CN102622737A - 一种基于区域生长的显微图像融合方法 - Google Patents

Abstract

本发明公开了一种基于区域生长的显微图像融合方法，其通过对显微图像中的各个图像块进行清晰度评价，以判断显微图像的模糊程度并确认模糊种子块，同时利用区域生长逐步完成模糊区域和清晰区域的精确划分并标记，最后通过显微图像的融合规则，得到多幅显微图像融合后的一幅清晰的高质量的显微图像，优点在于由于结合了显微图像的清晰度评价，并进行区域生长进行每幅显微图像的清晰区域和模糊区域的分割，因此本发明方法的显微图像融合结果在主观人眼感知方面和客观评价指标方面都表现出了很大的优越性，而且本发明方法计算简单容易实现、结果稳定，适用于融合浅景深拍摄到的数码光学显微图像。

Description

一种基于区域生长的显微图像融合方法

技术领域

本发明涉及一种图像处理技术，尤其是涉及一种基于区域生长的显微图像融合方法。

背景技术

在光学显微镜成像系统中，随着放大倍率的增高，景深越来越小，因此，只有那些在聚焦平面或其附近的目标才能清晰可见，这使得即便是结构最简单、三维深度相对平坦的物体也不可能在一幅图像中完全聚焦清晰。在多个领域的实际应用中，要求显微成像既有高放大倍率，又要达到足够的景深，如纺织行业的纤维观测、印刷电路板行业的质量检验等。为解决这一技术问题，需要不断调整光学显微镜的焦距，得到一系列纵向局部清晰图像，然后将这一系列纵向局部清晰图像输入到计算机进行融合处理，以得到物体在整个空间的完整清晰图像，弥补用光学显微镜直接观测时只能清晰看到物体某一焦平面，而不能看到整个空间内的完整清晰图像的不足。

现有的图像融合方法主要分为三类：像素级图像融合方法、特征级图像融合方法和决策级图像融合方法。像素级图像融合方法是在基础层面上的图像融合，其主要优点是融合后的图像包含了尽可能多的原始数据且融合的准确性最高，提供了其他融合层次不能提供的细节信息，该类方法一般借助小波变换等变换方法，在变换域处理像素，融合复杂度相对较高。特征级图像融合方法指的是对预处理和特征提取后的原始输入图像进行信息获取，如轮廓、形状、边缘和区域等信息进行综合处理，该类方法的实施一般需要较多经验参数，对于多变的对象，特征提取的不稳定性会给融合带来偏差。决策级图像融合方法是指根据一定的准则以及每个决策的可行度做出最优融合决策，但由于决策准则多样，因此该类方法需要人工干预，难以实现自动融合。

发明内容

本发明所要解决的技术问题是提供一种计算简单、结果稳定，且能够有效提高主观感知与客观评价结果的基于区域生长的显微图像融合方法。

本发明解决上述技术问题所采用的技术方案为：一种基于区域生长的显微图像融合方法，其特征在于包括以下步骤：

①令{I_S1(x，y)}为光学显微镜下采集到的一幅显微图像，令{I_S2(x，y)}为光学显微镜下采集到的另一幅显微图像，其中，0≤x≤W-1，0≤y≤H-1，W表示图像的宽度，H表示图像的高度，I_S1(x，y)表示{I_S1(x，y)}中坐标位置为(x，y)的像素点的灰度值，I_S2(x，y)表示{I_S2(x，y)}中坐标位置为(x，y)的像素点的灰度值；

②将{I_S1(x，y)}划分成

个互不重叠的尺寸大小为n×n的第一图像块，将{I_S1(x，y)}中坐标位置为(i，j)的第一图像块记为I_{B1_n}(i，j)，将{I_S2(x，y)}划分成

个互不重叠的尺寸大小为n×n的第二图像块，将{I_S2(x，y)}中坐标位置为(i，j)的第二图像块记为I_{B2_n}(i，j)，其中，

n的值为2的幂次；

③对{I_S1(x，y)}中的每个第一图像块进行清晰度评价，得到{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值，对于{I_S1(x，y)}中坐标位置为(i，j)的第一图像块I_{B1_n}(i，j)，将其对应的清晰度特征值记为F_{v1_n}(i，j)；

对{I_S2(x，y)}中的每个第二图像块进行清晰度评价，得到{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值，对于{I_S2(x，y)}中坐标位置为(i，j)的第二图像块I_{B2_n}(i，j)，将其对应的清晰度特征值记为F_{v2_n}(i，j)；

④确定{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值的第一判定阈值，记为T_{n_1}；然后根据{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值和第一判定阈值T_{n_1}，判断{I_S1(x，y)}中的每个第一图像块是否为模糊种子块，对于{I_S1(x，y)}中坐标位置为(i，j)的第一图像块I_{B1_n}(i，j)，判断I_{B1_n}(i，j)对应的清晰度特征值F_{v1_n}(i，j)是否小于第一判定阈值T_{n_1}，如果是，则判定I_{B1_n}(i，j)为模糊种子块，并将I_{B1_n}(i，j)中的各个像素点的标记设为1，否则，判定I_{B1_n}(i，j)为非模糊种子块，并将I_{B1_n}(i，j)中的各个像素点的标记设为0；再根据{I_S1(x，y)}中的每个第一图像块中的各个像素点的标记，计算{I_S1(x，y)}对应的清晰度标记图像，记为{I_{D1_n}(x，y)}，I_{D1_n}(x，y)＝I_{B1_n}(x/n)，int(y/n)，int(y/n))，其中，I_{D1_n}(x，y)表示{I_{D1_n}(x，y)}中坐标位置为(x，y)的像素点的标记，int()为取整运算符；

确定{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值的第二判定阈值，记为T_{n_2}；然后根据{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值和第二判定阈值T_{n_2}，判断{I_S2(x，y)}中的每个第二图像块是否为模糊种子块，对于{I_S2(x，y)}中坐标位置为(i，j)的第二图像块I_{B2_n}(i，j)，判断I_{B2_n}(i，j)对应的清晰度特征值F_{v2_n}(i，j)是否小于第二判定阈值T_{n_2}，如果是，则判定I_{B2_n}(i，j)为模糊种子块，并将I_{B2_n}(i，j)中的各个像素点的标记设为1，否则，判定I_{B2_n}(i，j)为非模糊种子块，并将I_{B2_n}(i，j)中的各个像素点的标记设为0；再根据{I_S2(x，y)}中的每个第二图像块中的各个像素点的标记，计算{I_S2(x，y)}对应的清晰度标记图像，记为{I_{D2_n}(x，y)}，I_{D2_n}(x，y)＝I_{B2_n}(int(x/n)，int(y/n))，其中，I_{D2_n}(x，y)表示{I_{D2_n}(x，y)}中坐标位置为(x，y)的像素点的标记，int()为取整运算符；

⑤取n＝128、n＝64、n＝32、n＝16、n＝8，分别重复执行步骤③至步骤④，得到取n＝128时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_128}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_128}(x，y)}、取n＝64时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_64}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_64}(x，y)}、取n＝32时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_32}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_32}(x，y)}、取n＝16时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_16}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_16}(x，y)}、取n＝8时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_8}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_8}(x，y)}；

⑥根据{I_{D1_128}(x，y)}、{I_{D1_64}(x，y)}、{I_{D1_32}(x，y)}、{I_{D1_16}(x，y)}和{I_{D1_8}(x，y)}中标记为1的像素点，进行模糊区域生长得到{I_S1(x，y)}对应的区域生长图像，记为{I_G1(x，y)}，其中，I_G1(x，y)表示{I_G1(x，y)}中坐标位置为(x，y)的像素点的标记；

