CN116542888A - 一种多聚焦彩色图像获取方法及产品 - Google Patents
一种多聚焦彩色图像获取方法及产品 Download PDFInfo
- Publication number
- CN116542888A CN116542888A CN202310465641.3A CN202310465641A CN116542888A CN 116542888 A CN116542888 A CN 116542888A CN 202310465641 A CN202310465641 A CN 202310465641A CN 116542888 A CN116542888 A CN 116542888A
- Authority
- CN
- China
- Prior art keywords
- image
- image data
- data
- focus
- focus color
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 66
- 238000007499 fusion processing Methods 0.000 claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims description 29
- 101000972485 Homo sapiens Lupus La protein Proteins 0.000 claims description 18
- 102100022742 Lupus La protein Human genes 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 229910003460 diamond Inorganic materials 0.000 claims description 14
- 239000010432 diamond Substances 0.000 claims description 14
- 241001334134 Rugopharynx epsilon Species 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000003313 weakening effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 19
- 238000001514 detection method Methods 0.000 abstract description 17
- 238000013473 artificial intelligence Methods 0.000 abstract description 15
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 239000000047 product Substances 0.000 abstract 1
- 239000013589 supplement Substances 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种多聚焦彩色图像获取方法及产品,属于图像处理、机器视觉以及人工智能等领域。本发明通过对多幅单聚焦彩色图像进行图像信息特征分解以及图像信息特征融合处理,解决了由于采集设备镜头景深、采集元件功能等的限制而使所捕获图像的聚焦区域的图像细节清晰、非聚焦区域的图像模糊的问题,以及现有多聚焦图像获取技术主要针对灰度图像且存在效果不理想、图像细节不够清晰等的问题,是对多聚焦图像获取技术的补充。基于多幅单聚焦彩色图像的三维数据直接进行图像处理获取全聚焦彩色图像,有效保留了所有源图像的清晰图像特征,图像信息量大,在图像处理、机器视觉、目标的检测、分析和识别以及人工智能等领域具有很好的应用价值。
Description
