多聚焦图像融合的多小波选择方法研究

多聚焦图像融合的目的是把几张不同焦点的图像组合在一起,尽可能保持细节使所有目标清晰.针对基于多小波的多聚焦图像融合中多小波的选择问题,从多聚焦图像特点和对多聚焦图像的频谱内容的分析出发,在理论上提出了选择多小波的标准,即应选择小波函数频宽小,时频分辨率高的多小波,并通过实验验证了所提出标准的准确性.在实验中采用了原清晰图像与融合图像的均方根误差,融合图像的空间频率和清晰度作为融合效果的客观评价标准.通常如果有原始清晰图像,可采用均方根误差作为评价标准,但一般情况下,不存在原始清晰图像,因此,以均方根误差作为参照分析了其他两种评价标准的性能.实验表明,在主观感觉融合效果较好的情况下,可采用空间频率和清晰度作为评价标准.     

不同物距下的自动聚焦方法研究

目前对不同物距情况下的自动聚焦问题研究较少，为此提出了解决这一问题的自动聚焦方法。首先分析了不同物距的多个物体之间的成像关系和在不同物距情况下的图像清晰度评价函数的性质，然后提出了一种图像中心窗口的方法和用作图像清晰度评价函数的二维加权DCT系数的方法，最后采用一种改进的搜索策略对图像进行自动聚焦。实验结果表明，该方法可有效地对不同物距的图像进行自动聚焦。     

基于多尺度快速清晰度估计的多聚焦图像超分辨融合技术研究

为了提高图像融合清晰度,提出了一种基于多尺度快速清晰度估计的多聚焦图像超分辨率融合技术,利用小波分解算法结合图像清晰度估计算法,实现对多聚焦图像清晰区域的分解、识别和提取,最终得到一幅各个区域都清晰的融合图像。实验结果表明,提出的技术保留了源图像中的几乎全部最清晰区域,融合后的图像清晰度比传统方法有了大幅度的提高,融合结果比较理想。     

基于熵的自动聚焦图像清晰度评价函数仿真分析

基于图像处理的自动聚焦方法,图像清晰度评价函数的选择很重要。图像熵函数作为清晰度评价函数在不同文献中有一些形式上的变化,且关于聚焦图像评价值对应函数极大值还是极小值的论断不统一。本文详细整理了自动聚焦系统中图像信息熵的不同形式,比较分析它们的物理意义、数学原理,采用灰度图像,重点考虑离焦造成的图像模糊失真,在Matlab平台下仿真分析,得出的结论对具体自动聚焦系统设计时熵函数数学公式的选用和修正提供参考。     

基于高频方差熵清晰度评价函数的聚焦三维测量方法

图像清晰度评价函数是聚焦恢复深度法（Depth from Focus, DFF）实现三维形貌测量的核心,直接决定了深度方向的测量精度。文中提出了一种基于高频方差熵的图像清晰度评价函数,与常用函数对比了清晰度比率、灵敏度因子两个定量指标,结果表明所提函数优于常用函数。通过对所提函数获得的清晰度评价曲线进行高斯曲线拟合,实现了深度方向聚焦位置的精确计算。对文中方法开展了聚焦重复性与标准台阶高度测量测试,重复性聚焦实验的测量标准差为2.82 μm,台阶高度测量标准差为12 μm,验证了文中方法用于高精度非接触三维测量的可行性。     

八通道MSVD构造及其在多聚焦图像融合中的应用

针对经典的SVD在图像处理中的不足,提出了一种八通道多尺度奇异值分解（Multi-resolution Singular Value Decomposition,MSVD）构造方法,并把它应用于多聚焦图像融合中。首先,在经典SVD的基础上,利用矩阵分块的方法,提出了一种八通道多尺度SVD的构造方法。其次,对参加融合的多聚焦图像进行八通道MSVD分解,得到高层低频和各层七个方向的高频,对分解的低频子图像利用数学形态学增强边缘的方法进行融合、高频子图像采用基于区域能量取大的融合规则进行融合,并重构获得融合结果图像。最后,对融合结果进行主客观评价和分析。实验结果表明,该图像融合方法有较好的视觉效果,结果图像有较高的清晰度,边缘细节信息丰富,没有方块效应。从客观数值和图形评价指标看,该方法有较高的清晰度,其清晰度比基于DWT的融合方法、基于LWT的融合方法、基于Curvelet的融合方法、基于Contourlet的融合方法都高。     

基于小波频带划分及HVS特性的图像清晰度评价

清晰度是视频图像质量评价的重要指标,是实现数字成像设备自动聚焦的关键,提出了一种基于小波频带划分及HVS特性的清晰度评价方法,对图像进行二维多级小波分解,采用各频段对应的CSF函数权值和高频分量占图像能量的大小作为图像清晰度评价标准。实验结果表明,提出的方法具有较好的单峰性、敏感性、抗噪性及视觉相关性。     