根据{I_{D2_128}(x，y)}、{I_{D2_64}(x，y)}、{I_{D2_32}(x，y)}、{I_{D2_16}(x，y)}和{I_{D2_8}(x，y)}中标记为1的像素点，进行模糊区域生长得到{I_S2(x，y)}对应的区域生长图像，记为{I_G2(x，y)}，其中，I_G2(x，y)表示{I_G2(x，y)}中坐标位置为(x，y)的像素点的标记；

⑦根据{I_S1(x，y)}对应的区域生长图像{I_G1(x，y)}和{I_S2(x，y)}对应的区域生长图像{I_G2(x，y)}，并结合{I_S1(x，y)}和{I_S2(x，y)}，融合得到最终的融合显微图像，记为{I_F(x，y)}，

其中，I_F(x，y)表示{I_F(x，y)}中坐标位置为(x，y)的像素点的灰度值， $C=\left\{\begin{array}{cc}{I}_{S1}(x,y)& {\mathrm{Cnt}}_1(x,y)<{\mathrm{Cnt}}_2(x,y)\\ I_{S2}(x,y)& {\mathrm{Cnt}}_1(x,y)>{\mathrm{Cnt}}_2(x,y)\\ \frac{I_{S2}(x,y)+I_{S2}(x,y)}{2}& {\mathrm{Cnt}}_1(x,y)={\mathrm{Cnt}}_2(x,y)\end{array}\right.,$ Cnt₁(x，y)表示{I_G1(x，y)}中坐标位置为(x，y)的像素点的8邻域中标记为1的像素点的个数，Cnt₂(x，y)表示{I_G2(x，y)}中坐标位置为(x，y)的像素点的8邻域中标记为1的像素点的个数。

所述的步骤③中计算{I_S1(x，y)}中坐标位置为(i，j)的第一图像块I_{B1_n}(i，j)对应的清晰度特征值F_{v1_n}(i，j)的具体过程为：③-a1、采用改进的TenenGrad梯度函数，计算I_{B1_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，对于I_{B1_n}(i，j)中坐标位置为(x₁，y₁)的像素点，将其水平方向梯度和垂直方向梯度分别记为G_h1(x₁，y₁)和G_v1(x₁，y₁)，G_h1(x₁，y₁)＝(f₁(x₁-1，y₁-1)+2f₁(x₁，y₁-1)+f₁(x₁+1，y₁-1))-(f₁(x₁-1，y₁+1)+2f₁(x₁，y₁+1)+f₁(x₁+1，y₁+1))，G_v1(x₁，y₁)＝(f₁(x₁+1，y₁-1)+2f₁(x₁+1，y₁)+f₁(x₁+1，y₁+1))-(f₁(x₁-1，y₁-1)+2f₁(x₁-1，y₁)+f₁(x₁-1，y₁+1))，其中，0≤x₁≤n-1，0≤y₁≤n-1，f₁(x₁-1，y₁-1)表示I_{B1_n}(i，j)中坐标位置为(x₁-1，y₁-1)的像素点的灰度值，f₁(x₁，y₁-1)表示I_{B1_n}(i，j)中坐标位置为(x₁，y₁-1)的像素点的灰度值，f₁(x₁+1，y₁-1)表示I_{B1_n}(i，j)中坐标位置为(x₁+1，y₁-1)的像素点的灰度值，f₁(x₁-1，y₁+1)表示I_{B1_n}(i，j)中坐标位置为(x₁-1，y₁+1)的像素点的灰度值，f₁(x₁，y₁+1)表示I_{B1_n}(i，j)中坐标位置为(x₁，y₁+1)的像素点的灰度值，f₁(x₁+1，y₁+1)表示I_{B1_n}(i，j)中坐标位置为(x₁+1，y₁+1)的像素点的灰度值，f₁(x₁+1，y₁)表示I_{B1_n}(i，j)中坐标位置为(x₁+1，y₁)的像素点的灰度值，f₁(x₁-1，y₁)表示I_{B1_n}(i，j)中坐标位置为(x₁-1，y₁)的像素点的灰度值；③-a2、根据I_{B1_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，计算I_{B1_n}(i，j)对应的清晰度特征值F_{v1_n}(i，j)，

所述的步骤③中计算{I_S2(x，y)}中坐标位置为(i，j)的第二图像块I_{B2_n}(i，j)对应的清晰度特征值F_{v2_n}(i，j)的具体过程为：③-b1、采用改进的TenenGrad梯度函数，计算I_{B2_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，对于I_{B2_n}(i，j)中坐标位置为(x₁，y₁)的像素点，将其水平方向梯度和垂直方向梯度分别记为G_h2(x₁，y₁)和G_v2(x₁，y₁)，G_h2(x₁，y₁)＝(f₂(x₁-1，y₁-1)+2f₂(x₁，y₁-1)+f₂(x₁+1，y₁Z-1))-(f₂(x₁-1，y₁+1)+2f₂(x₁，y₁+1)+f₂(x₁+1，y₁+1))，G_v2(x₁，y₁)＝(f₂(x₁+1，y₁-1)+2f₂(x₁+1，y₁)+f₂(x₁+1，y₁+1))-(f₂(x₁-1，y₁-1)+2f₂(x₁-1，y₁)+f₂(x₁-1，y₁+1))，其中，0≤x₁≤n-1，0≤y₁≤n-1，f₂(x₁-1，y₁-1)表示I_{B2_n}(i，j)中坐标位置为(x₁-1，y₁-1)的像素点的灰度值，f₂(x₁，y₁-1)表示I_{B2_n}(i，j)中坐标位置为(x₁，y₁-1)的像素点的灰度值，f₂(x₁+1，y₁-1)表示I_{B2_n}(i，j)中坐标位置为(x₁+1，y₁-1)的像素点的灰度值，f₂(x₁-1，y₁+1)表示I_{B2_n}(i，j)中坐标位置为(x₁-1，y₁+1)的像素点的灰度值，f₂(x₁，y₁+1)表示I_{B2_n}(i，j)中坐标位置为(x₁，y₁+1)的像素点的灰度值，f₂(x₁+1，y₁+1)表示I_{B2_n}(i，j)中坐标位置为(x₁+1，y₁+1)的像素点的灰度值，f₂(x₁+1，y₁)表示I_{B2_n}(i，j)中坐标位置为(x₁+1，y₁)的像素点的灰度值，f₂(x₁-1，y₁)表示I_{B2_n}(i，j)中坐标位置为(x₁-1，y₁)的像素点的灰度值；③-a2、根据I_{B2_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，计算I_{B2_n}(i，j)对应的清晰度特征值F_{v2_n}(i，j)，

所述的步骤④中确定{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值的第一判定阈值T_{n_1}的具体过程为：④-a1、对{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值进行排序，找出最大的清晰度特征值和最小的清晰度特征值，分别记为F_{v1_n_MAX}和F_{v1_n_MIN}；④-a2、根据F_{v1_n_MAX}和F_{v1_n_MIN}计算第一判定阈值T_{n_1}，T_{n_1}＝F_{v1_n_MIN}+(F_{v1_n_MAX}-F_{v1_n_MIN})×w₁，其中，w₁为权重因子；

