小波变换在图像融合中的应用研究
小波变换在图像融合中的应用研究
图像融 合 是以图 像为 研究 对象 的数 据融 合 , 是一种将来自不同传感器的 2 个或 2 个以上的 图像进行处理, 利用不同图像的互补信息 , 形成一幅 合成图像, 以获取更多的关于目标信息的图像处理 过程。由于可以获得 对同一场景和目 标的更为准 确、 全面、 可靠的图像描述 , 图像融合在自动目标识 别、 计算机视觉、 遥感机器人、 复杂智能制造系统、 医 学图像处理以及军事等领域有着广泛的应用
第 20 卷第 5 期 2008 年 10 月
重庆邮电大学学报 (自然科学版 ) V o.l 20 No . 5 Journal of Chongq ing Un iversity of Posts and Te lecomm un ications( Natu ral Sc ience E d ition) Oct . 2008
( 2) 式中 : H, G分别为 H, G 的共轭转置矩阵。若对 二维图像进行 N 层的小波分解 , 最终将有 ( 3 N + 1) 个不同频带 , 其中有 3 N 个高频带和一个低频带。 把小波变换应用到图像融合处理中 , 就是首先 由 M allat算法的分解公式对红外和可见光图像进行 小波变换, 然后对变换后得到的小波系数分别在不 同的部分进行融合处理 , 最后采用重构公式得到融 合结果图像。所以, 红外和可见光图像的融合是以 图像小波变换后各频段的小波系数为基础的 , 而小 波变换中不同的小波基和不同的变换层数在一定程 度上影响着小波系数的分布 , 直接影响到融合的效 果 , 所以本文中我们将从如何更好的提小波变换层数对融合效果的影响。
[ 3]
表明 , 人的视网膜
对于视觉信号是在不同的频段中分别进行处理的 , [5 , 6] 而小波变换 是一种多分辨率分析方法 , 它是把 图像分解到不同频段来分析的 , 即把红外和可见光 图像分解到表征细节信息的高频段和表征近似信息 的低频段 , 然后分别在不同频段进行融合处理, 故把 小波变换应用到红外和可见光图像融合中可以获得 与人的视觉特性接近的融合效果。所以, 本文中我 们将研究小波变换在红外和可见光图像融合中的作 用, 深入分析小波变换中的小波基和小波变换层数 对融合结果的影响 , 为图像处理中小波变换的应用 提供一定的参考。
基于小波变换的图像融合的研究
基于小波变换的图像融合的研究摘要：数据融合是80年代初形成与发展起来的一种信息综合处理技术。
图像融合是数据融合在数字图像处理方面的一个应用。
近年来，图像融合已成为图像理解和计算机视觉领域一项重要的新技术。
把小波变换技术应用到图像融合技术之中时该研究领域的重大突破。
本文首先论述图像融合技术和小波变换的相关理论，在将小波变换运用于图像融合，并设计了相关实验验证基于小波变换的图像融合，对融合结果进行质量评价。
关键词：小波变换，图像融合1.引言图像融合是信息融合技术的一个重要的分支，它是以图像为主要研究内容的数据融合技术。
从八十年代初到至今，图像融合技术已引发了世界范围的广泛研究兴趣和热潮，它在自动目标识别、计算机视觉、遥感机器人、医学图像处理以及军事应用等众多领域有着广泛的应用前景。
图像融合的方法与具体的处理对象类型、处理等级有关。
如：可分为像素级融合、特征级融合和决策级融合三大类。
主要基于各类图像的解析度不同、表现的目的不同，相应的处理方法也要根据具体情况而定。
随着小波变换技术的出现，在众多融合方法中，基于小波变换的融合方法具有良好的效果，现已成为当今研究的一个热点。
同时产生的一个亟待解决的问题是如何准确地对融合效果进行评价。
评价的方法有很多，评价的标准也是因人、因物而不同，这就需要进行综合研究比较，得出不同融合方法的适应性和优异性。