技术领域
本发明涉及图像处理、图像信息融合、机器视觉以及人工智能等技术领域,具体涉及一种多聚焦彩色图像获取方法及产品。
背景技术
在当今时代,各式各样的信息种类众多,对相关信息的融合处理已经成为目前的研究热点。图像作为一种特殊的信息,其图像融合技术是信息融合技术领域的重要分支。所述的图像融合,是将采集到的多幅图像借助图像处理、图像编辑等技术来提取其中感兴趣的多种图像信息并将之进行融合处理得到高质量图像的系列技术。本发明属于多聚焦图像融合范畴,多聚焦图像融合又是图像融合技术的重要分支,其中多聚焦彩色图像融合是对多幅单聚焦彩色图像的图像信息进行直接融合处理,获得同时含有所述多幅单聚焦彩色图像的图像特征的多聚焦或全聚焦彩色图像。
在对外界景物信息进行采集时,由于采集设备镜头景深、采集元件功能等的限制,致使其无法同时聚焦视野内的所有感兴趣目标,所捕获的图像的聚焦区域的图像细节清晰、非聚焦区域的图像存在部分区域模糊,严重影响了图像的整体质量,限制了其在场景监控、目标检测、目标识别以及人工智能等领域的实际应用。所述的多聚焦图像融合技术,能够将多幅聚焦区域或聚焦位置不同的、聚焦区域的图像信息丰富而其他区域的图像信息有欠缺的单聚焦图像融合处理为一幅多聚焦图像,其特点是它含有多幅单聚焦图像的所有感兴趣信息并且其图像内的所有感兴趣目标区域的图像信息均丰富、图像细节清晰。由于该图像所含有的图像信息量大、图像的整体质量也非常高,将之用于场景目标分析、目标检测以及人工智能等的应用能够大幅度地提高图像处理系统的探测、识别的可靠性以及图像信息处理的效率,也非常有利于人眼的感知识别以及图像信息的分析、传递、处理等。目前,对多聚焦图像的应用需求非常广泛,其在图像检测、目标分析、目标检测、人工智能等领域具有广泛的应用潜力。例如:在医学领域,可以将不同聚焦或焦距下捕获的病毒细胞图像融合在一起获得多聚焦图像,用之帮助医生进行快速、准确的疾病诊断。在数码摄像领域,可以将聚焦区域或位置不同的多幅图像进行特定的融合处理来获得高质量的多聚焦图像,由于它含有增强的空间分辨率和场景信息等,从而使之能够用于地形的侦测、土地资源的调查和分析等。在军事领域,科学技术的快速发展使得现代的战争已经演变为信息化技术的战争,将不同传感器捕获的图像信息进行融合处理获得一幅多聚焦图像并将之用于基于图像内容的信息分析、目标检测和识别等,能够极大地提高对战场战况的分析、判断以及目标侦测、追踪的能力。在日常生活中,人们可以将拍摄的一组聚焦位置不同的图像进行融合处理获得一幅多聚焦图像,该图像内的每个景物、每个目标都很清晰,图像每个区域的细节均丰富细腻,从而满足了人们所期望的“图像任意位置或区域均为高质量,图像内的所有信息均丰富细腻且清晰”的图像质量的需求。此外,将聚焦位置不同的多幅图像进行融合处理获得含有丰富图像信息的多聚焦图像,这更能够满足情报收集、身份鉴定、图像内容分析和检测以及识别等国家层面的实际需求。
目前,国内外对多聚焦图像获取或融合的技术需求非常迫切,相关技术的市场应用潜力巨大。从技术上讲,有关多聚焦图像获取或融合的方法可以分为三个级别:基于像素级的、基于特征级的和基于决策级的,而其中的基于像素级的则是最常用的多聚焦图像获取方法,它又分为三类:基于空间域的方法、基于变换域的方法和基于深度学习的方法。基于空间域的方法是将图像分成一定大小的图像块,然后通过判别或计算来区分所有源图像的清晰区域和模糊区域,最后将源图像的所有清晰区域组合成一幅多聚焦图像;基于变换域的方法通常是利用某种变换将源图像转变为特定的子图像,然后利用特定的图像数据融合规则得到融合图像,最后通过逆变换生成多聚焦图像;基于深度学习的方法主要是先构建特定的神经网络,然后进行训练获得网络模型,最后利用网络模型获得最终的多聚焦图像。上述方法的关键在于如何构建多聚焦图像的生成方案。