一種基于雙邊濾波器的多聚焦圖像融合方法
【專利摘要】本發(fā)明提出了一種基于雙邊濾波器的多聚焦圖像融合方法。本發(fā)明步驟：首先，將源圖像進(jìn)行分解，得到基本層與邊緣層，然后，融合策略方面引入雙邊濾波算法分別確定基本層與邊緣層的融合權(quán)值，以充分利用基本層與邊緣層的空間連續(xù)性。最后將融合后的基本層與邊緣層相加得到最終的融合圖像。本發(fā)明提出的多聚焦圖像融合方法在保留圖像信息的同時(shí)具有較好的邊緣保持效果，能取得良好的主觀效果與較高的客觀指標(biāo)。
【專利說(shuō)明】
一種基于雙邊濾波器的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，涉及圖像融合技術(shù)，具體地說(shuō)是一種基于雙邊濾 波器的多聚焦圖像融合方法。
【背景技術(shù)】
[0002] 圖像融合在圖像處理和特征提取以及目標(biāo)識(shí)別等計(jì)算機(jī)視覺(jué)應(yīng)用中是一項(xiàng)很重 要的技術(shù)。通過(guò)圖像融合將同一場(chǎng)景的兩幅或者多幅圖像合成一幅新的圖像，融合后的新 圖像能夠整合各個(gè)圖像的互補(bǔ)優(yōu)勢(shì)，提供場(chǎng)景更加全面、可靠的圖像信息，從而有利于對(duì)場(chǎng) 景和目標(biāo)的識(shí)別和定位，同時(shí)也有利于機(jī)器感知。
[0003]目前出現(xiàn)了很多圖像融合算法，主要分為基于空間域的圖像融合與基于變換域的 圖像融合?；诳臻g域的方法主要依據(jù)圖像像素的空間特征信息對(duì)圖像進(jìn)行融合處理。由 于單像素?zé)o法表示圖像空間特征信息，一般采用分塊的方法。這種方法對(duì)于區(qū)域細(xì)節(jié)豐富 的圖像有較好的處理效果，但是對(duì)平坦區(qū)域的處理容易造成誤判，產(chǎn)生嚴(yán)重的塊效應(yīng)。基于 變換域的方法是將圖像進(jìn)行某種變換，然后進(jìn)行融合處理。例如小波變換有良好的時(shí)域和 頻域局部特性以及多分辨特性；曲線波(curvelet)變換能夠很好的對(duì)封閉曲線進(jìn)行逼近； 輪廓波(contour 1 et)變換繼承了曲線波變換的各向異性尺度關(guān)系;剪切波(shearlet)變換 在頻率域上具有緊支撐性，局部特性較好等?；谧儞Q域的方法很大程度上可以解決空間 域算法中塊效應(yīng)的問(wèn)題，但因?yàn)槎喑叨认聦?duì)應(yīng)融合系數(shù)的來(lái)源不一致而產(chǎn)生偽Gibbs現(xiàn) 象，使圖像邊緣出現(xiàn)虛假輪廓，紋理等人工效應(yīng)。
[0004] 為了更好的解決融合圖像的塊效應(yīng)與模糊問(wèn)題，多尺度分解圖像融合算法不斷的 提出。雖然這些算法能夠解決融合圖像的塊效應(yīng)，很好的保護(hù)源圖像的細(xì)節(jié)，但是沒(méi)有考慮 到圖像的空間一致性使得融合圖像亮度跟顏色的失真。為了充分利用圖像空間關(guān)系，基于 最優(yōu)化的圖形融合算法以及基于馬爾科夫隨機(jī)場(chǎng)的圖像融合算法得以提出，這些算法通過(guò) 能量函數(shù)估計(jì)空間平滑，邊緣均衡和像素值的加權(quán)平均融合不同的圖像。但是這些算法需 要迭代很多次來(lái)找到全局最優(yōu)解，因此效率很低。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對(duì)上述已有技術(shù)的缺點(diǎn)，提出了一種基于雙邊濾波器的多聚焦圖像融合 方法，該方法體現(xiàn)了源圖像中的空間細(xì)節(jié)特征，具有良好的邊緣保持特性，失真小，為融合 圖像提供了更加豐富的信息。