2．图像融合技术简介图像融合以图像作为研究和处理对象，是一种综合多个源图像信息的先进图像处理技术，它把对同一目标或场景的多重源图像根据需要通过一定的融合规则融合成为一幅新图像，在这一幅新图像中能反映多重源图像中的信息，以达到对目标或场景的综合描述，以及精确的分析判断，有效地提高图像信息的利用率、系统对目标探测识别的可靠性及系统的自动化程度。
其目的是集成多个源图像中的冗余信息和互补信息，以强化图像中的可读信息、增加图像理解的可靠性等。
相对于源图像，通过图像融合得到的融合图像可信度增加、模糊性减少、可读性增强、分类性能改善等，并且融合图像具有良好的鲁棒性，所以通过图像融合技术将会获得更精确的结果，也将会使系统更实用。
小波变换在图像融合中的应用与性能比较
小波变换在图像融合中的应用与性能比较近年来，随着数字图像处理技术的不断发展，图像融合成为了一个热门的研究领域。
图像融合是指将多幅具有不同信息的图像融合为一幅新的图像，以提取出更多的有用信息。
而小波变换作为一种强大的信号处理工具，被广泛应用于图像融合中。
小波变换是一种将信号分解为不同频率分量的方法，它具有时域和频域分析的优势。
在图像融合中，小波变换可以将图像分解为不同频率的子带，然后通过融合算法将这些子带进行合成，得到一幅新的图像。
这种方法可以有效地提取出原始图像中的细节信息，并将不同图像的特点进行融合。
与其他图像融合方法相比，小波变换具有以下几个优点。
首先，小波变换能够提供多分辨率的分析，可以同时处理图像的低频和高频信息。
这使得小波变换在处理图像中的细节信息时具有较好的效果。
其次，小波变换的基函数具有局部化的特性，可以更好地适应图像的局部特征。
这使得小波变换在处理具有不同纹理和结构的图像时更加准确。
此外，小波变换还具有较好的时域和频域分析能力，可以提取出图像中的运动信息和频率信息。
在实际应用中，小波变换在图像融合中的性能表现也得到了广泛的验证。
通过与其他图像融合方法的比较，小波变换在保持图像细节的同时，能够更好地融合图像的纹理和结构信息。
这使得小波变换在医学影像、遥感图像等领域的图像融合中具有较好的应用前景。
然而，小波变换在图像融合中也存在一些问题。
首先，小波变换对图像的边缘信息处理较差，容易产生边缘模糊的问题。
其次，小波变换对图像的亮度和对比度变化较为敏感，容易导致融合后的图像亮度不均匀或对比度失真。
此外，小波变换在处理大尺寸图像时，计算复杂度较高，需要消耗较多的计算资源。
为了克服小波变换在图像融合中的缺点，研究者们提出了许多改进的方法。
例如，基于小波变换的多尺度图像融合方法可以提高图像的融合效果。
同时，结合小波变换和其他图像融合方法，如像素级融合和区域级融合等，可以进一步提高图像融合的质量和效率。
小波变换在图像拼接中的应用
小波变换在图像拼接中的应用小波变换是一种信号处理和图像处理中常用的数学工具。
它能够将一幅图像分解为不同尺度和不同频率的子图像，从而提取出图像中的细节和特征。
在图像拼接中，小波变换的应用可以帮助我们更好地理解和处理图像，从而实现高质量的图像拼接结果。
首先，小波变换能够将图像分解为不同尺度的子图像。
这意味着我们可以在不同尺度上对图像进行分析和处理。
在图像拼接中，这种特性可以帮助我们更好地理解图像的结构和内容。
通过对图像进行小波分解，我们可以获取到不同尺度上的细节信息，从而更好地理解图像的特征和细节。
这对于图像拼接来说非常重要，因为在拼接过程中，我们需要考虑到图像的结构和细节，以保证拼接后的图像具有良好的连续性和一致性。
其次，小波变换还可以帮助我们对图像进行特征提取和匹配。
在图像拼接中，我们需要找到两幅或多幅图像之间的相似特征，以便将它们正确地拼接在一起。
小波变换可以帮助我们提取图像中的特征信息，并将其表示为小波系数。
通过对小波系数的分析和比较，我们可以找到图像之间的相似特征，并进行匹配和拼接。
这种特性使得小波变换在图像拼接中具有很大的应用潜力。
另外，小波变换还可以帮助我们处理图像中的噪声和失真。
在图像拼接中，由于拍摄条件和光照变化等因素的影响，图像中常常会存在噪声和失真。
这些噪声和失真会对图像拼接的结果产生负面影响。