由于相关领域的应用需求以及灰度图像在运算上的优势等,到目前为止,国内外学者的多聚焦图像获取技术的研究大多还是针对灰度图像进行的,目前也已经取得了较好的进展,但仍存在诸多问题需要解决,主要表现在:①相关研究主要是利用图像的局部和邻域特征进行的,对图像的配准非常敏感;②所涉及的图像处理非常耗时、效率低;③获得的多聚焦图像中被引入了不可预知的、源图像所没有的人为干扰信息;④获得的图像存在不期望的块效应干扰;⑤获得的图像存在边界生硬现象;⑥获得的图像的细节不够清晰、处理效果不理想,对源图像的清晰信息存在部分丢失以及失真等。现有大部分的多聚焦彩色图像获取方法,虽然输入的是多幅单聚焦彩色图像,部分在进行处理时仍需先将之转化为灰度图像,然后基于灰度图像数据进行图像融合处理,最终得到的也是灰度图像;或者将彩色图像中某一通道提取出来进行变换分解得到分解系数,一般为亮度通道,再通过融合准则进行融合。由于彩色图像存在多通道以及多通道融合的特征,图像数据多而复杂,对彩色图像的多通道信息直接进行融合处理非常复杂,目前尚未见利用彩色图像的多通道数据直接进行多聚焦彩色图像获取或融合的技术报道。灰度图像只能用灰度数据来表示不同的图像信息,融合处理后的图像无法做到即保留各幅源图像的有用灰度信息又含有各个信息的颜色特征以及信息来源,而彩色图像却可以将不同的亮度和色彩组合起来表示不同的信息。人眼在灰度图像中只能同时区分由黑到白的十多种到二十多种不同的灰度级别,而人眼对彩色的分辨能力则可达到几百种甚至上千种,相对于灰度图像而言,人眼可以更快、更准确地识别出经过彩色编码所表达的信息。此外,彩色图像随处可见,彩色图像有灰度图像无法比拟的可视性和更丰富的信息量,在图像处理、机器视觉、人工智能等诸多领域能够发挥更大的作用,尤其是在生物、医学、机器视觉领域。人们可以利用采集设备比如手机、相机等根据感知意图选择场景内的特定目标作为图像采集聚焦点得到具有不同视觉关注点的系列彩色图像,该图像的不同区域通常具有不同的清晰特性,然后对所获得的系列彩色图像进行多聚焦图像融合处理得到所期望的、场景内所有目标均清晰的多聚焦图像。因此,无论是在微观还是宏观上,无论是对于人类视觉系统还是机器视觉系统,对不同聚焦的系列彩色图像进行融合处理获得具有场景内景物全聚焦特性的多聚焦彩色图像的研究十分必要,也十分迫切,其在图像处理、机器视觉、图像融合、图像分析、目标检测和跟踪以及识别等领域具有广泛的理论意义和应用价值。
为了解决由于现有采集设备的镜头景深、采集元件功能等的限制或不足而使之在图像采集时无法同时聚焦其视野内的所有景物目标,致使所采集图像的聚焦区域的图像细节清晰、非聚焦区域存在部分区域图像模糊,严重影响了所采集图像的整体质量,限制了其在场景监控、目标检测、目标识别以及人工智能等领域实际应用的问题,以及现有的多聚焦图像获取技术主要针对灰度图像进行且存在对不同聚焦图像的融合处理效果不理想比如引入了干扰信息、图像块效应、图像边界生硬以及信息丢失和失真等、融合生成图像的细节不够清晰等的问题,本发明提供了一种多聚焦彩色图像获取的方法及产品,它不仅能够解决上述诸多问题,还能够基于多幅单聚焦彩色图像的多通道数据直接进行多聚焦彩色图像的获取或融合得到多聚焦彩色图像。本发明提出通过对多幅单聚焦彩色图像进行图像信息特征分解处理以及图像特征融合处理来获得最终的多聚焦彩色图像,它同时含有所述多幅单聚焦彩色图像的所有图像特征且图像细节清晰;本发明所述的图像信息特征分解处理和图像特征融合处理,是直接对所述单聚焦彩色图像的三维数据执行的,不需要将彩色图像数据转化为灰度图像数据,从而能够高效、快速的进行图像信息分解和融合处理,这是不同于以往的任何一种多聚焦图像获取或融合方法的,为多聚焦图像的获取或融合提供了新的支撑。本发明首先对所述单聚焦彩色图像的三维图像数据进行图像特征分解,将之直接分解为清晰图像特征三维数据和模糊图像特征三维数据,然后对所有的清晰图像特征三维数据进行数据融合处理并将之与所有的源图像数据进行数据融合处理,得到同时含有多幅单聚焦彩色图像所有图像信息特征的三维图像数据,称之为多聚焦彩色图像,其特点是它所含有的多幅单聚焦彩色图像的所有清晰图像特征均非常明显、突出,有效解决了上述所描述的诸多问题,是对现有的多聚焦图像获取或融合的理论和技术的补充。本发明是基于多幅单聚焦彩色图像的多通道数据,直接进行多聚焦图像的获取或融合的,所获得的是多聚焦或全聚焦彩色图像,保留了所有源图像的聚焦区域的清晰图像信息特征,图像的信息量大,在图像处理、机器视觉、图像融合、目标检测、目标分析和识别以及人工智能等领域具有很好的应用潜力和价值。