[0006] 本發(fā)明通過(guò)以下方案實(shí)現(xiàn)： 步驟一、對(duì)源圖像4進(jìn)行單尺度圖像分解，得到基本層圖像4和中間層圖像尾； 步驟二、由基本層圖像4和中間層圖像足得到邊緣層圖像貧，即錢H美-筆h 步驟三、對(duì)基本層圖像尾進(jìn)一步處理，得到基本層與邊緣層用于融合的權(quán)重iff與 FTf; 步驟四、利用權(quán)重與i?_f，對(duì)基本層圖像4與邊緣層圖像相加得到最終融合圖 像； 步驟五、利用遺傳算法對(duì)求權(quán)重用到的雙邊濾波器參數(shù)或和進(jìn)行優(yōu)化。
[0007] 本發(fā)明與現(xiàn)有圖像融合方法相比，具有如下優(yōu)點(diǎn)： 1、 本發(fā)明利用高通濾波器和雙邊濾波器將原始輸入圖像進(jìn)行分解，簡(jiǎn)單且快速地將圖 像分為基本層與邊緣層。更重要的是，將雙邊濾波用于確定基本層與邊緣層的權(quán)重，從而加 強(qiáng)了相鄰像素之間的空間一致性來(lái)代替?zhèn)鹘y(tǒng)的權(quán)重最優(yōu)化，從而具有良好的邊緣保持特 性，失真?。?2、 本發(fā)明提出的算法具有較強(qiáng)的魯棒性，針對(duì)各種輸入源，且具有較小的時(shí)間空間復(fù) 雜度，使其能夠用于實(shí)時(shí)性。
【附圖說(shuō)明】
[0008] 圖1是本發(fā)明像融合流程圖； 圖2是優(yōu)化選擇雙邊濾波參數(shù)的流程圖； 圖3是優(yōu)化選擇雙邊濾波參數(shù)的染色體編碼； 圖4是多聚焦圖像的源圖像和本發(fā)明與現(xiàn)有五種融合方法對(duì)多聚焦Clock圖像進(jìn)行融 合的結(jié)果圖； 圖5是多聚焦圖像的源圖像和本發(fā)明與現(xiàn)有五種融合方法對(duì)多聚焦Clock圖像進(jìn)行融 合的結(jié)果的局部放大圖； 圖6是多聚焦圖像的源圖像和本發(fā)明與現(xiàn)有五種融合方法對(duì)多聚焦Lab圖像進(jìn)行融合 的結(jié)果圖； 圖7是多聚焦圖像的源圖像和本發(fā)明與現(xiàn)有五種融合方法對(duì)多聚焦Lab圖像進(jìn)行融合 的結(jié)果的局部放大圖； 圖8是多聚焦圖像的源圖像和本發(fā)明與現(xiàn)有五種融合方法對(duì)多聚焦Book圖像進(jìn)行融合 的結(jié)果圖； 圖9是多聚焦圖像的源圖像和本發(fā)明與現(xiàn)有五種融合方法對(duì)多聚焦Book圖像進(jìn)行融合 的結(jié)果的局部放大圖； 圖10是多聚焦圖像的源圖像和本發(fā)明與現(xiàn)有五種融合方法對(duì)多聚焦Pepper圖像進(jìn)行 融合的結(jié)果圖； 圖11是多聚焦圖像的源圖像和本發(fā)明與現(xiàn)有五種融合方法對(duì)多聚焦Pepper圖像進(jìn)行 融合的結(jié)果的局部放大圖； 圖12是多聚焦圖像的源圖像和本發(fā)明與現(xiàn)有五種融合方法對(duì)多聚焦Grayset圖像進(jìn)行 融合的結(jié)果圖； 圖13是多聚焦圖像的源圖像和本發(fā)明與現(xiàn)有五種融合方法對(duì)多聚焦Grayset圖像進(jìn)行 融合的結(jié)果的局部放大圖。
【具體實(shí)施方式】