小波变换可以通过对图像进行去噪和修复，帮助我们减少噪声和失真的影响，从而提高图像拼接的质量和准确性。
通过对小波系数的滤波和修复，我们可以去除图像中的噪声和失真，并恢复图像的细节和清晰度。
此外，小波变换还可以帮助我们实现图像的无缝拼接。
在图像拼接中，我们常常需要将多幅图像拼接在一起，以实现全景或大尺寸图像的生成。
小波变换可以通过对图像进行平移、缩放和旋转等变换，帮助我们实现图像的对齐和拼接。
通过对小波系数的变换和调整，我们可以将不同尺度和不同频率的图像拼接在一起，从而实现图像的无缝拼接效果。
基于小波变换的数字图像融合研究
数 的表示 ， ｘＬ（ ） （） ， ｘ满足允许条件 ： Ｒ 且 （）
ｃ 』
＋ 。 ｏ
Ｖ＝ｐｎＯ —ｊ Ｊ （ｎ （１ｄ＝ ｏｓ ｛ ｘ ｝ ｔ ）ｔ Ｉｘ８ ａ （ｎ ， — 一 ） Ｔ
…多 分 辨 率 的定 义 町以 看 ｝ ＇ 何 的 闭 ｌ Ｉ所 ｛ 『 ｛ ∈Ｚ ｖ ：
通过 实验 比较 了
小 波 变换 在 数 字
种 像数据难 以满足 实际需求 。为 了对观测 目标有 ‘ 个更 全 面、 清晰 、 准确 的理解 和认识 ， 人们迫切 希望寻求 ‘ 种综 合
利 用 各 类 图 像 数 据 的 技术 方法 。 与单 源 图像 相 比 多源 图 像 融
，
式 中 的 ａ足伸 缩 系 数 ， 称 尺 度 冈 子 。ｂ为 移 ｒ， 又 ｘ称 为 由母 函数 （） 成 的 连 续 小波 ） ｘ生 数 ，
』式 中 【 足 （） Ｆ ｕｉ 变换和反变换， ｘ为基本 （ ） １ ） ｘ的 ｏ ｒ ｒ ｅ （） 小波函数或者小波母 函数 。 ｔｘ足够正则时， 当 ｌ） ， （ 例如： ｘ ∈Ｌ （） （ ） ２ ） Ｒ ｎＬ（ 时就足够 正则 ， Ｒ 允许条 件意 味着 小波 函数均值 为
５ — ６
一
应用 技 术茸 研 究
结果分析： ３中（） ） ） 平 硐 内壁 左 壁 的 幅 连 续 的展 开 ， ａ（ （ 是 ｂｃ 按 理 的结 合 将 使 信 、 图像 处 理进 入 史高 的层 次 。
参考文献：
［】 东健 ． 字 图像 处理 ［ ． １何 数 Ｍ】西安 ： 西安 电 子 科技 大 学 出 版社 ，０ ３ ２ ０
ｓ ｎｂｓｄ ｎｔｗ ｒ ｅｏ ｐ ｓｉ ， ｇ ｓ ｎ ａｅ ｎｗ ｖｌｔ ａ ｓ ｒ ａｉ ） ｎ ｅ ｄｒ ｈ ｌｏ ｉ Ｅ ｐｒ ｎａ ｒｓｌ ｏ ｉ ａｅ ｅ ｃ ｍ ｏｉｏ ｉ ｅｕｉ ｓｄｏ ａ ｅ ｎｆｍ ｔ ｎ ｏ ｆａ ｇ ｔ ｌ ｆ ｄｔ ｘ ｅ ｍｅｔｌｅｕｔｓ ｗ ｏ ｏ ｏ ｄ ｔ ｎ ｍａ ｆ ｏ ｂ ｅｔ ｒ ｏ ｏ ｌｔ ｎ ｉ ｗａ ａ ． ｉ ｓｈ
小波变换在图像融合中的多尺度分解与融合策略比较实验
小波变换在图像融合中的多尺度分解与融合策略比较实验小波变换是一种数学工具，可以将信号或图像分解为不同尺度的频率成分。
在图像处理领域，小波变换被广泛应用于图像融合中的多尺度分解与融合策略。
本文将对不同的小波变换方法进行比较实验，探讨其在图像融合中的应用效果。
1. 引言图像融合是将多幅具有不同信息的图像融合成一幅具有更丰富信息的图像。
在图像融合中，多尺度分解与融合策略是一种常用的方法。
小波变换由于其多尺度分析的特性，被广泛应用于图像融合中。
2. 小波变换小波变换是一种基于函数的变换方法，可以将信号或图像分解为不同尺度的频率成分。
小波变换具有局部性和多尺度分析的特点，能够更好地捕捉图像的细节信息。
3. 图像融合的多尺度分解在图像融合中，多尺度分解是将原始图像分解为不同尺度的频率子带。
通过小波变换，可以将图像分解为低频子带和高频子带。
低频子带包含图像的大体结构信息，而高频子带包含图像的细节信息。
4. 图像融合的融合策略图像融合的融合策略是将多个图像的不同频率子带进行融合，得到融合后的图像。
常用的融合策略包括加权平均法、基于像素选择的方法和基于小波系数选择的方法。
不同的融合策略对于图像融合效果有着不同的影响。
