一種多聚焦圖像融合方法
【專利摘要】本發(fā)明公開了一種多聚焦圖像融合方法。該方法首先對多聚焦圖像進行魯棒主成分分析分解得到與源圖像相對應(yīng)的稀疏成分矩陣；其次，對稀疏成分矩陣加權(quán)平均，得到一個臨時稀疏成分矩陣并對臨時稀疏成分矩陣進行四叉樹分解；根據(jù)QT分解結(jié)果計算源圖像稀疏成分矩陣對應(yīng)矩陣子塊的梯度能量，通過比較梯度能量大小構(gòu)造融合決策矩陣；最后，根據(jù)決策矩陣將源圖像對應(yīng)圖像子塊合并，從而得到融合圖像。該方法通過RPCA和QT分解相結(jié)合的方法，解決了圖像塊大小不能自適應(yīng)劃分的問題，可以有效抑制塊效應(yīng)，提高圖像融合質(zhì)量。
【專利說明】一種多聚焦圖像融合方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，具體涉及的是一種多聚焦圖像融合方法。
【背景技術(shù)】
[0002]多聚焦圖像融合就是對經(jīng)過配準的相同成像條件下獲得的關(guān)于某一場景中的多幅聚焦圖像，采用某種融合算法提取各自的清晰區(qū)域，并將這些區(qū)域合并生成一幅該場景中所有目標物都清晰的圖像。在交通、醫(yī)療、安全、物流等領(lǐng)域有廣泛應(yīng)用。可有效提高傳感器圖像信息的利用率和系統(tǒng)對目標表探測識別的可靠性。
[0003]像素級圖像融合直接在原始圖像像素灰度空間上采用合適的融合算法進行融合處理，主要目的是為后續(xù)的圖像增強、圖像分割和圖像分類處理提供支持。像素級圖像融合算法與特征級圖像融合和決策級圖像融合相比，準確性最高，信息損失最小，能夠提供更多特征級和決策級圖像融合所不具有的細節(jié)信息。
[0004]隨著計算機和成像技術(shù)的不斷發(fā)展，近年來逐漸形成了以下幾種較為常用的像素級多聚焦圖像融合算法:
[0005](I)基于小波變換(Discrete Wavelet Transform, DWT)的多聚焦圖像融合方法。其主要過程是對源圖像進行小波分解，然后采用合適的融合規(guī)則，將高頻和低頻系數(shù)進行融合，將融合后的小波系數(shù)進行小波逆變換得到融合圖像。該方法具有良好的時頻局部特性，取得了不錯的效果，但DWT不能充分利用圖像數(shù)據(jù)本身所具有的幾何特征，不能最優(yōu)或最“稀疏”的表示圖像。
[0006](2)基于非下米樣的輪廓波變換(Nonsubsampled Contourlet Transform, NSCT)的多聚焦圖像融合方法。其主要過程是對源圖像進行NSCT分解，然后采用合適的融合規(guī)貝U，將高頻和低頻系數(shù)進行融合，將融合后的小波系數(shù)進行NSCT逆變換得到融合圖像。該方法可取得不錯的融合效果，但運行速度較慢，分解系數(shù)需要占用大量的存儲空間。
[0007](3)基于主成分分析(Principal Component Analysis, PCA)的多聚焦圖像融合方法。其主要過程是將源圖像按照行優(yōu)先或者列優(yōu)先轉(zhuǎn)換成列向量，并計算協(xié)方差，根據(jù)協(xié)方差矩陣求取特征向量，確定第一主成分對應(yīng)的特征向量并據(jù)此確定各源圖像融合的權(quán)重，根據(jù)權(quán)重進行加權(quán)融合。該方法簡單，運行速度快，但卻容易降低融合圖像對比度，影響融合圖像質(zhì)量。
[0008](4)基于空間頻率(Spatial Frequency, SF)的多聚焦圖像融合方法。其主要過程是將源圖像進行塊分割，然后計算各塊SF，對比源圖像對應(yīng)塊的SFJf SF值大的對應(yīng)圖像塊合并得到融合圖像。該方法簡單易于實施，但分塊大小難以自適應(yīng)確定，分塊太大，易將焦點外的像素都包含進來，降低融合質(zhì)量，使融合圖像對比度下降，易產(chǎn)生塊效應(yīng)，分塊太小對區(qū)域清晰程度表征能力受限，易出現(xiàn)塊的錯誤選擇，且對噪聲敏感。