[0009] 結(jié)合圖1，根據(jù)本發(fā)明的一個(gè)方面，本發(fā)明的具體實(shí)現(xiàn)步驟如下： 步驟一、對(duì)源圖像4進(jìn)行單尺度圖像分解，得到基本層圖像尾和中間層圖像尾： 1) 將第R幅源圖像心通過(guò)拉普拉斯高通濾波器進(jìn)行濾波，得到第幅源圖像4的濾波 圖像 :「fe 1 〇] = Is x| 1 ~4 1:| ； 1Q 1 01 2) 通過(guò)對(duì)濾波圖像的絕對(duì)值進(jìn)行低通濾波得到源圖像A的基本層，如下式所示： 美=!沒(méi) ， 式中Mi.%)表示低通濾波器的濾波函數(shù)，濾波窗口大小為+B，且與 &均設(shè)為5; 3) 將源圖像4本身作為雙邊濾波的引導(dǎo)圖像，對(duì)源圖像A進(jìn)行雙邊濾波得到中間層 圖像4，第b個(gè)輸入圖像的中間層圖像4如下式所示： '二 UJJ， 式中r為濾波半徑，^,5)為標(biāo)準(zhǔn)差參數(shù)。
[0010] 步驟二、由基本層圖像式和中間層圖像尾得到邊緣層圖像瑪，即A =14-尾1。
[0011] 步驟三、對(duì)基本層圖像式進(jìn)一步處理，得到基本層與邊緣層用于融合的權(quán)重釋f 與時(shí)％ 1) 通過(guò)基本層馬得到源圖像的權(quán)重層戽，如下式所示： A |0 ：f 於c緣吩 .rv .=:飛. . ， 式中為第〃幅源圖像中第知個(gè)像素點(diǎn)的細(xì)節(jié)反映水平； 2) 將權(quán)重層巧與源圖像作為雙邊濾波的輸入，得到基本層對(duì)應(yīng)的權(quán)重，其中4作為 引導(dǎo)圖像，巧為輸入圖像，如下式所示： 秦4》， 式中心％爲(wèi)為雙邊濾波器參數(shù)； 3) 將權(quán)重層g與源圖像作為雙邊濾波的輸入，得到邊緣層對(duì)應(yīng)的權(quán)重，其中4作為 引導(dǎo)圖像，戽為輸入圖像，如下式所示： 村=愚."(明:， 式中r2j2; 4為雙邊濾波器參數(shù)。
[0012] 步驟四、利用權(quán)重與fff，對(duì)基本層圖像式與邊緣層圖像以相加得到最終融 合圖像： 1) 求取基本層的融合圖像
2) 求取邊緣層的融合圖像 3) 將基本層融合圖像互與邊緣層融合圖像萬(wàn)相加得到最終的融合圖像F : f = 萬(wàn)。
[0013]步驟五、利用遺傳算法對(duì)求權(quán)重用到的雙邊濾波器參數(shù)鳥4和巧為進(jìn)行優(yōu) 化： 1) 編碼 對(duì)于高斯半徑?采用二進(jìn)制編碼，對(duì)標(biāo)準(zhǔn)差參數(shù)（A妁采用實(shí)數(shù)編碼，將這兩種編碼 排列在一起，其染色體的組成如說(shuō)明書附圖中圖3所示； 2) 交叉和變異 采用經(jīng)典的均勾交叉(Uniform Crossover)和基本位變異操作； 3) 適應(yīng)度函數(shù) 適應(yīng)度函數(shù)的選擇關(guān)系到融合后的圖像質(zhì)量，以得到的最終融合圖像的互信息量（ )，邊緣強(qiáng)度（￡4飲），空間結(jié)構(gòu)相似度（gf )為標(biāo)準(zhǔn)來(lái)確定適應(yīng)度函數(shù)的基本原則，最 終的適應(yīng)度函數(shù)只?可表示為三個(gè)指標(biāo)的加權(quán)組合，其中，
式中表示圖像7?，灰度的聯(lián)合概率密度分布，乃(0和芩贄分別表示圖像及、 F中灰度的概率密度分布，
式中M .災(zāi)為圖像寬和高，於為像素點(diǎn)的值，為sobel算子矩陣， 為其轉(zhuǎn)置，￡1為3 X 3矩陣，
式中g(shù) #和分別為從源圖像i和及到融合圖像F的邊緣信息保留值，權(quán)值 和，(wd通常為一個(gè)關(guān)于邊緣強(qiáng)度的函數(shù)，適應(yīng)度函數(shù)如下式所示： 式中的加權(quán)系數(shù)〇<紅殿<1〇<1<!〇:，考慮到三個(gè)指標(biāo)的值差異較大，選擇 a = 蘆=0..表1=5來(lái)降低三個(gè)指標(biāo)的數(shù)值差距； 4) 選擇 根據(jù)各個(gè)個(gè)體的適應(yīng)度值計(jì)算選擇概率，如下式所示：
