CN103955910A - 一种基于双边图像梯度尖锐度量的多聚焦图像融合方法 - Google Patents

Abstract

本发明涉及一种基于双边图像梯度尖锐度量的多聚焦图像融合方法。首先对具有不同聚焦参数的源图像进行分块，然后对于每个图像块，从图像梯度的幅度和相位一致性两个方面衡量图像局部的尖锐程度，进行自适应加权平均的图像融合。本发明提高了传统的图像梯度信息提取算法的鲁棒性，获得了更精确的图像尖锐程度的度量，有效地提高融合图像的质量和清晰度，可以用于各种多聚焦图像融合系统。

Description

一种基于双边图像梯度尖锐度量的多聚焦图像融合方法

技术领域

本发明涉及一种基于双边图像梯度尖锐度量的多聚焦图像融合方法，属于图像融合领域，可以用于各种多聚焦图像融合系统。

背景技术

利用同一光学传感器在对同一场景成像时,由于景深的限制,较难使得同一幅图像中的所有目标都聚焦清晰。针对这一问题，多聚焦图像融合方法可以利用聚焦不同形成的多个图像，通过软件算法，得到清晰图像。由于图像的梯度信息能够反映图像内容的尖锐程度，因此基于图像梯度信息是一种常用的图像融合算法。现有的图像梯度信息的度量仅仅考虑了单一的梯度的幅度或者相位信息，不能有效地衡量图像的尖锐程度，影响融合图像的质量和清晰度。

发明内容

为了避免现有技术的不足，本发明提出一种基于双边图像梯度尖锐度量的多聚焦图像融合方法。本发明的基本思想在于首先对具有不同聚焦参数的源图像进行分块，然后对于每个图像块，从图像梯度的幅度和相位一致性两个方面衡量图像局部的尖锐程度，进行自适应加权平均的图像融合。

一种基于双边图像梯度尖锐度量的多聚焦图像融合方法，具体步骤为：

1.对两幅聚焦不同的源图像进行分块处理，将原图像划分为5×5的图像块；

2.对图像每一个块，从图像梯度的幅度和相位一致性两个方面衡量其尖锐程度；

3.通过将图像局部尖锐程度作为权值，实现自适应加权平均的方法进行图像融合。

步骤1中对图像分块处理的方法具体参数为将原图像划分为5×5的图像块。

步骤2中梯度幅值估计的具体步骤为：

1)对每一个图像块计算梯度方差矩阵

$C=\left(\begin{array}{cc}\underset{W}{\mathrm{\Σ}}{I}_r^2(r,c)& \underset{W}{\mathrm{\Σ}}{I}_r(r,c)I_c(r,c)\\ \underset{W}{\mathrm{\Σ}}{I}_r(r,c)I_c(r,c)& \underset{W}{\mathrm{\Σ}}{I}_c^2(r,c)\end{array}\right)---\left(1\right)$

其中I_r(r,c)和I_c(r,c)分别表示图像在(r,c)位置上沿着行和列两个方向的梯度；

2)分解梯度方差矩阵得到

$C={\mathrm{VDV}}^T=\left(\begin{array}{cc}{V}_1& V_2\end{array}\right)\left(\begin{array}{cc}{\mathrm{\λ}}_1& 0\\ 0& {\mathrm{\λ}}_2\end{array}\right)\left(\begin{array}{c}{V_1}^T\\ {V_2}^T\end{array}\right)---\left(2\right)$

其中V是由特征向量V₁和V₂组成的2×2的矩阵，λ₁和λ₂是相应的特征值；

3)求得图像梯度的幅度估计为

A(r,c)＝λ₁-λ₂。    (3)

步骤2中，图像梯度的相位一致性衡量的计算法方法为：对每一个图像块计算梯度的相位一致性的估计值表示为

$P(r,c)=\cos (\mathrm{\θ}(r,c)-\stackrel{\‾}{\mathrm{\θ}}(r,c))---\left(4\right)$