[0009](5)基于脈沖f禹合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network, PCNN)的多聚焦圖像融合方法。其主要過程是將單個像素灰度值作為PCNN的外部輸入激勵，根據(jù)PCNN的點火圖，計算輸入像素對應(yīng)的點火頻率，將具有較大點火頻率的像素合并，得到融合圖像。該方法可自動實現(xiàn)信息傳遞和信息耦合，其處理結(jié)果可較好保留圖形本身的特征。但該方法參數(shù)較多，模型復(fù)雜，運行比較耗時，另外，人眼視覺對圖像邊緣的變化比較敏感而對單個像素的亮度并不敏感，單個像素的灰度值作為PCNN神經(jīng)元的外部輸入所產(chǎn)生的融合圖像效果并不理想。
[0010]上述五種方法是較為常用的多聚焦圖像融合方法，但這些方法中，小波變換(DWT)不能充分利用圖像數(shù)據(jù)本身所具有的幾何特征，不能最優(yōu)或最“稀疏”的表示圖像，易造成融合圖像出現(xiàn)偏移和信息丟失現(xiàn)象?；诜窍虏蓸拥妮喞ㄗ儞Q(NSCT)方法由于分解過程復(fù)雜，運行速度較慢，另外分解系數(shù)需要占用大量的存儲空間。主成分分析(PCA)方法容易降低融合圖像對比度，影響融合圖像質(zhì)量。脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)方法參數(shù)較多，模型復(fù)雜，運行比較耗時。這五種常用都存在著不同的缺點，速度和融合質(zhì)量間難以調(diào)和，限制了這些方法的應(yīng)用和推廣。

【發(fā)明內(nèi)容】

[0011]本發(fā)明所要解決的技術(shù)問題是多聚焦圖像融合領(lǐng)域中由于不能自適應(yīng)確定圖像分塊大小而造成的融合圖像出現(xiàn)塊效應(yīng)，融合效果不甚理想的問題。為此，本發(fā)明提供了一種多聚焦圖像融合方法，該方法對配準后的多聚焦圖像Ia和Ib進行融合，Ia和Ib均為灰度
圖像，且
【權(quán)利要求】
1.一種多聚圖像融合方法，該方法對配準后的多聚焦圖像Ia和Ib進行融合，Ia和Ib均為灰度圖像，且^ RMxfi是大小為MXN的空間，M和N均為正整數(shù)，該融合方法包括以下步驟: (1)對Ia進行列向量轉(zhuǎn)換得I’A，對Ib進行列向量轉(zhuǎn)換得I’B，ZpZse R w S 是大小*ΜΝ>α的空間； 分別對I’ A和I’ B進行魯棒主成分分析分解，得到I’ a的稀疏成分矩陣E'a、I’ B的稀疏成分矩陣E'b E^Eb G Μμλ?χ1； 對Ε'α進行向量轉(zhuǎn)換得匕，對E'B進行向量轉(zhuǎn)換得匕，&,&； (2)利用四叉樹分解將臨時稀疏成分矩陣Etl分解成K個矩陣子塊，E0= (Ea+Eb)/2, K為正整數(shù)； 根據(jù)臨時稀疏成分矩陣Etl四叉樹分解結(jié)果，分別對稀疏成分矩陣Ea和Eb進行塊劃分，塊劃分后的各矩陣子塊同臨時稀疏成分矩陣Etl的各矩陣子塊大小相同、位置一致，稀疏成分矩陣Ea與Eb的大小相同、位置一致的矩陣子塊具有相同序號； (3)計算稀疏成分矩陣Ea的各矩陣子塊的梯度能量，計算稀疏成分矩陣Eb的各矩陣子塊的梯度能量； (4)構(gòu)建決策矩陣//，//e Rmxjv:
2.如權(quán)利要求1所述的多聚焦圖像融合方法，其特征在于，對步驟(4)中構(gòu)建的決策矩陣進行腐蝕膨脹操作處理，并利用處理后的決策矩陣構(gòu)建融合圖像。
【文檔編號】G06T5/50GK103455991SQ201310369954
【公開日】2013年12月18日 申請日期:2013年8月22日 優(yōu)先權(quán)日:2013年8月22日
【發(fā)明者】陳莉, 張永新, 唐曉芬, 牛發(fā)發(fā), 李亮, 尚軍, 王珊珊, 周琳, 呂英杰, 劉健, 李青 申請人:西北大學