根據(jù)計(jì)算出的概率分布，結(jié)合采用輪盤賭和精英選擇法，滿足條件則選入下一代，形成 新種群； 5)終止條件 表1遺傳算法的參數(shù)設(shè)置
收斂的條件設(shè)為:達(dá)到最大允許迭代次數(shù)或者收斂容許誤差小于給定閾值時(shí)終止，具 體參數(shù)設(shè)置如上表所示，當(dāng)算法滿足設(shè)定的收斂判斷條件時(shí)，算法終止。
[0014] 本發(fā)明的效果可以通過(guò)仿真實(shí)驗(yàn)具體說(shuō)明： 1.實(shí)驗(yàn)條件 本文算法的測(cè)試環(huán)境為：Intel (R) Core(TM)i5-2500K CPU @ 3.3GHz 3.29GHz, 2.99GB的內(nèi)存，Matlab 2012a。選取了左聚焦和右聚焦圖像進(jìn)行融合，即上述的？;'幅源圖像 的h等于2,大小為512x512。第一組是Clock圖像，如圖4(a)和4(b)，其中圖4(a)是Clock圖 像左聚焦源圖像，圖4(b)是Clock圖像右聚焦源圖像;第二組是Lab圖像，如圖6(a)和6(b)， 其中圖6(a)是Lab圖像左聚焦源圖像，圖6(b)是Lab圖像右聚焦源圖像;第三組是Book圖像， 如圖8(a)和8(b)，其中圖8(a)是Book圖像左聚焦源圖像，圖8(b)是Book圖像右聚焦源圖像； 第四組是Pepper圖像，如圖10(a)和10(b)，其中圖10(a)是Pepper圖像左聚焦源圖像，圖10 (b)是Pepper圖像右聚焦源圖像;第五組是Grayset圖像，如圖12(a)和12(b)，其中圖12(a) 是Grayset圖像左聚焦源圖像，圖12(b)是Grayset圖像右聚焦源圖像。
[0015] 2.實(shí)驗(yàn)內(nèi)容 圖4(c)為基于塊分割和離散余弦變換結(jié)合算法對(duì)Clock圖像融合結(jié)果圖，圖4(d)為基 于非采樣輪廓波的算法對(duì)Clock圖像融合結(jié)果圖，圖4 (e)為基于雙樹復(fù)小波變換的算法對(duì) Clock圖像融合結(jié)果圖，圖4(f)為基于移不變小波算法對(duì)Clock圖像融合結(jié)果圖，圖4 (g)為 基于多尺度導(dǎo)引濾波的圖像融合對(duì)Clock圖像結(jié)果圖，圖4 (h)為本發(fā)明算法對(duì)Clock圖像 融合結(jié)果圖。
[0016] 圖5(a)為基于塊分割和離散余弦變換結(jié)合算法對(duì)Clock圖像融合結(jié)果的局部放大 圖，圖5(b)為基于非采樣輪廓波的算法對(duì)Clock圖像融合結(jié)果的局部放大圖，圖5(c)為基于 雙樹復(fù)小波變換的算法對(duì)Clock圖像融合結(jié)果的局部放大圖，圖5(d)為基于移不變小波算 法對(duì)Clock圖像融合結(jié)果的局部放大圖，圖5(e)為基于多尺度導(dǎo)引濾波的圖像融合對(duì)Clock 圖像結(jié)果的局部放大圖，圖5(f)為本發(fā)明算法對(duì)Clock圖像融合結(jié)果的局部放大圖。
[0017] 圖6(c)為基于塊分割和離散余弦變換結(jié)合算法對(duì)Lab融合結(jié)果圖，圖6(d)為基于 非采樣輪廓波的算法對(duì)Lab融合結(jié)果圖，圖6(e)為基于雙樹復(fù)小波變換的算法對(duì)Lab融合結(jié) 果圖，圖6(f)為基于移不變小波算法對(duì)Lab融合結(jié)果圖，圖6(g)為基于多尺度導(dǎo)引濾波的圖 像融合對(duì)Lab圖像結(jié)果圖，圖6 (h)為本發(fā)明算法對(duì)Lab融合結(jié)果圖。