其中θ(r,c)和分别为图像梯度在(r,c)位置上的相位以及邻域相位的均值。

步骤2中，所述的图像的尖锐程度衡量方法为综合考虑图像块的梯度幅值信息和相位一致性信息，具体的图像的尖锐程度估计公式表示为

S(r,c)＝A(r,c)P(r,c)。    (5)

步骤(3)中，利用自适应加权平均的方法进行图像融合的方法为：对于具有不同聚焦参数的源图像I_n，通过如下方法得到融合后的图像f：

$f(r,c)=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{S}_n(r,c)I_n(r,c)}{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{S}_n(r,c)}---\left(6\right)$

其中对于原图像I_n，n∈[1,N]。

附图说明

图1.本发明方法的基本流程图。

图2.使用本发明方法完成多聚焦图像融合的例子

(a)源图像一

(b)源图像二

(c)使用拉普拉斯算子的多聚焦图像融合方法的图像融合结果

(d)使用加权中值滤波的多聚焦图像融合方法的图像融合结果

(e)使用图像梯度相位的多聚焦图像融合方法的图像融合结果

(f)本发明方法的图像融合结果

具体实施方式

下面结合附图对本发明所述技术方案的实施方式作进一步的详细描述。

1.如图1所示，对两幅聚焦不同的源图像进行分块处理，将原图像划分为5×5的图像块；

2.对图像每一个块，从图像梯度的幅度和相位一致性两个方面衡量其尖锐程度；

3.通过将图像局部尖锐程度作为权值，实现自适应加权平均的方法进行图像融合。

步骤1中对图像分块处理的方法具体参数为将原图像划分为5×5的图像块。

步骤2中梯度幅值估计的具体步骤为：

2)对每一个图像块计算梯度方差矩阵

$C=\left(\begin{array}{cc}\underset{W}{\mathrm{\Σ}}{I}_r^2(r,c)& \underset{W}{\mathrm{\Σ}}{I}_r(r,c)I_c(r,c)\\ \underset{W}{\mathrm{\Σ}}{I}_r(r,c)I_c(r,c)& \underset{W}{\mathrm{\Σ}}{I}_c^2(r,c)\end{array}\right)---\left(7\right)$

其中I_r(r,c)和I_c(r,c)分别表示图像在(r,c)位置上沿着行和列两个方向的梯度；

2)分解梯度方差矩阵得到

$C={\mathrm{VDV}}^T=\left(\begin{array}{cc}{V}_1& V_2\end{array}\right)\left(\begin{array}{cc}{\mathrm{\λ}}_1& 0\\ 0& {\mathrm{\λ}}_2\end{array}\right)\left(\begin{array}{c}{V_1}^T\\ {V_2}^T\end{array}\right)---\left(8\right)$

其中V是由特征向量V₁和V₂组成的2×2的矩阵，λ₁和λ₂是相应的特征值；

3)求得图像梯度的幅度估计为

A(r,c)＝λ₁-λ₂。    (9)

步骤2中，图像梯度的相位一致性衡量的计算法方法为：对每一个图像块计算梯度的相位一致性的估计值表示为

$P(r,c)=\cos (\mathrm{\θ}(r,c)-\stackrel{\‾}{\mathrm{\θ}}(r,c))---\left(10\right)$

其中θ(r,c)和分别为图像梯度在(r,c)位置上的相位以及邻域相位的均值。

步骤2中，所述的图像的尖锐程度衡量方法为综合考虑图像块的梯度幅值信息和相位一致性信息，具体的图像的尖锐程度估计公式表示为

S(r,c)＝A(r,c)P(r,c)。    (11)

步骤(3)中，利用自适应加权平均的方法进行图像融合的方法为：对于具有不同聚焦参数的源图像I_n，通过如下方法得到融合后的图像f：

$f(r,c)=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{S}_n(r,c)I_n(r,c)}{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{S}_n(r,c)}---\left(12\right)$