发明内容
本发明的目的是为了克服现有的图像采集设备的镜头景深、采集元件功能等的限制或不足而使之在采集图像时无法同时聚焦其视野内的所有景物目标,致使所采集图像的聚焦区域的图像细节清晰、非聚焦区域存在部分区域图像模糊,严重影响了所采集图像的整体质量,限制了其在场景监控、目标检测、目标识别以及人工智能等领域的实际应用的问题,以及现有的多聚焦图像获取技术主要针对灰度图像进行且存在对不同聚焦图像的融合处理效果不理想、所生成的图像的细节不够清晰等诸多问题,而提出了一种多聚焦彩色图像获取方法及产品。该方法能够解决上述存在的诸多问题,是直接基于多幅单聚焦彩色图像的多通道三维数据直接进行多聚焦彩色图像的获取或融合的,最终获得的是一幅多聚焦或全聚焦彩色图像,本发明是对现有的多聚焦图像获取或融合的理论和技术的补充。
为了实现上述目的,本发明提供了一种技术方案,一种多聚焦彩色图像获取方法及产品,其特征在于,所述的多聚焦彩色图像是通过对多幅单聚焦彩色图像进行图像信息特征分解处理以及图像特征融合处理得到的,其特点是它同时含有所述的多幅单聚焦彩色图像的所有图像特征。所述的图像信息特征分解处理,是对所述单聚焦彩色图像的三维图像数据XX进行图像特征分解,将之直接分解为清晰图像特征三维数据SS和模糊图像特征三维数据LL。所述的图像特征融合处理,是对所述的多幅单聚焦彩色图像的清晰图像特征三维数据进行图像数据融合处理,以及将之与所述多幅单聚焦彩色图像的源图像数据进行数据融合处理,最终得到同时含有多幅单聚焦彩色图像所有图像信息的三维图像数据,其特点是它所含有的多幅单聚焦彩色图像的所有清晰图像特征均非常明显、突出。所述的图像信息特征分解处理是通过下列操作来实现的:
操作1:将输入的单聚焦彩色图像的图像数据XX进行颜色空间变换处理,所述的颜色空间变换处理用符号TC表示,所获得的三维图像数据为XTC=TC(XX),XTC(x,y,z)∈[0.0,1.0],x、y、z是图像数据的位置坐标,图像数据的尺寸为n1×n2×n3,n3=3;
操作2:令Δmax为图像信息特征分解所允许的最大误差值,1/μ是从源图像数据逐步削弱其图像清晰特征的数据递减值,ε是大于等于1.0的实数,λ是小于1.0的实数,设置L=0、S=0、Y=0;
操作3:令Lk=L、Sk=S以及LYY=XTC-S-Y/μ,并对图像数据LYY在z方向上进行变换域处理,所述的“变换域处理”用符号TR表示,得到图像数据LYY的频率域图像数据YY=TR(LYY)={YY(x,y,z),x、y、z是图像数据的位置坐标,x∈[1,n1],y∈[1,n2],z∈[1,n3]};
操作4:根据操作3获得的图像数据YY,对其xy平面上的n3个二维矩阵图像数据YY(z),z∈[1,n3],进行奇异值分解处理,得到YY(z)=Uz×Sz×Vz*,z∈[1,n3],其中的Uz、Vz分别是n1×n1阶和n2×n2阶的特征向量矩阵,Sz是n1×n2阶的奇异值对角矩阵,“*”为矩阵的转置;然后利用关系式
得到图像数据YY的模糊图像特征三维数据其中的/>为图像数据/>的奇异值对角矩阵,含义是筛选大于1/μ的矩阵Sz的奇异值并将之减去1/μ作为矩阵/>的对角元素,用于进行奇异值的截断。/>是矩阵Sz的大于1/μ的奇异值所对应的特征向量矩阵,截断后的奇异值和对应的特征向量被用于重构原始矩阵Y,这个过程可以看成是对Y进行低秩近似;再对获得的图像数据/>进行操作3所述TR的逆变换域处理,所述的逆变换域处理用符号ITR表示,得到操作3所述图像数据LYY的模糊图像特征三维数据 最后得到使关系式0.0008817δ4-0.01716δ3+0.07945δ2+0.02997δ-0.3239=λ/μ成立且大于0的δ值,并利用关系式