5. 小波变换方法的比较实验为了比较不同的小波变换方法在图像融合中的效果，我们选取了几种常用的小波变换方法进行实验。
实验使用了一组具有不同特征的图像进行融合，比较了不同方法在融合效果上的差异。
6. 实验结果与分析通过实验，我们发现不同的小波变换方法在图像融合中的效果存在差异。
某些小波变换方法能够更好地保留图像的细节信息，而某些方法则更适合于提取图像的大体结构。
因此，在选择小波变换方法时，需要根据具体应用的需求进行选择。
7. 结论小波变换在图像融合中的多尺度分解与融合策略具有重要的应用价值。
通过比较实验，我们可以选择最适合特定应用的小波变换方法，以达到更好的图像融合效果。
8. 展望尽管小波变换在图像融合中取得了一定的成果，但仍然存在一些挑战和问题。
基于小波变换的图像融合论文
小波变换是相对较新的概念，20世纪80年代前后才提出小波变换的概念。那么究竟什么是变换以及为什么要进行变换？小波变换与傅立叶变换相比又存在哪些优缺点呢？通过本章对小波变换理论的学习，一切问题都会迎刃而解。
2.1
小波变换是在傅立叶变换的基础上发展起来的，它优于傅立叶分析的地方是它在空域和时域都是局部化的，其局部化格式随频率自动变换，在高频处取窄的时（空）间窗，在低频处取宽的时（空）窗，适合处理非平稳信号，在图像处理、模式识别、机器人视觉、量子力学等领域得到广泛应用。目前小波理论应用已成为数学、计算机和物理等学科共同研究的一个热点。
Key words:wavelet transform;imagedata fusion; multi-resolution analysis
第
近年来，图像融合技术在图像处理领域中得到了广泛的重视和应用。通过图像融合技术，可以实现将多幅来自同一场景的图像，利用其冗余信息，融合成一幅比原来任何一幅都易于为人们所理解的图像，同时可供人们进行进一步的观察和处理。经图像融合技术处理后的图像，能最大限度地利用各个信道源的信息，提高分辨率、灵敏度、作用距离、测量精度和抗干扰能力等，弥补单一信道源的不足。高效的图融合方法能有效地提高图像信息的利用率、系统对目标检测识别的可靠性及系统的自动化程度，消除多传感器信息之间可能存在的冗余和矛盾，以增强影像中信息透明度，改善解译的精度、可靠性以及使用率，以形成对目标的清晰、完整、准确的信息描述。
(a)尺度变化的影响 (b)基本分析单元的特点
论文中，第一章为引言部分，说明本研究的目的、意义和小波应用于图像融合的优势所在。
第二章重点介绍了小波变换的基础理论知识，并与傅立叶变换进行比较，突出说明了小波变换的优点。
第三章介绍了图像的小波变换，重点叙述了二维离散小波变换的原理，以及图像小波变换的算法基础。
基于小波变换的图像融合技术研究的开题报告
基于小波变换的图像融合技术研究的开题报告一、研究背景随着数字图像处理技术的发展，图像融合成为研究热点之一。
图像融合是指将多幅图像信息融合成一幅新的图像。
图像的融合可以使得图像的细节更加清晰，且能够提高图像处理的效率。
随着卫星遥感、医学图像、航空图像等领域的发展，图像融合在相关领域具有广泛的应用价值。
小波变换作为一种用于信号处理和图像处理的数学工具，已经被广泛应用于图像融合。
在图像融合中，小波变换可以对图像进行分解，对各个频率子带进行加权求和，最终实现图像的融合。
二、研究目的本文的目的是探究基于小波变换的图像融合技术的研究。
具体来说，本文将从以下三个方面进行研究：1. 探究小波变换在图像融合中的应用，了解其工作原理并进行分析。
2. 分析不同的小波变换在图像融合中的适用性，包括Haar小波、Daubechies小波、Symlet小波等。
3. 设计并实现基于小波变换的图像融合算法，对比不同小波变换对图像融合算法的影响，分析图像融合效果的优劣。
三、研究内容1. 小波变换与图像融合的基本原理介绍小波变换的基本概念和图像融合的相关原理。
2. 不同小波变换的特点和适用性分析比较Haar小波、Daubechies小波和Symlet小波等不同小波变换的特点，分析其在图像融合中的优缺点。