[0018] 圖7(a)為基于塊分割和離散余弦變換結(jié)合算法對(duì)Lab圖像融合結(jié)果的局部放大 圖，圖7(b)為基于非采樣輪廓波的算法對(duì)Lab圖像融合結(jié)果的局部放大圖，圖7(c)為基于雙 樹復(fù)小波變換的算法對(duì)Lab圖像融合結(jié)果的局部放大圖，圖7(d)為基于移不變小波算法對(duì) Lab圖像融合結(jié)果的局部放大圖，圖7(e)為基于多尺度導(dǎo)引濾波的圖像融合對(duì)Lab圖像結(jié)果 的局部放大圖，圖7(f)為本發(fā)明算法對(duì)Lab圖像融合結(jié)果的局部放大圖。
[0019] 圖8(c)為基于塊分割和離散余弦變換結(jié)合算法對(duì)Book融合結(jié)果圖，圖8(d)為基于 非采樣輪廓波的算法對(duì)Book融合結(jié)果圖，圖8(e)為基于雙樹復(fù)小波變換的算法對(duì)Book融合 結(jié)果圖，圖8(f)為基于移不變小波算法對(duì)Book融合結(jié)果圖，圖8(g)為基于多尺度導(dǎo)引濾波 的圖像融合對(duì)Book圖像結(jié)果圖，圖8 (h)為本發(fā)明算法對(duì)Book融合結(jié)果圖。
[0020] 圖9(a)為基于塊分割和離散余弦變換結(jié)合算法對(duì)Book圖像融合結(jié)果的局部放大 圖，圖9(b)為基于非采樣輪廓波的算法對(duì)Book圖像融合結(jié)果的局部放大圖，圖9(c)為基于 雙樹復(fù)小波變換的算法對(duì)Book圖像融合結(jié)果的局部放大圖，圖9(d)為基于移不變小波算法 對(duì)Book圖像融合結(jié)果的局部放大圖，圖9(e)為基于多尺度導(dǎo)引濾波的圖像融合對(duì)Book圖像 結(jié)果的局部放大圖，圖9(f)為本發(fā)明算法對(duì)Book圖像融合結(jié)果的局部放大圖。
[0021] 圖10(C)為基于塊分割和離散余弦變換結(jié)合算法對(duì)Pepper融合結(jié)果圖，圖10 (d) 為基于非采樣輪廓波的算法對(duì)Pepper融合結(jié)果圖，圖10 (e)為基于雙樹復(fù)小波變換的算法 對(duì)Pepper融合結(jié)果圖，圖10 (f)為基于移不變小波算法對(duì)Pepper融合結(jié)果圖，圖10(g)為基 于多尺度導(dǎo)引濾波的圖像融合對(duì)Pepper圖像結(jié)果圖，圖10 (h)為本發(fā)明算法對(duì)Pepper融合 結(jié)果圖。
[0022]圖11(a)為基于塊分割和離散余弦變換結(jié)合算法對(duì)Pepper圖像融合結(jié)果的局部放 大圖，圖11(b)為基于非采樣輪廓波的算法對(duì)Pepper圖像融合結(jié)果的局部放大圖，圖11(c) 為基于雙樹復(fù)小波變換的算法對(duì)Pepper圖像融合結(jié)果的局部放大圖，圖11(d)為基于移不 變小波算法對(duì)Pepper圖像融合結(jié)果的局部放大圖，圖11(e)為基于多尺度導(dǎo)引濾波的圖像 融合對(duì)Pepper圖像結(jié)果的局部放大圖，圖11(f)為本發(fā)明算法對(duì)Pepper圖像融合結(jié)果的局 部放大圖。
[0023]圖12(c)為基于塊分割和離散余弦變換結(jié)合算法對(duì)Grayset融合結(jié)果圖，圖12(d) 為基于非采樣輪廓波的算法對(duì)Grayset融合結(jié)果圖，圖12(e)為基于雙樹復(fù)小波變換的算法 對(duì)Grayset融合結(jié)果圖，圖12(f)為基于移不變小波算法對(duì)Grayset融合結(jié)果圖，圖12(g)為 基于多尺度導(dǎo)引濾波的圖像融合對(duì)Grayset圖像結(jié)果圖，圖12(h)為本發(fā)明算法對(duì)Grayset 融合結(jié)果圖。