基于图像分析的SEM显微视觉自动聚焦技术研究

为了快速准确地获取清晰的SEM显微图像,提出了一种基于图像分析的SEM显微视觉自动聚焦技术.该技术采用了两级清晰度评价函数的自动聚焦策略,首先利用基于灰度差分的评价函数对图像进行分析评价,然后以大步距遍历搜索函数峰值,直至第一次经过峰值;接着,再利用基于DCT(d[iscrete cosine transformation)变换的评价函数来分析评价图像之后,以小步距进行局部搜索,直至搜索到清晰的SEM显微图像,完成SEM的自动聚焦.实验证明,该技术准确有效,具有较强的鲁棒性和实时性.     

基于Matlab的图像清晰度评价方法研究

准确有效的清晰度评价函数是采用数字图像处理技术实现自动调焦的基础.采用Matlab软件的图像处理工具比较空域和频域上的图像清晰度评价算法;提出一种基于离散小波变换的快速算法(FDWT)的图像清晰度算子,采用Matlab软件对该算法进行仿真,实验结果表明该算法具有较高的可靠性和聚焦灵敏度.同时还与其它已有方法进行了对比,包含基于图像边缘检测的方法:Robert算子、Sobel算子、Prewitt算子、Laplace算子;频域方法:离散余弦变换(DCT)等.结果表明FDWT算法不仅计算速度快,而且模拟出的MTF曲线平滑,具有较好的效果.     

一种基于中值金字塔的图像融合算法

为了对同一光学传感器的多聚焦图像进行融合增强以获得较高清晰度的图像,提出了一种基于中值金字塔的图像融合算法.首先,利用中值滤波和分析、合成算子得到图像的各级金字塔分解,以及各级细节子图像.然后,对顶层低频子图像系数取平均,对各级细节子图像,以局部邻域平均梯度为判据,进行图像融合.最后,利用中值金字塔反变换重构图像.实验结果表明,该方法对多聚焦图像的融合十分有效.     

小波分析在多聚焦图像融合中的应用

多聚焦图像融合是图像融合领域的一个重要分支,小波分析方法使得多聚焦图像融合研究取得了重大发展。首先说明了多聚焦图像融合的概念和一般融合方法,然后介绍了图像的小波分解原理,采用小波分析进行图像融合的步骤以及不同的融合规则。最后介绍了融合效果的评价标准,并通过仿真实验进行了定量的分析和比较,得出了结论。     

基于Shearlet变换的多聚焦图像融合方法

为提高多聚焦图像的融合效果,利用Shearlet变换具有多尺度多方向的特性,文中提出了一种基于Shearlet变换的图像融合算法。针对待融合图像进行Shearlet变换,得到低频子带系数和不同尺度不同方向的高频子带系数;对低频子带系数取分解系数区域能量高的系数,高频子带系数采用区域能量和区域清晰度以及区域方差相结合,采用多判别法得到融合系数,并最终进行Shearlet逆变换得到融合图像。结果表明,在主观视觉效果和客观评价指标上此算法优于其他融合算法     

基于亮度分量的多聚焦彩色图像融合

针对小波变换在图像融合中的平移变性和有限的方向选择性等缺陷和多聚焦彩色图像融合的复杂性,将Q-Shift双树复小波变换应用于多聚焦彩色图像融合.首先对IHS模型的亮度分量I进行Q-Shift双树复小波分解,根据多聚焦图像的成像特点和分解后的高低频系数相关性,对分解后的高频系数和低频系数采用"选择取大"的融合准则进行融合和逆变换,得到融合后的亮度分量,再根据融合前后亮度分量值的接近程度来确定融合后的色调分量和饱和度分量,从而实现多聚焦彩色图像的融合.通过对实验评估指标信息熵、平均梯度、方差和相关系数等实验值的比较,所研究方法的各参数值都得到了很好的体现,获得了较好的融合效果.     

Performance evaluation of multi-focus image fusion based on IPS

This article puts forward a novel performance evaluation of multi-focus image fusion. As is well known, the automatic performance evaluation of multi-focus image fusion is an important problem in digital image processing. So far, there are no satisfied methods could solve the problem well. Improved point sharpness (IPS) addressed this issue preliminary. This method comes from the idea of point sharpness. Compared with conventional performance evaluation methods, the new method could produce better results.     