获得图像数据LYY的清晰图像特征三维数据S,其中的Ψ1=XTC-L+(Y+1.5λ)/μ、Ψ2=XTC-L+(Y-1.5λ)/μ;
操作5:根据操作4获得的图像数据L、图像数据S,计算所述图像信息特征分解的图像数据误差值ΔY=L+S-XTC、ΔL=max(abs(Lk-L))、ΔS=max(abs(Sk-S))以及最大误差值Δ=max(ΔL,ΔS,max(ΔY)),其中的“abs”表示取绝对值;并设置Y=Y+μ·ΔY和μ=μ·ε;
操作6:根据操作5获得的误差数据Δ,判断Δ是否小于Δmax;若Δ≥Δmax,则重复操作3、操作4和操作5;若Δ<Δmax,则操作4获得的图像数据S、图像数据L即为对操作1所述图像数据XTC进行图像特征信息分解而最终获得的清晰图像特征数据SM和模糊图像特征数据LM;然后对图像数据SM和LM进行操作1所述TC的逆变换处理,所述的逆变换处理用符号ITC表示,最终得到对操作1所述图像数据XX进行图像信息特征分解而最终得到的清晰图像特征数据SS=ITC(SM)和模糊图像特征数据LL=ITC(LM)。
所述的一种多聚焦彩色图像获取方法,包括如下步骤:
步骤1:输入K幅单聚焦彩色图像,K为大于1的整数,其三维图像数据为XXJ,J∈[1,K]为整数,图像数据的尺寸小为n1×n2×n3,n3=3,然后将之作为所述图像信息特征分解处理的输入,获得图像数据XXJ的清晰图像特征数据SSJ,J∈[1,K];
步骤2:利用关系式
获得含有步骤1所述K幅单聚焦彩色图像的清晰图像特征的图像数据SSSS,其中的αJ为大于0的实数且∑αJ=1.0,是用来调整图像数据SSJ相对强弱的权重系数,影响着第J幅单聚焦彩色图像的清晰图像特征的清晰程度;
步骤3:构建由0和1组成的、大小为M1B1×M2B1的结构元素滤波器B1,然后利用关系式对步骤2所述图像数据SSSS进行分通道滤波处理,获得图像数据SSSS的亮特征优化图像数据SSSS-L,“Θ”为形态学腐蚀操作,/>为形态学膨胀操作;
步骤4:构建由0和1构成的、大小为M1B2×M2B2的结构元素滤波器B2,然后利用关系式对步骤2获得的图像数据SSSS进行分通道滤波处理,获得图像数据SSSS的暗特征优化图像数据SSSS-B;
步骤5:根据步骤1所述图像数据XXJ,J∈[1,K],以及步骤3和步骤4获得的图像数据SSSS-L、图像数据SSSS-B,对之进行所述的图像特征融合处理,得到最终的多聚焦彩色图像融合数据XXK-SS,它同时含有所述K幅单聚焦彩色图像的所有图像特征;所述的图像特征融合处理,是通过关系式
实现的,其中的ωJ为大于0的实数且∑ωJ=1.0,是调整图像数据XXK-SS视觉效果的权重系数;β为大于1.0的实数,是调整图像数据XXK-SS图像特征清晰程度的权重系数;γ为大于1.0的实数,是调整图像数据XXK-SS整体对比度的权重系数。
进一步的,操作1所述的颜色空间变换处理,为R(红)G(绿)B(蓝)、H(色调)S(饱和度)V(亮度)、Y(亮度)Cb(蓝色分量)Cr(红色分量)、L(亮度)a(红-绿)b(黄-蓝)、H(色相)I(亮度)S(饱和度)颜色空间变换;操作3所述的变换域处理,为离散傅里叶变换(DFT)、离散余弦变换(DCT)。
进一步的,步骤3所述的滤波器B1的形状为矩形(“rectangle”,M1B1∈[3,10],M2B1∈[3,10])、圆盘形(“disk”,半径为r∈[2,6],M1B1=M2B1=2r+1)、方形(“square”,M1B1=M2B1∈[3,10])、八边形(“octagon”,半径为r∈[2,6],M1B1=M2B1=2r+1)、钻石形(“diamond”,半径为r∈[2,6],M1B1=M2B1=2r+1);步骤4所述的滤波器B2的形状为矩形(“rectangle”,M1B2∈[3,10],M2B2∈[3,10])、圆盘形(“disk”,半径为r∈[2,6],M1B2=M2B2=2r+1)、方形(“square”,M1B2=M2B1∈[3,10])、八边形(“octagon”,半径为r∈[2,6],M1B2=M2B2=2r+1)、钻石形(“diamond”,半径为r∈[2,6],M1B2=M2B2=2r+1)。