所述的步骤④中确定{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值的第二判定阈值T_{n_2}的具体过程为：④-b1、对{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值进行排序，找出最大的清晰度特征值和最小的清晰度特征值，分别记为F_{v2_n_MAX}和F_{v2_n_MIN}；④-b2、根据F_{v2_n_MAX}和F_{v2_n_MIN}计算第二判定阈值T_{n_2}，T_{n_2}＝F_{v2_n_MIN}+(F_{v2_n_MAX}-F_{v2_n_MIN})×w₂，其中，w₂为权重因子。

所述的步骤④-a2中0.4≤w₁≤0.6，所述的步骤④-b2中0.4≤w₂≤0.6。

所述的步骤⑥中{I_S1(x，y)}对应的区域生长图像{I_G1(x，y)}的获取过程为：⑥-a1、将取n＝128时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_128}(x，y)}作为起始种子图像；⑥-a2、考察{I_S1(x，y)}中的每个尺寸大小为n×n的模糊种子块相邻的8个尺寸大小为

的图像块，如果{I_S1(x，y)}中的尺寸大小为n×n的模糊种子块相邻的尺寸大小为

的图像块中的各个像素点的标记均为1，则将起始种子图像中相同位置的尺寸大小为

的图像块中的各个像素点的标记设为1；⑥-a3、令并返回执行步骤⑥-a2，直至n＝8，其中，

中的“＝”为赋值符号；⑥-a4、当n＝8时，直接将起始种子图像中与{I_S1(x，y)}中的每个尺寸大小为8×8的模糊种子块相邻的8个尺寸大小为

的图像块相同位置的图像块中的各个像素点的标记设为1；然后令n＝4，并直接将起始种子图像中与{I_S1(x，y)}中的每个尺寸大小为4×4的模糊种子块相邻的8个尺寸大小为

的图像块相同位置的图像块中的各个像素点的标记设为1；再令n＝2，并直接将起始种子图像中与{I_S1(x，y)}中的每个尺寸大小为2×2的模糊种子块相邻的8个像素点相同位置的像素点的标记设为1，得到{I_S1(x，y)}对应的区域生长图像{I_G1(x，y)}，{I_G1(x，y)}中标记为1的像素点为模糊像素点，{I_G1(x，y)}中标记为0的像素点为非模糊像素点；

所述的步骤⑥中{I_S2(x，y)}对应的区域生长图像{I_G2(x，y)}的获取过程为：⑥-b1、将取n＝128时{I_S2(x，y)}对应的清晰度标记图像{I_{D2_128}(x，y)}作为起始种子图像；⑥-b2、考察{I_S2(x，y)}中的每个尺寸大小为n×n的模糊种子块相邻的8个尺寸大小为

的图像块，如果{I_S2(x，y)}中的尺寸大小为n×n的模糊种子块相邻的尺寸大小为

的图像块中的各个像素点的标记均为1，则将起始种子图像中相同位置的尺寸大小为

的图像块中的各个像素点的标记设为1；⑥-b3、令并返回执行步骤⑥-a2，直至n＝8，其中，中的“＝”为赋值符号；⑥-b4、当n＝8时，直接将起始种子图像中与{I_S2(x，y)}中的每个尺寸大小为8×8的模糊种子块相邻的8个尺寸大小为

的图像块相同位置的图像块中的各个像素点的标记设为1；然后令n＝4，并直接将起始种子图像中与{I_S2(x，y)}中的每个尺寸大小为4×4的模糊种子块相邻的8个尺寸大小为

的图像块相同位置的图像块中的各个像素点的标记设为1；再令n＝2，并直接将起始种子图像中与{I_S2(x，y)}中的每个尺寸大小为2×2的模糊种子块相邻的8个像素点相同位置的像素点的标记设为1，得到{I_S2(x，y)}对应的区域生长图像{I_G2(x，y)}，{I_G2(x，y)}中标记为1的像素点为模糊像素点，{I_G2(x，y)}中标记为0的像素点为非模糊像素点。

与现有技术相比，本发明的优点在于通过对显微图像中的各个图像块进行清晰度评价，以判断显微图像的模糊程度并确认模糊种子块，同时利用区域生长逐步完成模糊区域和清晰区域的精确划分并标记，最后通过显微图像的融合规则，得到多幅显微图像融合后的一幅清晰的高质量的显微图像，由于结合了显微图像的清晰度评价，并进行区域生长进行每幅显微图像的清晰区域和模糊区域的分割，因此本发明方法的显微图像融合结果在主观人眼感知方面和客观评价指标方面都表现出了很大的优越性，而且本发明方法计算简单容易实现、结果稳定，适用于融合浅景深拍摄到的数码光学显微图像。

附图说明

图1为本发明方法的总体实现框图；

图2为区域生长的过程示意图；

图3a为双子叶茎横截面显微图像一；

图3b为双子叶茎横截面显微图像二；

图3c为上皮组织显微图像一；

图3d为上皮组织显微图像二；

图4a为图3a所示的显微图像划分成大小为128×128的图像块并经清晰度判断后的显微图像，其中左边白色部分是被消除的模糊部分，右边剩下的图像是有待模糊区域生长后消除的部分；

图4b为图4a经尺寸为64×64的图像块模糊区域生长后的剩下的显微图像；

图4c为图4b经尺寸为32×32的图像块模糊区域生长后的剩下的显微图像；

图4d为图4c经尺寸为16×16的图像块模糊区域生长后的剩下的显微图像；

图4e为图4d经尺寸为8×8的图像块模糊区域生长后的剩下的显微图像；

图4f为图4e经尺寸为4×4的图像块模糊区域生长后的剩下的显微图像；

图4g为图4f经尺寸为2×2的图像块模糊区域生长后的剩下的显微图像；

图4h为图4g经尺寸为1×1的像素点模糊区域生长后的剩下的显微图像；

图5为双子叶茎横截面最终的融合显微图像；

图6为上皮组织最终的融合显微图像。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本发明提出的一种基于区域生长的显微图像融合方法，其流程框图如图1所示，其包括以下步骤：

①令{I_S1(x，y)}为光学显微镜下采集到的一幅显微图像，令{I_S2(x，y)}为光学显微镜下采集到的另一幅显微图像，其中，0≤x≤W-1，0≤y≤H-1，W表示图像的宽度，H表示图像的高度，I_S1(x，y)表示{I_S1(x，y)}中坐标位置为(x，y)的像素点的灰度值，I_S2(x，y)表示{I_S2(x，y)}中坐标位置为(x，y)的像素点的灰度值。

为更好地验证本发明方法的有效性，在常见的人体切片和植物切片中各选一组图像作为显微图像的代表图像，本实施例采用的显微图像是尺寸大小为1024×768的真彩色显微图像。本实施例采用的显微图像如图3a至图3d所示，其中图3a和图3b为双子叶茎横截面的两幅显微图像，图3c和图3d为上皮组织的两幅显微图像。图3a至图3d所示的显微图像均是光学显微镜小景深条件下拍摄到的部分清晰和部分模糊的显微图像，在本实施例中，图3a所示的显微图像即为{I_S1(x，y)}，图3b所示的显微图像即为{I_S2(x，y)}，同样地，图3c所示的显微图像即为{I_S1(x，y)}显微图像，图3d所示的显微图像即为{I_S2(x，y)}。

②将{I_S2(x，y)}划分成个互不重叠的尺寸大小为n×n的第一图像块，将{I_S1(x，y)}中坐标位置为(i，j)的第一图像块记为I_{B1_n}(i，j)，将{I_S2(x，y)}划分成

