотное плавное изображение. после этого они применяют обратный NSCT для получения слитного изображения. Слитое изображение Улучшите детализацию слитых изображений и улучшите визуальный эффект с гораздо меньшим искажением информации [15].
He, D et al. объяснил, что проблема слияния изображений заключается в объединении двух типов изображений путем формирования новых изображений, объединяющих как спектральные аспекты изображений с низким разрешением, так и пространственные аспекты изображений с высоким разрешением [16].
Руи Шен, Ирен Чен и Ануп Басу предложили правило слияния по кросс-шкале для объемного медицинского слияния изображений. Эта статья демонстрирует эффективность и универсальность правила слияния. Полученное изображение имеет высокое качество [17].
В этой статье Винс Д. Кэлхун и Тулей Адали объяснили анализ независимых компонентов и анализ многомерных данных для объединения медицинских изображений [18].
Lavanya, A. et al. предложил метод объединения изображений, основанный на вейвлет-комбинированных преобразованиях IHS и PCA для лунных изображений с дистанционным зондированием, для точного извлечения признаков [19]
A.Soma Sekhar et al. предложил новый алгоритм слияния с множественным разрешением для медицинской диагностики с использованием интегрированного PCA и вейвлет-преобразований. Слияние на основе множественного разрешения получается путем сочетания аспектов слияния на основе областей и пикселей [20].
<Р> V.P.S. Найду выполнил новый метод разложения по сингулярным числам с множественным разрешением для объединения изображений. Этот метод используется для сглаживания плавного изображения [21].
ЦЕЛЬ РАЗЛИЧНОГО АЛГОРИТМА ФУЗИИ ИЗОБРАЖЕНИЯ
Цель различных алгоритмов объединения изображений заключается в следующем
- Извлечение важной информации из слитого изображения
- Алгоритмы должны быть надежными и устойчивыми, например, при неправильной регистрации.
- Алгоритм объединения изображений должен быть экономически эффективным для получения информации.
Цель этого эксперимента – получить представление о полностью настраиваемой программе LabVIEW и понять, как инженеры используют программу в своих интересах, чтобы создать собственную лабораторию, которая
Анализ мыльных опер. Краткая история Жанр мыльной оперы появился на американском радио в 1930-х годах и получил свое название благодаря спонсорской поддержке программ крупными компаниями,
Кибербезопасность или защита информационных технологий – это методы защиты компьютеров, сетей, программ и данных от несанкционированного доступа или атак, направленных на эксплуатацию. Существует четыре типа