非抽样双树复小波域的BPP-NMF图像融合

提出了一种非抽样双树复小波变换（UDT-CWT）与基于块主元旋转的非负矩阵分解（BPP-NMF）相结合的多聚焦图像融合算法。利用UDT-CWT具有完美的平移不变性及良好的方向选择性,首先对图像进行多尺度、多方向分解并得到低频子带和高频子带系数;然后对低频子带系数采用块主元旋转的非负矩阵分解的融合策略,高频系数则选用高斯加权区域能量与区域标准差一致性选择的融合准则。最后对融合后的系数进行UDT-CWT逆变换得到重构图像。选用多组多聚焦图像进行融合并对融合结果进行主观视觉、客观方面的评价。试验结果表明,该融合算法不仅具有良好的视觉效果,同时在客观评价指标也优于一般的融合策略,验证了该算法的有效性。     

基于方向性对比度金字塔的图像融合方法

基于对比度塔形分解(CP)的图像融合方法具有良好的物理意义,却没有强调方向性的不足,为此提出了一种具有方向性的对比度金字塔图像融合方法.对多聚焦图像进行对比度塔形分解,利用方向滤波器组对高频加方向,得到不同方向的高频子分量.根据不同频率域特点,采用低频分量系数取加权平均、高频分量系数绝对值取大的融合规则,对分解后的子图像进行融合.结果表明:用提出方法得到的融合图像有较高的清晰度和空间分辨率.与基于CP和基于离散小波变换(DWT)的融合方法相比,提出的方法既能保持对比度的含义,又可提供2n个方向信息.     

一种改进含噪多聚焦图像融合方法

针对目前多聚焦图像融合方法处理含噪图像缺乏有 效性而导致融合效果较差的问题,提出一种引导滤波结合脉冲耦合神经网络(PCNN)的非下采 样Shearlet变换(NSST)域内多聚焦图像融合方法。 首先,分别对待融合多聚焦图像进行NSST获取其相应高频子带和低频子带系数;对高 频子带系数,通过引导滤波结合改进简化PCNN模型设置融合规则;提取相位一致性、清晰 度和亮度等底层视觉特性,指导低频子带系数融合权重;最后反NSST获取最终融合结 果。实验结果表明,本文方法能够在噪声干扰情况下有效完成多聚焦融合,并且边缘和纹理 信息保持较好,当20标准差噪声时互信息提升了近0.15具有有效性。     

自适应PCNN多聚焦图像融合

脉冲耦合神经网络（PNNN）型参数多,计算复杂,并且通常选取经验常数作为链接强度,这极大地限制了PCNN的普遍适用性.针对该问题,在分析PCNN模型基本特征的基础上,结合多聚焦图像的基本特点提出了一种基于PCNN的自适应多聚焦图像融合新方法.该方法在PCNN简化模型的基础上既将拉普拉斯能量作为PCNN对应神经元的链接强度β,又将其作为PCNN对应神经元的反馈输入经过PCNN点火从而获得每幅参与融合图像的点火映射图,最后通过选取适当的融合规则获得融合图像.实验结果表明了该方法的有效性,这种有效性不仅体现在视觉效果上,而且体现在客观评价标准上.     

融入压缩感知的脉冲耦合神经网络用于图像快速融合

针对脉冲耦合神经网络(PCNN)图像融合模型对含噪 声图像敏感和融合时间效率不高的问题,通过引入压缩感知(CS)技术对传统模型进行改 造,提出了一种融入CS技术的新型快速脉冲耦合图像融合方法,不仅能够弥补传统脉冲耦 合模型抗噪声能力不强的缺陷,还可 以实现含噪声图像去噪和图像融合同步进行,有效克服了传统去噪融合方法中人为将去噪 过程和融合过 程分开而造成的信息不一致等问题,在一定程度上提高了融合效果和时间效率 。在多聚焦图 像和小目标图像上进行了相关实验研究,并在视觉效果和性能评价、含噪声多少与方法性能 、稳定性等方 面进行了详细分析。实验结果表明,新方法无论从融合效果还是评价指标上均较一些相 关方法显示出一定的优越性。     

A novel multi-focus image fusion algorithm based on random walks

In multi-focus image fusion, the aim is to create a single image where the whole scene is focused by fusing multiple images captured with different focus distances. The fused image has greater depth of field than each of the input images. In this paper, we present a new method for multi-focus image fusion via random walks on graphs. The proposed method first evaluates the focus areas in a local sense and identifies nodes corresponding to consistency of nodes in a global sense. Several popular feature sets based on focus measure and color consistency are evaluated and employed to create a fully connected graph to model the global and local characteristics, respectively, of the random walks. The behavior of random walks on the graph is utilized to compute the weighting factor for each of the shallow depth-of-field input image. Experimental results show that the proposed method outperforms many state-of-the-art techniques in both subjective and objective image quality measures.