[0024]圖13(a)為基于塊分割和離散余弦變換結(jié)合算法對(duì)Grayset圖像融合結(jié)果的局部 放大圖，圖13(b)為基于非采樣輪廓波的算法對(duì)Grayset圖像融合結(jié)果的局部放大圖，圖13 (c)為基于雙樹復(fù)小波變換的算法對(duì)Grayset圖像融合結(jié)果的局部放大圖，圖13(d)為基于 移不變小波算法對(duì)Grayset圖像融合結(jié)果的局部放大圖，圖13(e)為基于多尺度導(dǎo)引濾波的 圖像融合對(duì)Gray set圖像結(jié)果的局部放大圖，圖13 (f)為本發(fā)明算法對(duì)Gray set圖像融合結(jié) 果的局部放大圖。
[0025] 3 ?實(shí)驗(yàn)結(jié)果 本發(fā)明的融合方法與基于塊分割和離散余弦變換結(jié)合算法，基于非采樣輪廓波的融合 算法，基于雙樹復(fù)小波變換的融合算法，基于移不變小波融合算法以及基于多尺度導(dǎo)引濾 波的圖像融合算法在五組多聚焦圖像上的客觀評(píng)價(jià)指標(biāo)如表2所示。
[0026]表2不同算法的客觀指標(biāo)對(duì)比
互信息量（mo:互信息量麗r越大，意味著融合圖像從原圖像中繼承的信息就越多， 融合效果越理想。
[0027] 邊緣強(qiáng)度（及邊緣強(qiáng)度值越大表示融合圖像越多的保留了源圖像邊緣信息， 融合的效果越好。
[0028] 空間結(jié)構(gòu)相似度（pi 值越大表示融合圖像越多的保留了源圖像中的邊 緣，方差等結(jié)構(gòu)化信息。
[0029] 從表2數(shù)據(jù)可見:在性能指標(biāo)上，本發(fā)明方法在互信息量MT，邊緣強(qiáng)度，空間 結(jié)構(gòu)相似度三個(gè)指標(biāo)上，多數(shù)情況下要比另外五個(gè)對(duì)比算法好，優(yōu)勢(shì)更加突出，并且 差異還比較明顯。從實(shí)驗(yàn)結(jié)果表明，本發(fā)明方法在保留光譜信息的同時(shí)具有較好的邊緣保 持效果，失真小，取得了良好的主觀效果與較高的客觀指標(biāo)。
【主權(quán)項(xiàng)】
1. 一種基于雙邊濾波器的多聚焦圖像融合方法，所述方法至少包括W下步驟： 步驟一、對(duì)源圖像進(jìn)行單尺度圖像分解，得到基本層圖像馬和中間層圖像巧,； 步驟二、由基本層圖像馬和中間層圖像馬得到邊緣層圖像。.，即AH 步驟=、對(duì)基本層圖像馬進(jìn)一步處理，得到基本層與邊緣層用于融合的權(quán)重取f與取f; 步驟四、利用權(quán)重;K,.f與，對(duì)基本層圖像馬與邊緣層圖像。、:相加得到最終融合圖 像； 步驟五、利用遺傳算法對(duì)求權(quán)重用到的雙邊濾波器參數(shù)巧，而，4和晏進(jìn)行優(yōu)化。2. 根據(jù)權(quán)利要求1所述的一種基于雙邊濾波器的多聚焦圖像融合方法，其特征在于將 源圖像進(jìn)行單尺度圖像分解的過(guò)程，至少還包括： 1) 將第S幅源圖像4通過(guò)拉普拉斯高通濾波器進(jìn)行濾波，得到第E幅源圖像4的濾波 圖像2) 通過(guò)對(duì)濾波圖像巧,的絕對(duì)值進(jìn)行低通濾波得到源圖像4的基本層，如下式所示：式中適(古口S)表示低通濾波器的濾波函數(shù)，濾波窗口大小為狂r。。"fi)沒(méi)Fg +!)，且^與^5 均設(shè)為5; 3) 將源圖像4本身作為雙邊濾波的引導(dǎo)圖像，對(duì)源圖像4進(jìn)行雙邊濾波得到中間層圖 像J：。，第.K個(gè)輸入圖像的中間層圖像心。如下式所示：式中?'