3. 基于小波变换的图像融合算法设计以Haar小波为基础，设计一个基于小波变换的图像融合算法，并将其应用于卫星遥感图像、医学图像等实际应用场景中。
4. 实验与分析对比不同小波变换对图像融合的影响，分析算法的融合效果。
四、研究意义本文的主要意义在于探究基于小波变换的图像融合技术的研究，为提高图像融合效果和应用场景的拓展提供理论支持。
同时，本文的研究结果也有助于改进和优化现有的图像融合算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
小波变换在图像融合中的应用研究
一，绪论
图像融合是将两幅或多幅图像融合在一起，以获取对同一场景的更为精确、更为全面、更为可靠的图像描述。
融合充分利用各原图像的互补信息，可客服单一图像在几何光谱和空间分辨率等方面的局限性和差异性，使融合后的图像更适合人的视觉感受，适合进一步分析的需要。
小波变换是图像的多尺度、多分辨率分解，它可以聚焦到图像的任意细节，被称为数学上的显微镜。
近年来，随着小波理论及其应用的发展，已将小波多分辨率分解用于各个领域图像融合，例如遥感信号，和计算机视觉以及医学影像等领域应用到小波变换的多尺度、多分辨率特性。
图像融合可分为四个层次:信号级融合；像素级融合；特征级融合；决策级融合。
其中信号级别主要处理一维信号，像素级融合是最低层次的融合，也是后两级的基础。
它是将各原图像中对应的像素进行融合处理，保留了尽可能多的图像信息，精度比较高，因而倍受人们的重视。
像素级的图像融合方法大致可分为三大类：（1）简单的图像融合方法；基于图像的级别特征，像素值、或者轮廓边界信息进行图像融合。
主观性大，结果重复性差。
当图像轮廓信息不明显时，融合结果较差；（2）基于塔形分解的图像融合方法。
主要依据时图像灰度信息统计值，主要应用于黑白灰度图像进行融合，彩色图像不能用简单的模型来重建；（3）基于小波变换的图像融合方法，是本文重点介绍的对象。
特征级图像融合是指从各个传感器图像中提取特征信息，并将其进行综合分析和处理的过程。
提取的特征信息应是像素信息的充分表示或充分统计。
通过特征级图像融合可以在原始图像中挖掘相关特征信息，增加特征信息的可信度，排除虚假特征，建立新的复合特征等。
决策级图像融合是指对每个图像的特征信息进行分类、识别等处理，形成了相应的结果后，进行进一步的融合过程，最终的决策结果是全局最优决策。
二，基于小波变换的图像融合
以两幅图像的融合为例。
设I1，I2为两幅原始图像，I为融合后的图像，见图1。
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 个高频子图像和1个低频子图像。
其融合处理的基本步骤如下：
（1）对每一原图像分别进行小波变换，建立图像的小波分解；
（2）对各分解层分别进行融合处理。
各分解层上的不同频率分量可采用不同的融合算子进行融合处理，最终得到融合后的小波金字塔；
（3）对融合后所得小波金字塔进行小波重构，所得到的重构图像即为融合图像。
目前基于小波变换的图像融合方法中所采用的多分辨技术基本沿用Mallet方法, 不过根据具体的应用不同, 而选用不同的小波函数和不同的融合算法。
下面介绍各种基于小波的图像融合方法。
图1，基于小波变换的图像融合
2.1 像素级别的离散小波分析
一维的离散小波变换表达式为：
其中ψm,n(t)是基地函数，母小波由下表达式描述：
其中m，n是整数，定义a m,n 为每个分解级条件下的相关系数。
对原始信号f(t)，进行2m和2m-1级分解，分别得到a m,n和a m-1,n。
用c m,n表示分解误差。
定义一个有限带宽低通滤波器h n和有限带宽高通滤波器g n。
对原始信号的近似值a m,n和小波分解系数c m,n由下式表示：
图2, 一维信号f的小波变换分析流程图
可以利用一个高通和低通滤波函数，组成一个复合滤波器用于还原原始信号。
滤波器表达式为：
一维信号的小波变换分析的完整流程图见图2.