个互不重叠的尺寸大小为n×n的第二图像块，将{I_S2(x，y)}中坐标位置为(i，j)的第二图像块记为I_{B2_n}(i，j)，其中，

n的值为2的幂次。

③对{I_S1(x，y)}中的每个第一图像块进行清晰度评价，得到{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值，对于{I_S1(x，y)}中坐标位置为(i，j)的第一图像块I_{B1_n}(i，j)，将其对应的清晰度特征值记为F_{v1_n}(i，j)。在此具体实施例中，计算{I_S1(x，y)}中坐标位置为(i，j)的第一图像块I_{B1_n}(i，j)对应的清晰度特征值F_{v1_n}(i，j)的具体过程为：③-a1、采用改进的TenenGrad梯度函数，计算I_{B1_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，对于I_{B1_n}(i，j)中坐标位置为(x₁，y₁)的像素点，将其水平方向梯度和垂直方向梯度分别记为G_h1(x₁，y₁)和G_v1(x₁，y₁)，G_h1(x₁，y₁)＝(f₁(x₁-1，y₁-1)+2f₁(x₁，y₁-1)+f₁(x₁+1，y₁-1))-(f₁(x₁-1，y₁+1)+2f₁(x₁，y₁+1)+f₁(x₁+1，y₁+1))，G_v1(x₁，y₁)＝(f₁(x₁+1，y₁-1)+2f₁(x₁+1，y₁)+f₁(x₁+1，y₁+1))-(f₁(x₁-1，y₁-1)+2f₁(x₁-1，y₁)+f₁(x₁-1，y₁+1))，其中，0≤x₁≤n-1，0≤y₁≤n-1，f₁(x₁-1，y₁-1)表示I_{B1_n}(i，j)中坐标位置为(x₁-1，y₁-1)的像素点的灰度值，f₁(x₁，y₁-1)表示I_{B1_n}(i，j)中坐标位置为(x₁，y₁-1)的像素点的灰度值，f₁(x₁+1，y₁-1)表示I_{B1_n}(i，j)中坐标位置为(x₁+1，y₁-1)的像素点的灰度值，f₁(x₁-1，y₁+1)表示I_{B1_n}(i，j)中坐标位置为(x₁-1，y₁+1)的像素点的灰度值，f₁(x₁，y₁+1)表示I_{B1_n}(i，j)中坐标位置为(x₁，y₁+1)的像素点的灰度值，f₁(x₁+1，y₁+1)表示I_{B1_n}(i，j)中坐标位置为(x₁+1，y₁+1)的像素点的灰度值，f₁(x₁+1，y₁)表示I_{B1_n}(i，j)中坐标位置为(x₁+1，y₁)的像素点的灰度值，f₁(x₁-1，y₁)表示I_{B1_n}(i，j)中坐标位置为(x₁-1，y₁)的像素点的灰度值；③-a2、根据I_{B1_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，计算I_{B1_n}(i，j)对应的清晰度特征值F_{v1_n}(i，j)，即将I_{B1_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度的平方和全部求和，就得到I_{B1_n}(i，j)对应的清晰度特征值F_{v1_n}(i，j)， $F_{v1\_n}(i,j)=\underset{x_1=0}{\overset{n-1}{\mathrm{\&Sigma;}}}\underset{y_1=0}{\overset{n-1}{\mathrm{\&Sigma;}}}(G_{v1}^2(x_1,y_1)+G_{h1}^2(x_1,y_1)).$

对{I_S2(x，y)}中的每个第二图像块进行清晰度评价，得到{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值，对于{I_S2(x，y)}中坐标位置为(i，j)的第二图像块I_{B2_n}(i，j)，将其对应的清晰度特征值记为F_{v2_n}(i，j)。在此具体实施例中，计算{I_S2(x，y)}中坐标位置为(i，j)的第二图像块I_{B2_n}(i，j)对应的清晰度特征值F_{v2_n}(i，j)的具体过程为：③-b1、采用改进的TenenGrad梯度函数，计算I_{B2_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，对于I_{B2_n}(i，j)中坐标位置为(x₁，y₁)的像素点，将其水平方向梯度和垂直方向梯度分别记为G_h2(x₁，y₁)和G_v2(x₁，y₁)，G_h2(x₁，y₁)＝(f₂(x₁-1，y₁-1)+2f₂(x₁，y₁-1)+f₂(x₁+1，y₁-1))-(f₂(x₁-1，y₁+1)+2f₂(x₁，y₁+1)+f₂(x₁+1，y₁+1))，G_v2(x₁，y₁)＝(f₂(x₁+1，y₁-1)+2f₂(x₁+1，y₁)+f₂(x₁+1，y₁+1))-(f₂(x₁-1，y₁-1)+2f₂(x₁-1，y₁)+f₂(x₁-1，y₁+1))，其中，0≤x₁≤n-1，0≤y₁≤n-1，f₂(x₁-1，y₁-1)表示I_{B2_n}(i，j)中坐标位置为(x₁-1，y₁-1)的像素点的灰度值，f₂(x₁，y₁-1)表示I_{B2_n}(i，j)中坐标位置为(x₁，y₁-1)的像素点的灰度值，f₂(x₁+1，y₁-1)表示I_{B2_n}(i，j)中坐标位置为(x₁+1，y₁-1)的像素点的灰度值，f₂(x₁-1，y₁+1)表示I_{B2_n}(i，j)中坐标位置为(x₁-1，y₁+1)的像素点的灰度值，f₂(x₁，y₁+1)表示I_{B2_n}(i，j)中坐标位置为(x₁，y₁+1)的像素点的灰度值，f₂(x₁+1，y₁+1)表示I_{B2_n}(i，j)中坐标位置为(x₁+1，y₁+1)的像素点的灰度值，f₂(x₁+1，y₁)表示I_{B2_n}(i，j)中坐标位置为(x₁+1，y₁)的像素点的灰度值，f₂(x₁-1，y₁)表示I_{B2_n}(i，j)中坐标位置为(x₁-1，y₁)的像素点的灰度值；③-a2、根据I_{B2_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，计算I_{B2_n}(i，j)对应的清晰度特征值F_{v2_n}(i，j)，即将I_{B2_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度的平方和全部求和，就得到I_{B2_n}(i，j)对应的清晰度特征值F_{v2_n}(i，j)， $F_{v2\_n}(i,j)=\underset{x_1=0}{\overset{n-1}{\mathrm{\&Sigma;}}}\underset{y_1=0}{\overset{n-1}{\mathrm{\&Sigma;}}}(G_{v2}^2(x_1,y_1)+G_{h2}^2(x_1,y_1)).$

④确定{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值的第一判定阈值，记为T_{n_1}；然后根据{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值和第一判定阈值T_{n_1}，判断{I_S1(x，y)}中的每个第一图像块是否为模糊种子块，对于{I_S1(x，y)}中坐标位置为(i，j)的第一图像块I_{B1_n}(i，j)，判断I_{B1_n}(i，j)对应的清晰度特征值F_{v1_n}(i，j)是否小于第一判定阈值T_{n_1}，如果是，则判定I_{B1_n}(i，j)为模糊种子块，并将I_{B1_n}(i，j)中的各个像素点的标记设为1，否则，判定I_{B1_n}(i，j)为非模糊种子块，并将I_{B1_n}(i，j)中的各个像素点的标记设为0，即 $I_{B1\_n}(i,j)=\left\{\begin{array}{cc}1& F_{v1\_n}(i,j)<T_{n\_1}\\ 0& F_{v1\_n}(i,j)\&GreaterEqual;T_{n-1}\end{array}\right.;$ 再根据{I_S1(x，y)}中的每个第一图像块中的各个像素点的标记，计算{I_S1(x，y)}对应的清晰度标记图像，记为{I_{D1_n}(x，y)}，I_{D1_n}(x，y)＝I_{B1_n}(int(x/n)，int(y/n))，其中，I_{D1_n}(x，y)表示{I_{D1_n}(x，y)}中坐标位置为(x，y)的像素点的标记，int()为取整运算符。

