[发明专利]基于多尺度梯度和抠图的多聚焦图像融合方法

说明书

本发明提供一种基于多尺度梯度和抠图的多聚焦图像融合方法，包括：S1、构建源图像的多尺度结构元素，通过形态学滤波获取梯度信息，得到每一源图像的多尺度聚焦测量值；S2、根据聚焦测量值将源图像粗略地划分为确定的聚焦区域、确定的散焦区域、以及不确定区域，构建三分图；S3、采用图像抠图算法对三分图进行细化，得到准确的决策图，并将源图像和所述决策图结合，得到最终的融合结果图。本发明的有益效果：与单一尺度聚焦测量相比，更准确辨别聚焦区域，有效降低误匹配率及错误分割影响；充分利用图像的颜色相似性以及源图像之间的强相关性，精确获取聚焦区域并保证决策图边缘平滑，实现了良好的图像融合效果。

技术领域

本发明涉及图像融合领域，尤其涉及一种基于多尺度梯度和抠图的多聚焦图像融合方法。

背景技术

受相机镜头景深有限的影响，当场景中不同物体与镜头的距离差异很大时，很难获取所有物体均聚焦的全清晰图像，而局部聚焦的图像不能准确地对场景进行描述，不利于后续图像处理。为了获取全聚焦的清晰图像，需要调节焦距多次成像，然后将同一场景的多聚焦图像进行融合。多聚焦图像融合是一种将不同焦点设置的同一场景图像组合在一起从而生成全聚焦图像的技术，融合后的图像更适合人类感知，也更适合计算机视觉，比如目标检测、图像分析、遥感应用等。

目前，多聚焦图像融合算法主要可以分为两大类：基于变换域的方法和基于空域的方法。其中，基于变换域的方法是图像融合领域最早使用的方法，且至今仍然是图像融合问题的一个重要研究方法，大多数基于变换域的方法可以分为三个步骤：首先，将源图像从空域变换到某个特定变换域进行表示；然后，根据一定的融合规则在变换域进行融合；最后，将融合结果转换回空域以获得融合图像。最常用的基于变换域的融合方法是多尺度变换，包括拉普拉斯金字塔变换、梯度金字塔变换、离散小波变换、双树复小波变换等。为充分利用图像本身特有的几何特征，有学者从人类视觉特征出发，提出基于多尺度几何分析的图像表示方法，这类方法具有多分辨率、多方向、各向异性等优势，具体代表有曲线波变换、轮廓波变换、剪切波变换、非下采样轮廓波变换、非下采样剪切波变换等。随着相关理论的发展，新的基于变换域的图像融合方法逐渐出现，包括稀疏表示、高阶奇异值分解、鲁棒主成分分析、形态学成分分析等，其中，基于稀疏表示的方法最具代表性。然而，这些基于变换域的图像融合算法没有充分考虑空间一致性，可能会产生亮度和颜色失真，且当多源图像在同一空间位置的内容不同时，这些算法会出现光晕或者模糊效应。

基于空域的图像融合算法直接在空域中提取所需信息进而实现融合，没有分解和重构的步骤，这类算法主要包括基于像素的算法和基于块或区域的算法。其中，基于像素的方法通常根据源图像的聚焦程度测量结果来获取图像的清晰度信息，根据图像的决策图对源图像进行组合获取全聚焦图像，这类方法通常容易受到噪声和误配准等的干扰，很难获取准确的融合决策图，融合结果中可能会丢失部分原始图像信息，因此在聚焦程度测量时应考虑更多的空间邻域信息来提高可靠性。基于块的图像融合算法将源图像分解为大小相等的块，寻找具有最大聚焦度量值的部分，影响这类算法性能的因素主要有分块的方式以及图像块特征计算方法，这类方法的融合结果可能会在边界上产生块效应或者错误分割。为弥补人为设定分块大小的缺陷，求解最优块的大小或采用自适应分块进行融合的方法随后也被提出，在一定程度上解决了分块的问题，融合结果获得了比较好的视觉效果，此外，新的活跃程度度量方法对提高融合质量也有一定的帮助。

通常，在空间域图像融合方法中根据邻域计算每个像素的聚焦度量或对局部聚焦值求和来计算每个块的聚焦度量，总而言之，均需要一个关键步骤，即聚焦信息度量。大尺度聚集度量方法考虑了更多的空间领域信息，但仅通过使用一个特定比例的聚焦度量很难获取完美的聚焦图。在确定多聚焦图像的聚焦区域时，聚焦度量与其尺度密切相关，且单尺度容易受错误配准和噪声的影响。通过聚焦度量可以获得初始的决策图，一般情况下，初始决策图中或多或少都会存在一定的错误分割，所以需要对初始决策图进行优化，有学者提出采用图像抠图来细化初始决策图，但这种方法性能依赖于良好的初始决策图，并未充分考虑源图像之间具有较强的相关性，在大多数情况下融合过程不稳定。

发明内容