ادغام تصاویر چندفوکوسه با استفاده از همدوسی فاز و خوشه‌بند K-means

نویسندگان

1 دانشجو

2 عضو هیئت علمی دانشگاه نوشیروانی بابل

چکیده

چکیده:در این مقاله روشی جدید برای ادغام تصاویر چندفوکوسه بر مبنای مدل همدوسی فاز ارائه شده است. الگوریتم پیشنهادشده دارای دو مرحله است. در مرحله­ی نخست، اندازه اطلاعات تصاویر ورودی با استفاده از مدل همدوسی فاز استخراج می­شود. ایده اصلی کار در این مرحله بر پایه این حقیقت است که ویژگی­های تصویر ازجمله لبه­ها در نقاطی از تصویر که مؤلفه­های فرکانسی در آن نقاط درهم­فازی بیشینه هستند، قرار دارند. در مرحله­ی دوم به تصمیم­گیری برای انتخاب ویژگی­های برتر و درنتیجه ادغام تصاویر پرداخته می­شود. در ادامه برای افزایش سرعت الگوریتم در مرحله تصمیم­گیری، بلوک­های مطلوببـا تعیین آستانه مناسب و بلوک­های دیگر طی یک فرآیند تکراری با استفاده از الگوریتم خوشه­بندی  K-Meansانتخاب شده و عملیات ادغام انجام می­شود. آزمایش­ها و بررسی­های انجام­شده بر روی تصاویر گوناگون حاکی از آن است که الگوریتم پیشنهادی نسبت به دیگر روش­های موجود، برتری چشم­گیری دارد.

کلیدواژه‌ها


[1] محمد­باقر،اکبری حقیقت، ادغام تصاویر شبکه­های حسگری دیداری در حوزه­ی تبدیل، پایان­نامه کارشناسی­ارشد، دانشگاه تبریز، تبریز، صفحه 6 و 8، شهریور 1389.
[2]W. Wu, X. Yang, Y. Pang, J. Peng and Gw. Jeon “A     multifocuse image fusion method by using hidden Markov model,” Optics Communications, vol. 287, pp.63-72, 2013.
[3]P. J. Burt and E. H. Adelson, “The laplacian pyramid as a compact image code,” IEEE Transactions on Communications, vol. 31, no. 4, pp. 532-540, April 1983.
[4]H. Li, B. Manjunath, and S. Mitra, “Multisensor image fusion using the wavelet transform,” Graph Models Image Process, vol. 57, no. 3, pp.235-245, 1995.
[5]O. Rockinger, “Image sequence fusion using a shift_invariant wavelet transform,” Proceedings of IEEE International Conference On Image Processing, vol.3, pp,288-291,1997.
[6]H. Li, Y. Chai, H. Yin and G. Liu, “Multifocus image fusion and denoising scheme based on homogeneity similarity,” Optics Communications, vol. 285, pp.91-100, 2012.
[7]J. Tang, “A contrast based image fusion technique in DCT domain,” Digital Signal Process, vol.14, no. 3, pp.218-226, 2004.
[8]M. B. Akbari Haghighat, A. Aghagolzadeh and H. Seyedarabi, “Multi-focus image fusion for visual sensor network in DCT domain,” Computers and Electrical Engineering, vol. 37, no. 5, pp. 789-797, 2011.
[9]P. Shah, A. Kumar, A. N. Merchant and U. B. Desai, “Multifocus image fusion algorithm using  iterative segmentation based on edge information and adaptive threshold,” 15th International Conference on Information Fusion, pp. 1976-1981, 2012.
[10]M. H. Arif and S. Shah, “Block level multi-focus image fusion using wavelet transform,” IEET International Conference on Signal Acquisition and Processing, 2009.
[11]P. Kovesi, Invariant measures of image features from Phase Information, Ph.D. Thesis, University of Western Australia, May 1996.
[12]A. Zafuri, M. Sayadi and F. Fneaiech, “Edge segmentation of satellite image using phase congruency model,” International Journal of Information and Communication Engineering 6, 2010.
[13]Z. Wang, A. C.  Bovik, H. K. Sheikh and E. P. Simoncelli, “Image quality assessment: from error visibility to structural similarity,” IEEE Trans Image Process, vol. 13, no. 4, pp.600-612, 2004.
[15]C. S. Xydeas and V. Petrovic, “Objective image fusion performance measure,” Electron Lett, vol. 36, no. 4, pp. 308-309, 2000.
[16]M. B. Akbari Haghighat, A. Aghagolzadeh, and H. Seyedarabi, “Non-reference image fusion metric based on mutual information of image features,” Computers and Electrical Engineering, vol. 37, no. 5, pp. 744-756, 2011.
[17]J. Tain, L. Chen, L. Ma and W. Yu, “Multi-focus image fusion using a bilateral gradient-based sharpness criterion,” Optics Communications, vol. 284, pp. 80-87 2011.