处理二维图像，需要将一维小波变换拓展到二维上，除了需要有限元高通、低通滤波器外，还需要在图像的水平和垂直方向进行滤波和采样。
因此每个小波变换级数条下都会有4个频率子带，见图3。
其中LH对垂直频率敏感，HH对角频率敏感，HL对水平频率敏感。
图3，二维图像小波变换的4个频率子带分布
二维小波图像融合在不同聚焦图像中的应用。
图4中，图像的聚焦点不一样，因此得到不同清晰度的图像，对2副图像分布进行二维小波变换，得到对应小波参数，选择系数绝对值较大法作为图像融合规则，得到融合后的小波图像，然后进行小波逆变换得到融合后的图像。
图4，二维小波图像融合
三，图像融合规则的选择
下面介绍几种常用的基于像素的融合方法：
（1）取系数绝对值较大法，适合高频成分较丰富，亮度、对比度较高的原图像，否则在融合图像中只保留一幅图像的特征，其他的特征被覆盖；融合图像中基本保留原图像的特征，图像对比度与原图像基本相同。
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，原图像信息损失较少，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，原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，适于原图中一幅图像灰度分布均衡，高频成分较多；双阈值可选，增加了算法的实用性，但选择阈值时要考虑原图像灰度分布特点，否则有可能出现边缘跳跃现象。
基于像素的融合规则在融合处理时表现出对边缘的高度敏感性，使得在预处理时要求图像是严格对准的，因此在图像融合之前必须对待融合图像进行匹配（registration）这就加大了预处理的难度，基于区域的融合规则由于考虑了与相邻像素间的相关性，降低了对边缘的敏感性，所以具有更加广泛的适用性。
四，融合结果定性，定量评估
定性评估是通过有经验的研究着对融合后图像细节进行检查，融合结果优劣常常具有较大的主观性。
定量的评估是融合结果的发展方向。
Li等采用的定量评估法是，首先生成一副完善的图像，通过对待融合图像不同区域裁剪组合而来。
利用式1，计算融合图像与参考图像直接的灰度值平方差，得到系数ρ。
系数ρ值大小表示图像融合结果好坏，理想情况下，ρ=0时，融合结果最优。
五，总结
基于像素级别小波变换的图像融合，在特定条件下能够解决日常中，图像综合信息提取这一目的。
但是此中方式存在较多不足。
图像首先需要匹配好，位置不能存在太大差异。
医学影像中CT和MRI，或者PET-CT图像，位置匹配就是一个很难解决的问题，因此会限制小波变换对此类图像融合计算。
图像融合是一个十分复杂问题，需要对优化算法（规则）不断优化，才有可能得到理想结果。
参考文献：
1，Stavri Nikolov，Paul Hill，David Bull, et al. Wavelets for image fusion. Online PDF.
2, Li, H, Manjunath BS and Mitra, SK Multisensor image fusion using the wavelet transform.
Graphical models and image processing, 57(3): 225-245.。