进一步的,步骤1所述的K∈[2,108];操作2所述的Δmax∈[10-8,10-5]、μ∈[10-5,10-1]、ε∈[1.0,1.5];步骤2所述的αJ=1/K,J∈[1,K];步骤5所述的ωJ=1/K,J∈[1,K];步骤5所述的β∈[1.0,1/max(SSSS-L)]、γ∈[1.0,1/max(SSSS-B)]。
进一步的,步骤1所述的K=2;操作2所述的μ=0.02、ε=1.1;步骤5所述的β∈[1,5]、γ∈[1,5]。
进一步的,操作6所述的图像数据SS、图像数据LL,分别含有操作1所述图像数据XX的全部清晰图像特征和全部模糊图像特征;步骤2所述的图像数据SSSS,仅含有步骤1所述K幅单聚焦彩色图像的聚焦清晰的图像特征;步骤5所述的图像数据XXK-SS,是含有步骤1所述K幅单聚焦彩色图像所有图像信息的三维图像数据,其特点是它所含有的K幅单聚焦彩色图像的清晰图像特征均非常明显、突出。
本发明所述的一种多聚焦彩色图像产品,包括根据上述技术方案获取的多聚焦彩色图像。
本发明提供的一种多聚焦彩色图像获取方法及产品,还具有以下特点:
1.随着科技的发展,人们对于信息量和信息质量的要求越来越高,灰度图像无法满足人们的需求,彩色图像成为研究的热点。本发明能够满足人们对信息的高品质要求,实现对彩色图像信息的高质量提取,对多幅单聚焦彩色图像直接进行图像信息的分解处理以及清晰图像特征图像数据的融合处理,获得同时含有多幅单聚焦彩色图像特征的全聚焦彩色图像或多聚焦彩色图像,该图像的图像信息量大、图像细节清晰,在图像处理、机器视觉、目标检测、识别以及人工智能等领域具有很高的应用价值和潜力。
2.本发明提供了一种多聚焦彩色图像获取的方法及产品,能够解决灰度图像不能提供良好可视化和丰富信息量的问题。通过对多幅单聚焦彩色图像直接进行图像特征的分解处理,获得图像的清晰特征图像三维数据和模糊特征图像三维数据。与现有的多聚焦图像获取技术不同,本发明的图像信息特征分解处理不需要将彩色图像转化成灰度图像,节省时间,能够快速高效的进行图像特征处理,所获得的图像质量高、信息量大、图像特征齐全,图像内容丰富且细节清晰,满足了人们对彩色图像信息的高品质要求。
3.本发明将多幅单聚焦彩色图像的清晰图像特征,融合到一幅多聚焦彩色图像中,该图像含有所述多幅单聚焦彩色图像的所有清晰图像特征以及其他特征,图像的整体质量高、信息量大、图像细节清晰,在图像处理、机器视觉、目标检测、识别以及人工智能等领域具有很好的应用潜力和价值。
4.本发明能够解决由于现有采集设备镜头景深、采集元件功能等的限制或不足而使之在采在集图像时无法同时聚焦其视野内的所有景物目标,致使所采集图像的聚焦区域的图像细节清晰、非聚焦区域存在部分区域图像模糊,严重影响了所采集图像的整体质量,限制了其在场景监控、目标检测、目标识别以及人工智能等领域的问题。
5.本发明能够解决现有的多聚焦图像获取技术主要针对灰度图像进行且存在对不同聚焦图像的融合效果不理想比如引入了干扰信息、图像块效应、融合图像的边界生硬以及信息丢失和失真等、所生成图像的细节不够清晰等问题,能够快速高效的对聚焦区域不同的多幅图像进行融合处理来获得多聚焦彩色图像,其特点是它对图像场景内的多个目标同时聚焦、图像的细节清晰,图像的信息量大,在图像处理等相关领域具有应用价值。
6.本发明所述的图像信息特征分解处理,是对单聚焦彩色图像的三维图像数据直接进行图像特征分解,将之分解为清晰图像特征三维数据和模糊图像特征三维数据。本发明所述的图像特征融合处理,是对所述的多幅单聚焦彩色图像的清晰图像特征三维数据进行数据融合处理,以及将之与所述多幅单聚焦彩色图像的原始图像数据进行数据融合处理,最终得到同时含有多幅单聚焦彩色图像所有图像信息的三维图像数据。
7.本发明所述的单聚焦彩色图像的清晰图像特征三维数据是利用关系式
进行多次误差递减计算得到的;本发明的多幅单聚焦彩色图像的清晰图像特征图像三维数据是利用关系式