為濾波半徑，掉:句為標(biāo)準(zhǔn)差參數(shù)。3. 根據(jù)權(quán)利要求1所述的一種基于雙邊濾波器的多聚焦圖像融合方法，其特征在于基 本層與邊緣層對(duì)應(yīng)權(quán)重的獲取過(guò)程，至少還包括： 1) 通過(guò)基本層式得到源圖像的權(quán)重層馬，如下式所示：式中為第S幅源圖像中第克個(gè)像素點(diǎn)的細(xì)節(jié)反映水平； 2) 將權(quán)重層馬與源圖像作為雙邊濾波的輸入，得到基本層對(duì)應(yīng)的權(quán)重，其中4作為 引導(dǎo)図傻.責(zé)輸入図傻.加下式所示；I 式中?'瑪為雙邊濾波器參數(shù)； 3)將權(quán)重層馬與源圖像4作為雙邊濾波的輸入，得到邊緣層對(duì)應(yīng)的權(quán)重，其中4作為 引導(dǎo)圖像，馬為輸入圖像，如下式所示：式中:巧為雙邊濾波器參數(shù)。4. 根據(jù)權(quán)利要求1所述的一種基于雙邊濾波器的多聚焦圖像融合方法，其特征在于圖 像融合過(guò)程，至少還包括：1) 求取基本層的融合圖像3 2) 求取邊緣層的融合圖像3 3) 將基本層融合圖像豆與邊緣層融合圖像召相加得到最終的融合圖像歹5. 根據(jù)權(quán)利要求1所述的一種基于雙邊濾波器的多聚焦圖像融合方法，其特征在于雙 邊濾波器參數(shù)優(yōu)化的過(guò)程，至少還包括： 參數(shù)優(yōu)化是對(duì)求權(quán)重過(guò)程中所用到的兩個(gè)雙邊濾波器的參數(shù)?1,馬;肩和= ?，馬進(jìn)行 優(yōu)化，利用遺傳算法尋找最優(yōu)的雙邊濾波器參數(shù)： 1) 編碼 對(duì)于高斯半徑?'采用二進(jìn)制編碼，對(duì)標(biāo)準(zhǔn)差參數(shù)fs:巧采用實(shí)數(shù)編碼，將運(yùn)兩種編碼排 列在一起，其染色體的組成如說(shuō)明書附圖中圖3所示； 2) 交叉和變異 采用經(jīng)典的均勻交叉化niform化ossover)和基本位變異操作； 3) 適應(yīng)度函數(shù) 適應(yīng)度函數(shù)的選擇關(guān)系到融合后的圖像質(zhì)量，W得到的最終融合圖像的互信息量(M)， 邊緣強(qiáng)度趣e )，空間結(jié)構(gòu)相似度（留)為標(biāo)準(zhǔn)來(lái)確定適應(yīng)度函數(shù)的基本原則，最終的 適應(yīng)度函數(shù)巧f可表示為=個(gè)指標(biāo)的加權(quán)組合，如下式所示：式中的加權(quán)系數(shù)Q媽<W，考慮到S個(gè)指標(biāo)的值差異較大，選擇a = Q-5:./?=Q.y = 5來(lái)降低=個(gè)指標(biāo)的數(shù)值差距； 4) 選擇 根據(jù)各個(gè)個(gè)體的適應(yīng)度值計(jì)算選擇概率，如下式所示：根據(jù)計(jì)算出的概率分布，結(jié)合采用輪盤賭和精英選擇法，滿足條件則選入下一代，形成 新種群； 5) 終止條件 表1遺傳算法的參數(shù)設(shè)置收斂的條件設(shè)為:達(dá)到最大允許迭代次數(shù)或者收斂容許誤差小于給定闊值時(shí)終止，具 體參數(shù)設(shè)置如上表所示，當(dāng)算法滿足設(shè)定的收斂判斷條件時(shí)，算法終止。
【文檔編號(hào)】G06T5/50GK105913408SQ201610224996
【公開日】2016年8月31日
【申請(qǐng)日】2016年4月12日
【發(fā)明人】朱江, 劉蘊(yùn)嫻, 裴廷睿, 張瑞洲, 田淑娟, 印峰, 許海霞, 崔榮埈, 關(guān)屋大雄
【申請(qǐng)人】湘潭大學(xué)