[发明专利]多聚焦图像融合方法

说明书

本发明公开了一种多聚焦图像融合方法，所述方法包括如下步骤：将DTCWT变换与NSDFB相结合得到M‑DTCWT变换；对多聚焦图像进行M‑DTCWT变换，分解得到低频子带和高频子带；将字典学习DL与模糊逻辑相结合得到ADL方法；对分解后的多聚焦图像的低频子带采取基于自适应字典学习ADL方法的融合策略得到融合后的低频子带；对分解后的多聚焦图像的高频子带采取SML的融合策略得到融合后的高频子带；对融合后的低频子带以及融合后的高频子带进行逆M‑DTCWT变换得到融合图像。所述方法不仅能够实现多聚焦图像的融合，而且融合后的图像视觉效果良好的同时具有丰富的纹理信息和诸多的细节特征。

技术领域

本发明涉及图像处理方法技术领域，尤其涉及一种结合多方向DTCWT和自适应字典学习的多聚焦图像融合方法。

背景技术

近几年来，许多学者对多聚焦图像融合方法进行了大量研究，在对图像融合时如何将原始图像低高频信息中所含有的图像细节与纹理整合到融合图像中成为了研究热点与难点。传统的小波变换虽能高效处理和分析一维分段连续信号，但由一维小波通过张量积而形成的二维小波基不满足各向异性的尺度关系，小波变换无法精确地表述图像边缘信息，基于小波变换融合的图像容易产生细节成分模糊现象。双树复小波变换(DTCWT)能同时满足正交、紧支、对称等对信号处理十分重要的特性，被广泛应用于图像融合领域。现有技术之一在DTCWT变换域对低频和高频小波系数采用不同的融合方法，对低频系数采用取平均的方法，而对高频系数采用边缘梯度对比的方法。该方法能够很好保存图像的边缘和细节信息。但DTCWT是对传统的小波的扩展，仍不能解决类似于小波变换无法在方向上精确地表述图像边缘信息的问题。此外另一现有技术还提出了一种非下采样轮廓波变换(nonsubsampled contourlet transform，NSCT)方法，由于同时具有灵活的多分辨率和多方向性表示的优点，相对小波变换来说，能够更好地从多方向上表示图像的边缘信息。然而，NSCT变换中的尺度分解部分会产生大量的冗余数据使得这些融合方法具有较高的时间复杂度。

发明内容

本发明所要解决的技术问题是如何提供一种不仅能够实现多聚焦图像的融合，而且融合后的图像视觉效果良好的同时具有丰富的纹理信息和诸多的细节特征的多聚焦图像融合方法。

为解决上述技术问题，本发明所采取的技术方案是：一种多聚焦图像融合方法，其特征在于包括如下步骤：

将双树复小波DTCWT变换与非下采样滤波器组NSDFB相结合得到多方向双树复小波M-DTCWT变换；

对多聚焦图像进行多方向双树复小波M-DTCWT变换，分解得到多聚焦图像的低频子带和高频子带；

将字典学习DL与模糊逻辑相结合得到自适应字典学习ADL方法；

对分解后的多聚焦图像的低频子带采取基于自适应字典学习ADL方法的融合策略得到融合后的低频子带；

对分解后的多聚焦图像的高频子带采取基于改进拉普拉斯能量和函数SML的融合策略得到融合后的高频子带；

对融合后的低频子带以及融合后的高频子带进行逆多方向双树复小波M-DTCWT变换得到融合图像。

进一步的技术方案在于，得到多方向双树复小波M-DTCWT变换的方法如下：

设双树复小波DTCWT变换的基函数为则图像f(x,y)的双树复小波DTCWT变换可表示为：

其中，θ∈{±15°,±45°,±75°}，n∈Z²，m为分解尺度，双树复小波DTCWT变换分解后会产生2个低频子带与6个高频子带，在进行下一级的尺度分解时将2个低频子带合并为1个低频子带；

对双树复小波DTCWT变换分解后的高频子带采样NSDFB滤波器组进行多方向分解；将分布在同方向上的奇异点合成为一个系数，也称为方向分解：