在此具体实施例中，确定{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值的第一判定阈值T_{n_1}的具体过程为：④-a1、对{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值进行排序，找出最大的清晰度特征值和最小的清晰度特征值，分别记为F_{v1_n_MAX}和F_{v1_n_MIN}；④-a2、根据F_{v1_n_MAX}和F_{v1_n_MIN}计算第一判定阈值T_{n_1}，T_{n_1}＝F_{v1_n_MIN}+(F_{v1_n_MAX}-F_{v1_n_MIN})×w₁，其中，w₁为权重因子，0.4≤w₁≤0.6。

确定{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值的第二判定阈值，记为T_{n_2}；然后根据{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值和第二判定阈值T_{n_2}，判断{I_S2(x，y)}中的每个第二图像块是否为模糊种子块，对于{I_S2(x，y)}中坐标位置为(i，j)的第二图像块I_{B2_n}(i，j)，判断I_{B2_n}(i，j)对应的清晰度特征值F_{v2_n}(i，j)是否小于第二判定阈值T_{n_2}，如果是，则判定I_{B2_n}(i，j)为模糊种子块，并将I_{B2_n}(i，j)中的各个像素点的标记设为1，否则，判定I_{B2_n}(i，j)为非模糊种子块，并将I_{B2_n}(i，j)中的各个像素点的标记设为0，即 $I_{B2\_n}(i,j)=\left\{\begin{array}{cc}1& F_{v2\_n}(i,j)<T_{n\_2}\\ 0& F_{v2\_n}(i,j)\&GreaterEqual;T_{n\_2}\end{array}\right.;$ 再根据{I_S2(x，y)}中的每个第二图像块中的各个像素点的标记，计算{I_S2(x，y)}对应的清晰度标记图像，记为{I_{D2_n}(x，y)}，I_{D2_n}(x，y)＝I_{B2_n}(int(x/n)，int(y/n))，其中，I_{D2_n}(x，y)表示{I_{D2_n}(x，y)}中坐标位置为(x，y)的像素点的标记，int()为取整运算符。

在此具体实施例中，确定{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值的第二判定阈值T_{n_2}的具体过程为：④-b1、对{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值进行排序，找出最大的清晰度特征值和最小的清晰度特征值，分别记为F_{v2_n_MAX}和F_{v2_n_MIN}；④-b2、根据F_{v2_n_MAX}和F_{v2_n_MIN}计算第二判定阈值T_{n_2}，T_{n_2}＝F_{v2_n_MIN}+(F_{v2_n_MAX}-F_{v2_n_MIN})×w₂，其中，w₂为权重因子，0.4≤w₂≤0.6。

上述权重因子w₁和w₂随着显微图像的不同而取值不同，选取w₁时需将F_{v1_n_MAX}-F_{v1_n_MIN}的值作为重要参考，选取w₂时需将F_{v2_n_MAX}-F_{v2_n_MIN}的值作为重要参考，在实际操作过程中，可取w₁＝w₂＝0.5。

⑤取n＝128、n＝64、n＝32、n＝16、n＝8，分别重复执行步骤③至步骤④，得到取n＝128时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_128}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_128}(x，y)}、取n＝64时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_64}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_64}(x，y)}、取n＝32时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_32}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_32}(x，y)}、取n＝16时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_16}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_16}(x，y)}、取n＝8时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_8}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_8}(x，y)}。

⑥根据已经得到的一组不同大小分块下的清晰度标记图像{I_{D1_128}(x，y)}、{I_{D1_64}(x，y)}、{I_{D1_32}(x，y)}、{I_{D1_16}(x，y)}和{I_{D1_8}(x，y)}中标记为1的像素点，进行模糊区域生长得到{I_S1(x，y)}对应的区域生长图像，记为{I_G1(x，y)}，其中，I_G1(x，y)表示{I_G1(x，y)}中坐标位置为(x，y)的像素点的标记。

在此具体实施例中，{I_S1(x，y)}对应的区域生长图像{I_G1(x，y)}的获取过程为：⑥-a1、将取n＝128时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_128}(x，y)}作为起始种子图像；⑥-a2、考察{I_S1(x，y)}中的每个尺寸大小为n×n的模糊种子块相邻的8个尺寸大小为

的图像块(上、下、左、右各2个)，如果{I_S1(x，y)}中的尺寸大小为n×n的模糊种子块相邻的尺寸大小为

的图像块中的各个像素点的标记均为1，则进行区域生长，即将起始种子图像中相同位置的尺寸大小为的图像块中的各个像素点的标记设为1；⑥-a3、令并返回执行步骤⑥-a2，直至n＝8，其中，

中的“＝”为赋值符号；⑥-a4、当n＝8时，由于当n＜8时没有计算对应分块图像的清晰度，因此直接将起始种子图像中与{I_S1(x，y)}中的每个尺寸大小为8×8的模糊种子块相邻的8个尺寸大小为

的图像块相同位置的图像块中的各个像素点的标记设为1；然后令n＝4，并直接将起始种子图像中与{I_S1(x，y)}中的每个尺寸大小为4×4的模糊种子块相邻的8个尺寸大小为

的图像块相同位置的图像块中的各个像素点的标记设为1；再令n＝2，并直接将起始种子图像中与{I_S1(x，y)}中的每个尺寸大小为2×2的模糊种子块相邻的8个像素点相同位置的像素点的标记设为1，得到{I_S1(x，y)}对应的区域生长图像{I_G1(x，y)}，{I_G1(x，y)}中标记为1的像素点为模糊像素点，{I_G1(x，y)}中标记为0的像素点为非模糊像素点。

图2给出了区域生长的过程示意图，中间竖条纹表示{I_S1(x，y)}分成尺寸大小为128×128的第一图像块后，清晰度评价后认为是模糊的模糊种子块，以该模糊种子块开始生长；从右上往左下斜条纹的图像块为以尺寸大小为64×64小块区域进行模糊区域生长时符合条件的图像块，并被标记为下一次生长时的模糊种子块，从左上往右下斜条纹块表示以上一步产生的模糊种子块为基础进行尺寸大小为32×32小块区域生长时符合条件的图像块，其中左下角有一个尺寸大小为32×32的图像块不符合条件，因此不标出。依此类推直到没有符合条件的图像块为止。图4a为图3a所示的显微图像划分成大小为128×128的图像块并经清晰度判断后的显微图像，其中左边白色部分是被消除的模糊部分，右边剩下的图像是有待模糊区域生长后消除的部分；图4b至图4h分别是不同的分块大小依次进行区域生长后的显微图像。

