一種基于非負矩陣分解的多聚焦圖像融合方法
【專利摘要】本發(fā)明公開了一種基于非負矩陣分解的多聚焦圖像融合方法。該方法首先用基于NMF的融合算法對源圖像進行融合，得到臨時融合圖像；然后將臨時融合圖像同源圖像分別作差，得到臨時融合圖像與源圖像的差異圖像；接著分別計算差異圖像各像素鄰域窗口的梯度能量，根據差異各像素鄰域窗口梯度能量大小，構建決策矩陣，根據一定的融合規(guī)則將源圖像中對應像素進行融合，得到融合圖像。該方法對源圖像進行二次融合，通過提取源圖像的全局特征構建臨時融合圖像，然后用得到的臨時融合圖像與源圖像作差，由差異圖像的梯度能量來對源圖像聚焦區(qū)域特性進行準確的檢測判斷，進而提高融合圖像質量。
【專利說明】一種基于非負矩陣分解的多聚焦圖像融合方法
【技術領域】
[0001]本發(fā)明屬于圖像處理【技術領域】，具體涉及的是一種基于非負矩陣分解的多聚焦圖像融合方法。
【背景技術】
[0002]多聚焦圖像融合就是對經過配準的相同成像條件下獲得的關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、物流等領域有廣泛應用。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(DiscreteWavelet Transform, DffT)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，將高頻和低頻系數進行融合，將融合后的小波系數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據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，將高頻和低頻系數進行融合，將融合后的小波系數進行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)先轉換成列向量，并計算協(xié)方差，根據協(xié)方差矩陣求取特征向量，確定第一主成分對應的特征向量并據此確定各源圖像融合的權重，根據權重進行加權融合。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，對比源圖像對應塊的SFJf SF值大的對應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確定，分塊太大，易將焦點外的像素都包含進來，降低融合質量，使融合圖像對比度下降，易產生塊效應，分塊太小對區(qū)域清晰程度表征能力受限，易出現塊的錯誤選擇，且對噪聲敏感。
[0009](5)基于脈沖I禹合神經網絡(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PCNN的點火圖，計算輸入像素對應的點火頻率，將具有較大點火頻率的像素合并，得到融合圖像。該方法可自動實現信息傳遞和信息耦合，其處理結果可較好保留圖形本身的特征。但該方法參數較多，模型復雜，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神經元的外部輸入所產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據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偏移和信息丟失現象?；诜窍虏蓸拥妮喞ㄗ儞Q(NSCT)方法由于分解過程復雜，運行速度較慢，另外分解系數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，影響融合圖像質量。脈沖耦合神經網絡(PCNN)方法參數較多，模型復雜，運行比較耗時。這五種常用都存在著不同的缺點，速度和融合質量間難以調和，限制了這些方法的應用和推廣。

【發(fā)明內容】

[0011]本發(fā)明所要解決的技術問題是多聚焦圖像融合領域中融合算法對圖像特征提取和細節(jié)特征表示不夠清晰，不能自適應選擇塊大小而出現的塊效應等，融合效果不甚理想的問題。為此，本發(fā)明提供了一種基于非負矩陣分解的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e Kjvxjv，狀_是
大小為MXN的空間，M和N均為正整數，該融合方法包括以下步驟:
[0012](I)構建多聚焦圖像Ia和Ib的觀測矩陣V ；
[0013](2)用非負矩陣分解算法對觀測矩陣V進行分解，得到基矩陣W ；
[0014](3)將基矩陣W轉換成大小為MXN的矩陣，該矩陣對應的圖像為臨時融合圖像1 ；
[0015](4)分別將臨時融合圖像Itl與源圖像Ia和Ib作差，得到差異圖像Da和差異圖像Db,其中:Da = 10-1a, Db = 10-1b ；
[0016](5)計算差異圖像Da和差異圖像Db每個像素鄰域內的梯度能量，鄰域大小為5 X 5或 7X7 ；
[0017](6)構建特征矩陣丑,// G RMX,V:
[0018]
【權利要求】
1.一種基于非負矩陣分解的多聚焦圖像融合方法，該方法對配準后的多聚焦圖像、和Ib進行融合，Ia和Ib均為灰度圖像，且/」，/? e R-UxiV，ΜΑ/χΛ^大小為MXN的空間，M和N均為正整數，其特征在于，該融合方法包括以下步驟: (1)構建多聚焦圖像Ia和Ib的觀測矩陣V; (2)用非負矩陣分解算法對觀測矩陣V進行分解，得到基矩陣W；(3)將基矩陣W轉換成大小為MXN的矩陣，該矩陣對應的圖像為臨時融合圖像Itl； (4)分別將臨時融合圖像Itl與源圖像Ia和Ib作差，得到差異圖像Da和差異圖像Db，其中:Da = 10-1a, Db = 10-1b ； (5)計算差異圖像Da和差異圖像Db每個像素鄰域內的梯度能量，鄰域大小為5X5或7X7 ； (6)構建特征矩陣
2.如權利要求1所述的基于非負矩陣分解的多聚焦圖像融合方法，其特征在于，對步驟(6)中構建的特征矩陣進行腐蝕膨脹操作處理，并利用處理后的特征矩陣構建融合圖像。
【文檔編號】G06T5/50GK104036479SQ201410280417
【公開日】2014年9月10日 申請日期:2014年6月20日 優(yōu)先權日:2013年11月11日
【發(fā)明者】陳莉, 張永新, 趙志華 申請人:西北大學