其中对于原图像I_n，n∈[1,N]。

将本发明方法与拉普拉斯算子的多聚焦图像融合方法、加权中值滤波的多聚焦图像融合方、图像梯度相位的多聚焦图像融合方法进行互信息量性能比较，结果如表1所示，其中图像互信息量越大，表明融合图像的质量高。结果图如图2所示，图2(a)(b)为两幅原图，图2(c～f)分别为多聚焦图像融合方法、加权中值滤波的多聚焦图像融合方、图像梯度相位的多聚焦图像融合方法与本专利方法结果图，可以看出本专利的结果要由于其他三种方法的结果。

表1.四种多聚焦图像融合方法的互信息量性能比较。

综上所述，本发明提高了传统的图像梯度信息提取算法的鲁棒性，获得了更精确的图像尖锐程度的度量，有效地提高融合图像的质量和清晰度，可以用于各种多聚焦图像融合系统。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管按照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上描述了本发明的基本原理和主要特征以及本发明的优点。本行业技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (6)

1.一种基于双边图像梯度尖锐度量的多聚焦图像融合方法，其特征在于具体步骤为：

(1)对两幅聚焦不同的源图像进行分块处理；

(2)对图像每一个块，从图像梯度的幅度和相位一致性两个方面衡量其尖锐程度；

(3)通过将图像局部尖锐程度作为权值，实现自适应加权平均的方法进行图像融合。

2.根据权利要求1所述的基于双边图像梯度尖锐度量的多聚焦图像融合方法，其特征在于步骤(1)中，对图像分块处理的具体方法为将原图像划分为5×5的图像块。

3.根据权利要求1所述的基于双边图像梯度尖锐度量的多聚焦图像融合方法，其特征在于步骤(2)中，梯度幅值估计的具体步骤为：

1)对每一个图像块计算梯度方差矩阵

$C=\left(\begin{array}{cc}\underset{W}{\mathrm{\Σ}}{I}_r^2(r,c)& \underset{W}{\mathrm{\Σ}}{I}_r(r,c)I_c(r,c)\\ \underset{W}{\mathrm{\Σ}}{I}_r(r,c)I_c(r,c)& \underset{W}{\mathrm{\Σ}}{I}_c^2(r,c)\end{array}\right)---\left(1\right)$

其中I_r(r,c)和I_c(r,c)分别表示图像在(r,c)位置上沿着行和列两个方向的梯度；

2)分解梯度方差矩阵得到

$C={\mathrm{VDV}}^T=\left(\begin{array}{cc}{V}_1& V_2\end{array}\right)\left(\begin{array}{cc}{\mathrm{\λ}}_1& 0\\ 0& {\mathrm{\λ}}_2\end{array}\right)\left(\begin{array}{c}{V_1}^T\\ {V_2}^T\end{array}\right)---\left(2\right)$

其中V是由特征向量V₁和V₂组成的2×2的矩阵，λ₁和λ₂是相应的特征值；

3)求得图像梯度的幅度为

A(r,c)＝λ₁-λ₂。    (3)

4.根据权利要求1所述的基于双边图像梯度尖锐度量的多聚焦图像融合方法，其特征在于步骤(2)中，图像梯度的相位一致性衡量的估计方法为：对每一个图像块计算梯度的相位一致性，表示为

$P(r,c)=\cos (\mathrm{\θ}(r,c)-\stackrel{\‾}{\mathrm{\θ}}(r,c))---\left(4\right)$

其中θ(r,c)和分别为图像梯度在(r,c)位置上的相位以及邻域相位的均值。

5.根据权利要求1所述的基于双边图像梯度尖锐度量的多聚焦图像融合方法，其特征在于步骤(2)中，所述的图像的尖锐程度衡量方法为综合考虑图像块的梯度幅值信息和相位一致性信息，具体的图像的尖锐程度估计公式表示为

S(r,c)＝A(r,c)P(r,c)。    (5)

6.根据权利要求1所述的基于双边图像梯度尖锐度量的多聚焦图像融合方法，其特征在于步骤(3)中，利用自适应加权平均的方法进行图像融合的方法为：对于具有不同聚焦参数的源图像I_n，通过如下方法得到融合后的图像f：

$f(r,c)=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{S}_n(r,c)I_n(r,c)}{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{S}_n(r,c)}---\left(6\right)$

其中对于原图像I_n，n∈[1,N]。