Research on Polarization Image Fusion Using Tetrolet Transform

Abstract

Tetrolets are Haar-type wavelets whose supports are tetrominoes which are shapes made by connecting four equal-sized squares. Firstly, the magnitude of polarization image and angle of polarization image can be decomposed into low-frequency coefficients and high-frequency coefficients with multi-scales and multi-directions using tetrolet transform. For the low-frequency coefficients, the average fusion method is used. For the each directional high frequency sub-band coefficients, the larger value of region energy information measurement is used to select the better coefficients for fusion. At last the fused image can be obtained by utilizing inverse transform for fused tetrolet coefficients. Experimental results show that the proposed method can detect image features more effectively and the fused image has better subjective visual effect.

Fusion Algorithm for Near-Infrared and Color Visible Images Based on Tetrolet Transform

“…。 在近红外与可见光图像的融合方法探索中，基于 多尺度几何分析的方法应用最为广泛。2010 年，Jens Krommweh [4] 等提出了 Tetrolet 变换， 它是一种具有良 好的方向性结构的稀疏图像表示方法，能够较好地表 达图像的高维纹理特征，并具有高稀疏性，更适合在 图像融合中作为融合框架。LIU [5] 等利用凸度图在两 幅原始图像中检测感兴趣区域 ROI(ROI-Region of interest)，然后在两幅红外图像上进行多尺度变换。 根据 ROI 检测将变换得到的子带系数分为 4 类， 并对 每种系数进行了融合规则的定制。Jie [6] 等应用基于非 下采样剪切变换和热源浓度比的融合方法，克服了方 向分解的局限性，具有更好的平移不变性。通过变换 将输入分解为两部分，在低频部分采用热源浓度比和 空间频率以尽可能多地保留重要信息，信息熵作为高 频融合规则。Nemalidinned [7] 等对分解后的低频分量 采用 PCNN 进行融合，通过拉普拉斯激励修正神经网 络经，以保持两个源图像中的最大可用信息。高频采 用局部对数 Gabor 进行融合。Cheng [8] 等将 PCNN 与 奇异值分解应用到图像融合中，使用两种分量的图像 平均梯度分别作为刺激源。将局部结构信息算子作为 增强融合精度的自适应连接强度，对每个源图像进行 局部奇异值分解，自适应地确定迭代次数。Zhang [9] 等将 Tetrolet 分解后的低频采用平均融合，高频采用 区域能量最大值融合分量。Zhou [10] 等将 Tetrolet 分解 后的低通子带系数采用局部区域梯度信息方法进行 融合，具有更丰富的特征和更多的信息量。冯鑫 [11] 将 [4] 。具体如下：…”