根据已经得到的一组不同大小分块下的清晰度标记图像{I_{D2_128}(x，y)}、{I_{S2_64}(x，y)}、{I_{D2_32}(x，y)}、{I_{D2_16}(x，y)}和{I_{D2_8}(x，y)}中标记为1的像素点，进行模糊区域生长得到{I_S2(x，y)}对应的区域生长图像，记为{I_G2(x，y)}，其中，I_G2(x，y)表示{I_G2(x，y)}中坐标位置为(x，y)的像素点的标记。

在此具体实施例中，{I_S2(x，y)}对应的区域生长图像{I_G2(x，y)}的获取过程为：⑥-b1、将取n＝128时{I_S2(x，y)}对应的清晰度标记图像{I_{D2_128}(x，y)}作为起始种子图像；⑥-b2、考察{I_S2(x，y)}中的每个尺寸大小为n×n的模糊种子块相邻的8个尺寸大小为

的图像块，如果{I_S2(x，y)}中的尺寸大小为n×n的模糊种子块相邻的尺寸大小为

的图像块中的各个像素点的标记均为1，则进行区域生长，即将起始种子图像中相同位置的尺寸大小为

的图像块中的各个像素点的标记设为1；⑥-b3、令

并返回执行步骤⑥-a2，直至n＝8，其中，

中的“＝”为赋值符号；⑥-b4、当n＝8时，由于当n＜8时没有计算对应分块图像的清晰度，因此直接将起始种子图像中与{I_S2(x，y)}中的每个尺寸大小为8×8的模糊种子块相邻的8个尺寸大小为

的图像块相同位置的图像块中的各个像素点的标记设为1；然后令n＝4，并直接将起始种子图像中与{I_S2(x，y)}中的每个尺寸大小为4×4的模糊种子块相邻的8个尺寸大小为

的图像块相同位置的图像块中的各个像素点的标记设为1；再令n＝2，并直接将起始种子图像中与{I_S2(x，y)}中的每个尺寸大小为2×2的模糊种子块相邻的8个像素点相同位置的像素点的标记设为1，得到{I_S2(x，y)}对应的区域生长图像{I_G2(x，y)}，{I_G2(x，y)}中标记为1的像素点为模糊像素点，{I_G2(x，y)}中标记为0的像素点为非模糊像素点。

⑦根据{I_S1(x，y)}对应的区域生长图像{I_G1(x，y)}和{I_S2(x，y)}对应的区域生长图像{I_G2(x，y)}，并结合{I_S1(x，y)}和{I_S2(x，y)}，融合得到最终的融合显微图像，记为{I_F(x，y)}，

也即，对于{I_F(x，y)}中坐标位置为(x，y)的像素点的灰度值I_F(x，y)，当{I_G1(x，y)}中坐标位置为(x，y)的像素点的标记I_G1(x，y)为模糊时(即I_G1(x，y)＝1)，但在{I_G2(x，y)}中坐标位置为(x，y)的像素点的标记I_G2(x，y)不标记为模糊时(即I_G2(x，y)＝0)，选择{I_S2(x，y)}中坐标位置为(x，y)的像素点的灰度值I_S2(x，y)作为最终的融合显微图像{I_F(x，y)}中坐标位置为(x，y)的像素点的灰度值I_F(x，y)；当{I_G1(x，y)}中坐标位置为(x，y)的像素点的标记I_G1(x，y)不标记为模糊时(即I_G1(x，y)＝0)，但在{I_G2(x，y)}中坐标位置为(x，y)的像素点的标记I_G2(x，y)为模糊时(即I_G2(x，y)＝1)，选择{I_S1(x，y)}中坐标位置为(x，y)的像素点的灰度值I_S1(x，y)作为最终的融合显微图像{I_F(x，y)}中坐标位置为(x，y)的像素点的灰度值I_F(x，y)， $C=\left\{\begin{array}{cc}{I}_{S1}(x,y)& {\mathrm{Cnt}}_1(x,y)<{\mathrm{Cnt}}_2(x,y)\\ I_{S2}(x,y)& {\mathrm{Cnt}}_1(x,y)>{\mathrm{Cnt}}_2(x,y)\\ \frac{I_{S1}(x,y)+I_{S2}(x,y)}{2}& {\mathrm{Cnt}}_1(x,y)={\mathrm{Cnt}}_2(x,y)\end{array}\right.,$ Cnt₁(x，y)表示{I_G1(x，y)}中坐标位置为(x，y)的像素点的8邻域中标记为1的像素点的个数(即被标记为模糊的像素点的个数)，Cnt₂(x，y)表示{I_G2(x，y)}中坐标位置为(x，y)的像素点的8邻域中标记为1的像素点的个数(即被标记为模糊的像素点的个数)。

图5为图3a和图3b对应的最终的融合显微图像，图6为图3c和图3d对应的最终的融合显微图像，从图5和图6中可以看出，本发明方法在不同的显微图像下，能够得到的融合显微图像具有更丰富的细节信息量，更完整的显微图像信息指标，从而验证了本发明方法的可行性。

在此，选用4个客观评价标准来衡量本发明方法客观评价指标的结果，其一为清晰度评价函数中TenenGrad函数，它反映了显微图像的纹理细节信息；其二为清晰度评价函数中Variance函数，它反映了显微图像整体信息的完整性；其三为清晰度评价函数中DCT函数，它反映了显微图像在频域内的信息量；其四为清晰度评价函数中Hadamard函数，它反映了显微图像在频域内的信息量。选用的4个客观评价标准的值越大，说明融合后的显微图像的质量越好，纹理越清晰。表1列出了原始显微图像和经本发明方法融合后得到的融合显微图像的客观评价指标的比较结果，从表1所列的数据可以看出，经本发明方法融合后得到的融合显微图像的各项性能指标都较好，与主观感知结果一致。

表1经本发明方法后得到的融合显微图像和原始显微图像客观评价指标的比较

Claims (5)

1.一种基于区域生长的显微图像融合方法，其特征在于包括以下步骤：

①令{I_S1(x，y)}为光学显微镜下采集到的一幅显微图像，令{I_S2(x，y)}为光学显微镜下采集到的另一幅显微图像，其中，0≤x≤W-1，0≤y≤H-1，W表示图像的宽度，H表示图像的高度，I_S1(x，y)表示{I_S1(x，y)}中坐标位置为(x，y)的像素点的灰度值，I_S2(x，y)表示{I_S2(x，y)}中坐标位置为(x，y)的像素点的灰度值；

②将{I_S1(x，y)}划分成

个互不重叠的尺寸大小为n×n的第一图像块，将{I_S1(x，y)}中坐标位置为(i，j)的第一图像块记为I_{B1_n}(i，j)，将{I_S2(x，y)}划分成个互不重叠的尺寸大小为n×n的第二图像块，将{I_S2(x，y)}中坐标位置为(i，j)的第二图像块记为I_{B2_n}(i，j)，其中，

n的值为2的幂次；

③对{I_S1(x，y)}中的每个第一图像块进行清晰度评价，得到{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值，对于{I_S1(x，y)}中坐标位置为(i，j)的第一图像块I_{B1_n}(i，j)，将其对应的清晰度特征值记为F_{v1_n}(i，j)；

对{I_S2(x，y)}中的每个第二图像块进行清晰度评价，得到{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值，对于{I_S2(x，y)}中坐标位置为(i，j)的第二图像块I_{B2_n}(i，j)，将其对应的清晰度特征值记为F_{v2_n}(i，j)；

