Войти
Процесс объединения изображений определяется как сбор всей важной информации из нескольких изображений и их включение в меньшее количество изображения, как правило, одиночные. Это отдельное изображение более информативно и точно, чем любое отдельное исходное изображение, и оно содержит всю необходимую информацию. Цель объединения изображений - не только уменьшить объем данных, но и создать изображения, более подходящие и понятные для человеческого и машинного восприятия. В компьютерном зрении слияние мультисенсорных изображений - это процесс объединения релевантной информации из двух или более изображений в одно изображение. Полученное изображение будет более информативным, чем любое из входных изображений.
В приложениях дистанционного зондирования возрастающая доступность космических датчиков дает мотивацию для использования различных алгоритмов объединения изображений. В нескольких ситуациях при обработке изображений требуется высокое пространственное и высокое спектральное разрешение в одном изображении. Большая часть доступного оборудования не способна убедительно предоставить такие данные. Методы слияния изображений позволяют интегрировать различные источники информации. Объединенное изображение может иметь дополнительные характеристики пространственного и спектрального разрешения. Однако стандартные методы объединения изображений могут искажать спектральную информацию многоспектральных данных во время объединения.
В спутниковой съемке доступны два типа изображений. Панхроматическое изображение, полученное со спутников, передается с максимально возможным разрешением, а многоспектральные данные передаются с более грубым разрешением. Обычно это будет в два-четыре раза меньше. На приемной станции панхроматическое изображение объединяется с мультиспектральными данными для передачи дополнительной информации.
Существует множество методов для объединения изображений. Самым основным из них является метод фильтрации высоких частот. Более поздние методы основаны на дискретном вейвлет-преобразовании, банке однородных рациональных фильтров и пирамиде Лапласа.
Слияние мультифокусных изображений используется для сбора полезной и необходимой информации из входных изображений с разной глубиной фокуса для создания выходного изображения, которое в идеале содержит всю информацию из входных изображений. В сети визуальных датчиков (VSN) датчики - это камеры, которые записывают изображения и видеопоследовательности. Во многих приложениях VSN камера не может дать идеальную иллюстрацию, включающую все детали сцены. Это происходит из-за ограниченной глубины резкости оптических линз фотоаппаратов. Таким образом, фокусируется и очищается только объект, расположенный в фокусном расстоянии камеры, а остальные части изображения размываются. VSN имеет возможность захватывать изображения с разной глубиной фокусировки в сцене с помощью нескольких камер. Из-за большого количества данных, генерируемых камерой по сравнению с другими датчиками, такими как датчики давления и температуры, а также некоторых ограничений, таких как ограниченная ширина полосы, потребление энергии и время обработки, важно обрабатывать локальные входные изображения, чтобы уменьшить объем передачи. данные. Вышеупомянутые причины подчеркивают необходимость объединения многофокусных изображений. Слияние многофокусных изображений - это процесс, который объединяет входные многофокусные изображения в одно изображение, включающее всю важную информацию о входных изображениях, и это более точное объяснение сцены, чем каждое отдельное входное изображение.
Объединение данных с нескольких датчиков стало дисциплиной, которая требует более общих формальных решений для ряда случаев применения. В нескольких ситуациях обработки изображений требуется как высокая пространственная, так и высокая спектральная информация в одном изображении. Это важно при дистанционном зондировании. Однако инструменты не могут предоставить такую информацию ни по конструкции, ни из-за ограничений наблюдений. Одним из возможных решений для этого является объединение данных.
Методы объединения изображений можно в целом разделить на две группы - объединение пространственных областей и объединение областей преобразования.
Методы слияния, такие как усреднение, метод Брови, анализ главных компонентов (PCA ) и методы на основе IHS, подпадают под подходы пространственной области. Другой важный метод объединения в пространственной области - это метод, основанный на фильтрации верхних частот. Здесь высокочастотные детали вводятся в версию изображений MS с повышением частоты дискретизации. Недостатком подходов в пространственной области является то, что они вызывают пространственное искажение объединенного изображения. Спектральное искажение становится отрицательным фактором, пока мы идем для дальнейшей обработки, например, проблемы классификации. Пространственные искажения могут быть очень хорошо обработаны подходами в частотной области к объединению изображений. Анализ с несколькими разрешениями стал очень полезным инструментом для анализа изображений дистанционного зондирования. Дискретное вейвлет-преобразование стало очень полезным инструментом для объединения. Существуют также некоторые другие методы слияния, такие как на основе пирамиды Лапласа, на основе кривых преобразований и т. Д. Эти методы демонстрируют лучшие характеристики пространственного и спектрального качества слитого изображения по сравнению с другими пространственными методами слияния.
Изображения, используемые при объединении изображений, должны быть уже зарегистрированы. Не совмещение является основным источником ошибок при слиянии изображений. Некоторые хорошо известные методы объединения изображений:
Объединение изображений в дистанционном зондировании имеет несколько областей применения. Важной областью является объединение изображений с несколькими разрешениями (обычно называемое пан-резкостью). На спутниковых снимках мы можем иметь два типа изображений
Спутник SPOT PAN обеспечивает панхроматические данные с высоким разрешением (10 м пикселей). А спутник LANDSAT TM обеспечивает многоспектральные изображения низкого разрешения (30м пикселей). Объединение изображений пытается объединить эти изображения и создать одно мультиспектральное изображение с высоким разрешением.
Стандартные методы объединения изображений основаны на преобразовании красный-зеленый-синий (RGB) в интенсивность-оттенок-насыщенность (IHS). Обычные шаги, выполняемые при слиянии спутниковых изображений, следующие:
Повышение резкости панорамы можно выполнить с помощью Photoshop. Доступны и другие применения объединения изображений в дистанционном зондировании.
Объединение изображений стало обычным термином, используемым в медицинской диагностике и лечении. Этот термин используется, когда несколько изображений пациента регистрируются и накладываются друг на друга или объединяются для предоставления дополнительной информации. Объединенные изображения могут быть созданы из нескольких изображений из одного и того же метода визуализации или путем объединения информации из нескольких методов, таких как магнитно-резонансное изображение (МРТ), компьютерная томография (КТ), позитронно-эмиссионная томография (ПЭТ) и однофотонная эмиссионная компьютерная томография (ОФЭКТ). В радиологии и радиационной онкологии эти изображения служат разным целям. Например, изображения КТ чаще используются для установления различий в плотности тканей, в то время как изображения МРТ обычно используются для диагностики опухолей головного мозга.
Для точного диагноза рентгенологи должны объединить информацию из нескольких форматов изображений. Слитые анатомически согласованные изображения особенно полезны при диагностике и лечении рака. С появлением этих новых технологий онкологи-радиологи могут в полной мере использовать лучевую терапию с модуляцией интенсивности (IMRT ). Возможность наложения диагностических изображений на изображения для планирования облучения позволяет получить более точные объемы целевой опухоли IMRT.
Сравнительный анализ методов объединения изображений показывает, что разные метрики поддерживают разные потребности пользователей, чувствительны к различным методам объединения изображений и должны быть адаптированы к приложению. Категории показателей слияния изображений основаны на особенностях теории информации, структурном сходстве или человеческом восприятии.