④确定{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值的第一判定阈值，记为T_{n_1}；然后根据{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值和第一判定阈值T_{n_1}，判断{I_S1(x，y)}中的每个第一图像块是否为模糊种子块，对于{I_S1(x，y)}中坐标位置为(i，j)的第一图像块I_{B1_n}(i，j)，判断I_{B1_n}(i，j)对应的清晰度特征值F_{v1_n}(i，j)是否小于第一判定阈值T_{n_1}，如果是，则判定I_{B1_n}(i，j)为模糊种子块，并将I_{B1_n}(i，j)中的各个像素点的标记设为1，否则，判定I_{B1_n}(i，j)为非模糊种子块，并将I_{B1_n}(i，j)中的各个像素点的标记设为0；再根据{I_S1(x，y)}中的每个第一图像块中的各个像素点的标记，计算{I_S1(x，y)}对应的清晰度标记图像，记为{I_{D1_n}(x，y)}，I_{D1_n}(x，y)＝I_{B1_n}(int(x/n)，int(y/n))，其中，I_{D1_n}(x，y)表示{I_{D1_n}(x，y)}中坐标位置为(x，y)的像素点的标记，int()为取整运算符；

确定{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值的第二判定阈值，记为T_{n_2}；然后根据{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值和第二判定阈值T_{n_2}，判断{I_S2(x，y)}中的每个第二图像块是否为模糊种子块，对于{I_S2(x，y)}中坐标位置为(i，j)的第二图像块I_{B2_n}(i，j)，判断I_{B2_n}(i，j)对应的清晰度特征值F_{v2_n}(i，j)是否小于第二判定阈值T_{n_2}，如果是，则判定I_{B2_n}(i，j)为模糊种子块，并将I_{B2_n}(i，j)中的各个像素点的标记设为1，否则，判定I_{B2_n}(i，j)为非模糊种子块，并将I_{B2_n}(i，j)中的各个像素点的标记设为0；再根据{I_S2(x，y)}中的每个第二图像块中的各个像素点的标记，计算{I_S2(x，y)}对应的清晰度标记图像，记为{I_{D2_n}(x，y)}，I_{D2_n}(x，y)＝I_{B2_n}(int(x/n)，int(y/n))，其中，I_{D2_n}(x，y)表示{I_{D2_n}(x，y)}中坐标位置为(x，y)的像素点的标记，int()为取整运算符；

⑤取n＝128、n＝64、n＝32、n＝16、n＝8，分别重复执行步骤③至步骤④，得到取n＝128时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_128}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_128}(x，y)}、取n＝64时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_64}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_64}(x，y)}、取n＝32时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_32}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_32}(x，y)}、取n＝16时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_16}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_16}(x，y)}、取n＝8时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_8}(x，y)}和{I_S2(x，y)}对应的清晰度标记图像{I_{D2_8}(x，y)}；

⑥根据{I_{D1_128}(x，y)}、{I_{D1_64}(x，y)}、{I_{D1_32}(x，y)}、{I_{D1_16}(x，y)}和{I_{D1_8}(x，y)}中标记为1的像素点，进行模糊区域生长得到{I_S1(x，y)}对应的区域生长图像，记为{I_G1(x，y)}，其中，I_G1(x，y)表示{I_G1(x，y)}中坐标位置为(x，y)的像素点的标记；

根据{I_{D2_128}(x，y)}、{I_{D2_64}(x，y)}、{I_{D2_32}(x，y)}、{I_{D2_16}(x，y)}和{I_{D2_8}(x，y)}中标记为1的像素点，进行模糊区域生长得到{I_S2(x，y)}对应的区域生长图像，记为{I_G2(x，y)}，其中，I_G2(x，y)表示{I_G2(x，y)}中坐标位置为(x，y)的像素点的标记；

⑦根据{I_S1(x，y)}对应的区域生长图像{I_G1(x，y)}和{I_S2(x，y)}对应的区域生长图像{I_G2(x，y)}，并结合{I_S1(x，y)}和{I_S2(x，y)}，融合得到最终的融合显微图像，记为{I_F(x，y)}，

其中，I_F(x，y)表示{I_F(x，y)}中坐标位置为(x，y)的像素点的灰度值， $C=\left\{\begin{array}{cc}{I}_{S1}(x,y)& {\mathrm{Cnt}}_1(x,y)<{\mathrm{Cnt}}_2(x,y)\\ I_{S2}(x,y)& {\mathrm{Cnt}}_1(x,y)>{\mathrm{Cnt}}_2(x,y)\\ \frac{I_{S2}(x,y)+I_{S2}(x,y)}{2}& {\mathrm{Cnt}}_1(x,y)={\mathrm{Cnt}}_2(x,y)\end{array}\right.,$ Cnt₁(x，y)表示{I_G1(x，y)}中坐标位置为(x，y)的像素点的8邻域中标记为1的像素点的个数，Cnt₂(x，y)表示{I_G2(x，y)}中坐标位置为(x，y)的像素点的8邻域中标记为1的像素点的个数。

2.根据权利要求1所述的一种基于区域生长的显微图像融合方法，其特征在于所述的步骤③中计算{I_S1(x，y)}中坐标位置为(i，j)的第一图像块I_{B1_n}(i，j)对应的清晰度特征值F_{v1_n}(i，j)的具体过程为：③-a1、采用改进的TenenGrad梯度函数，计算I_{B1_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，对于I_{B1_n}(i，j)中坐标位置为(x₁，y₁)的像素点，将其水平方向梯度和垂直方向梯度分别记为G_h1(x₁，y₁)和G_v1(x₁，y₁)，G_h1(x₁，y₁)＝(f₁(x₁-1，y₁-1)+2f₁(x₁，y₁-1)+f₁(x₁+1，y₁-1))-(f₁(x₁-1，y₁+1)+2f₁(x₁，y₁+1)+f₁(x₁+1，y₁+1))，G_v1(x₁，y₁)＝(f₁(x₁+1，y₁-1)+2f₁(x₁+1，y₁)+f₁(x₁+1，y₁+1))-(f₁(x₁-1，y₁-1)+2f₁(x₁-1，y₁)+f₁(x₁-1，y₁+1))，其中，0≤x₁≤n-1，0≤y₁≤n-1，f₁(x₁-1，y₁-1)表示I_{B1_n}(i，j)中坐标位置为(x₁-1，y₁-1)的像素点的灰度值，f₁(x₁，y₁-1)表示I_{B1_n}(i，j)中坐标位置为(x₁，y₁-1)的像素点的灰度值，f₁(x₁+1，y₁-1)表示I_{B1_n}(i，j)中坐标位置为(x₁+1，y₁-1)的像素点的灰度值，f₁(x₁-1，y₁+1)表示I_{B1_n}(i，j)中坐标位置为(x₁-1，y₁+1)的像素点的灰度值，f₁(x₁，y₁+1)表示I_{B1_n}(i，j)中坐标位置为(x₁，y₁+1)的像素点的灰度值，f₁(x₁+1，y₁+1)表示I_{B1_n}(i，j)中坐标位置为(x₁+1，y₁+1)的像素点的灰度值，f₁(x₁+1，y₁)表示I_{B1_n}(i，j)中坐标位置为(x₁+1，y₁)的像素点的灰度值，f₁(x₁-1，y₁)表示I_{B1_n}(i，j)中坐标位置为(x₁-1，y₁)的像素点的灰度值；③-a2、根据I_{B1_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，计算I_{B1_n}(i，j)对应的清晰度特征值F_{v1_n}(i，j)，

所述的步骤③中计算{I_S2(x，y)}中坐标位置为(i，j)的第二图像块I_{B2_n}(i，j)对应的清晰度特征值F_{v2_n}(i，j)的具体过程为：③-b1、采用改进的TenenGrad梯度函数，计算I_{B2_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，对于I_{B2_n}(i，j)中坐标位置为(x₁，y₁)的像素点，将其水平方向梯度和垂直方向梯度分别记为G_h2(x₁，y₁)和G_v2(x₁，y₁)，G_h2(x₁，y₁)＝(f₂(x₁-1，y₁-1)+2f₂(x₁，y₁-1)+f₂(x₁+1，y₁-1))-(f₂(x₁-1，y₁+1)+2f₂(x₁，y₁+1)+f₂(x₁+1，y₁+1))，G_v2(x₁，y₁)＝(f₂(x₁+1，y₁-1)+2f₂(x₁+1，y₁)+f₂(x₁+1，y₁+1))-(f₂(x₁-1，y₁-1)+2f₂(x₁-1，y₁)+f₂(x₁-1，y₁+1))，其中，0≤x₁≤n-1，0≤y₁≤n-1，f₂(x₁-1，y₁-1)表示I_{B2_n}(i，j)中坐标位置为(x₁-1，y₁-1)的像素点的灰度值，f₂(x₁，y₁-1)表示I_{B2_n}(i，j)中坐标位置为(x₁，y₁-1)的像素点的灰度值，f₂(x₁+1，y₁-1)表示I_{B2_n}(i，j)中坐标位置为(x₁+1，y₁-1)的像素点的灰度值，f₂(x₁-1，y₁+1)表示I_{B2_n}(i，j)中坐标位置为(x₁-1，y₁+1)的像素点的灰度值，f₂(x₁，y₁+1)表示I_{B2_n}(i，j)中坐标位置为(x₁，y₁+1)的像素点的灰度值，f₂(x₁+1，y₁+1)表示I_{B2_n}(i，j)中坐标位置为(x₁+1，y₁+1)的像素点的灰度值，f₂(x₁+1，y₁)表示I_{B2_n}(i，j)中坐标位置为(x₁+1，y₁)的像素点的灰度值，f₂(x₁-1，y₁)表示I_{B2_n}(i，j)中坐标位置为(x₁-1，y₁)的像素点的灰度值；③-a2、根据I_{B2_n}(i，j)中的每个像素点的水平方向梯度和垂直方向梯度，计算I_{B2_n}(i，j)对应的清晰度特征值F_{v2_n}(i，j)，

3.根据权利要求1或2所述的一种基于区域生长的显微图像融合方法，其特征在于所述的步骤④中确定{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值的第一判定阈值T_{n_1}的具体过程为：④-a1、对{I_S1(x，y)}中的每个第一图像块各自对应的清晰度特征值进行排序，找出最大的清晰度特征值和最小的清晰度特征值，分别记为F_{v1_n_MAX}和F_{v1_n_MIN}；④-a2、根据F_{v1_n_MAX}和F_{v1_n_MIN}计算第一判定阈值T_{n_1}，T_{n_1}＝F_{v1_n_MIN}+(F_{v1_n_MAX}-F_{v1_n_MIN})×w₁，其中，w₁为权重因子；

所述的步骤④中确定{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值的第二判定阈值T_{n_2}的具体过程为：④-b1、对{I_S2(x，y)}中的每个第二图像块各自对应的清晰度特征值进行排序，找出最大的清晰度特征值和最小的清晰度特征值，分别记为F_{v2_n_MAX}和F_{v2_n_MIN}；④-b2、根据F_{v2_n_MAX}和F_{v2_n_MIN}计算第二判定阈值T_{n_2}，T_{n_2}＝F_{v2_n_MIN}+(F_{v2_n_MAX}-F_{v2_n_MIN})×w₂，其中，w₂为权重因子。

4.根据权利要求3所述的一种基于区域生长的显微图像融合方法，其特征在于所述的步骤④-a2中0.4≤w₁≤0.6，所述的步骤④-b2中0.4≤w₂≤0.6。

5.根据权利要求4所述的一种基于区域生长的显微图像融合方法，其特征在于所述的步骤⑥中{I_S1(x，y)}对应的区域生长图像{I_G1(x，y)}的获取过程为：⑥-a1、将取n＝128时{I_S1(x，y)}对应的清晰度标记图像{I_{D1_128}(x，y)}作为起始种子图像；⑥-a2、考察{I_S1(x，y)}中的每个尺寸大小为n×n的模糊种子块相邻的8个尺寸大小为

的图像块，如果{I_S1(x，y)}中的尺寸大小为n×n的模糊种子块相邻的尺寸大小为的图像块中的各个像素点的标记均为1，则将起始种子图像中相同位置的尺寸大小为

的图像块中的各个像素点的标记设为1；⑥-a3、令

并返回执行步骤⑥-a2，直至n＝8，其中，中的“＝”为赋值符号；⑥-a4、当n＝8时，直接将起始种子图像中与{I_S1(x，y)}中的每个尺寸大小为8×8的模糊种子块相邻的8个尺寸大小为

的图像块相同位置的图像块中的各个像素点的标记设为1；然后令n＝4，并直接将起始种子图像中与{I_S1(x，y)}中的每个尺寸大小为4×4的模糊种子块相邻的8个尺寸大小为的图像块相同位置的图像块中的各个像素点的标记设为1；再令n＝2，并直接将起始种子图像中与{I_S1(x，y)}中的每个尺寸大小为2×2的模糊种子块相邻的8个像素点相同位置的像素点的标记设为1，得到{I_S1(x，y)}对应的区域生长图像{I_G1(x，y)}，{I_G1(x，y)}中标记为1的像素点为模糊像素点，{I_G1(x，y)}中标记为0的像素点为非模糊像素点；

所述的步骤⑥中{I_S2(x，y)}对应的区域生长图像{I_G2(x，y)}的获取过程为：⑥-b1、将取n＝128时{I_S2(x，y)}对应的清晰度标记图像{I_{D2_128}(x，y)}作为起始种子图像；⑥-b2、考察{I_S2(x，y)}中的每个尺寸大小为n×n的模糊种子块相邻的8个尺寸大小为的图像块，如果{I_S2(x，y)}中的尺寸大小为n×n的模糊种子块相邻的尺寸大小为

的图像块中的各个像素点的标记均为1，则将起始种子图像中相同位置的尺寸大小为

的图像块中的各个像素点的标记设为1；⑥-b3、令

并返回执行步骤⑥-a2，直至n＝8，其中，

中的“＝”为赋值符号；⑥-b4、当n＝8时，直接将起始种子图像中与{I_S2(x，y)}中的每个尺寸大小为8×8的模糊种子块相邻的8个尺寸大小为

的图像块相同位置的图像块中的各个像素点的标记设为1；然后令n＝4，并直接将起始种子图像中与{I_S2(x，y)}中的每个尺寸大小为4×4的模糊种子块相邻的8个尺寸大小为

的图像块相同位置的图像块中的各个像素点的标记设为1；再令n＝2，并直接将起始种子图像中与{I_S2(x，y)}中的每个尺寸大小为2×2的模糊种子块相邻的8个像素点相同位置的像素点的标记设为1，得到{I_S2(x，y)}对应的区域生长图像{I_G2(x，y)}，{I_G2(x，y)}中标记为1的像素点为模糊像素点，{I_G2(x，y)}中标记为0的像素点为非模糊像素点。

Images