实现清晰图像特征的融合处理的,αJ是用来调整单聚焦彩色图像的清晰图像特征的贡献的,影响着该单聚焦彩色图像的清晰图像特征的清晰程度。
8.本发明所述的图像特征融合处理,是通过关系式
实现的,ωJ是调整图像数据XXK-SS视觉效果的权重系数,β是调整图像数据XXK-SS图像特征清晰程度的权重系数,γ是调整图像数据XXK-SS整体对比度的权重系数。
9.本发明所述的方法不需要将彩色图像转化成灰度图像后再对图像进行图像信息特征分解以及图像特征融合处理,能够高效快速的直接对彩色图像的特征进行分解和融合处理。
10.本发明提供的方法能够直接利用彩色图像三维数据进行图像特征的分解和融合处理,处理计算的效率高,处理所占用的系统资源少。本发明不仅能够处理彩色图像,也能够处理灰度图像,解决了仅利用灰度图像不能提供良好的可视性和丰富信息量的问题,所得到的图像为全聚焦彩色图像,提供了更加详细的图像特征信息,图像信息量大、图像信息完整。本发明提供的方法可以用于同一场景以及不同场景下的聚焦区域不同的系列图像的多聚焦图像特征的分解和融合处理来获得全聚焦彩色图像,该图像含有源图像的聚焦清晰的所有特征、图像信息量大且完整,在图像处理、机器视觉等领域具有很好的应用潜力和价值。
附图说明
图1为本发明所述的图像信息特征分解处理的处理流程图。
图2为本发明所述的多聚焦彩色图像获取方法的处理流程图。
图3为本发明的实施例一的一幅单聚焦彩色图像。
图4为本发明的实施例一的另一幅单聚焦彩色图像。
图5为本发明的实施例一的K幅单聚焦彩色图像的图像数据SSSS分布图。
图6为本发明的实施例一的K幅单聚焦彩色图像的“β·SSSS-L-γ·SSSS-B”图像数据分布图。
图7为本发明的实施例一的多聚焦彩色图像。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步的描述。以下的实施例仅用于说明本发明,但不用来限制本发明的范围。基于本发明的技术方案以及实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的其他实施例,都属于本发明保护的范围。
图1为本发明所述的图像信息特征分解处理的处理流程图,图2为本发明所述的一种多聚焦彩色图像获取方法的处理流程图。再结合本发明提供的技术方案,一种多聚焦彩色图像获取方法及产品,就能够对多幅单聚焦彩色图像进行图像信息特征分解和融合处理,获得含有所述的多幅单聚焦彩色图像的图像特征的多聚焦彩色图像,其特点是它含有单聚焦彩色图像的所有图像特征并且图像的信息量大、图像的细节清晰。本发明解决了现有的图像采集设备的镜头景深、采集元件功能等的限制或不足而使之在采集图像时无法同时聚焦其视野内的所有景物目标,致使所采集图像的聚焦区域的图像细节清晰、非聚焦区域存在部分区域的图像模糊,严重影响了所采集图像的整体质量,限制了其在场景监控、目标检测、目标识别以及人工智能等领域的实际应用的问题,以及现有的多聚焦图像获取技术主要针对灰度图像进行且存在对不同聚焦图像的融合效果不理想、所生成图像的细节不够清晰等诸多问题,基于多幅单聚焦彩色图像的多通道三维数据直接进行多聚焦彩色图像的获取或融合处理,是对现有的多聚焦灰度图像获取或融合的理论和技术的有益补充,解决了相关领域的多聚焦彩色图像获取或融合的相关问题。下面结合图1和图2,介绍本发明所述的一种多聚焦彩色图像获取方法及产品,下面的实施例对本发明作出详细说明。
实施例一
本实施例选取Lytro Dataset图像数据集的K幅(K=2)单聚焦彩色图像,作为本发明的输入,进行本发明所述的多聚焦彩色图像获取方法及产品的说明。图3为所选取的一幅单聚焦彩色图像(RGB格式),图4为所选取的另一幅单聚焦彩色图像(RGB格式),将图3和图4作为本发明的输入,图像尺寸为n1×n2×n3,n1=520,n2=520,n3=3,进行本发明所述的多聚焦彩色图像的获取,其处理流程见图2。
根据本发明的技术方案的步骤1以及图1所示的本发明所述的图像信息特征分解处理的处理流程,将图3和图4作为本发明所述的图像信息特征分解处理的输入,操作1所使用的颜色空间为RGB颜色空间,也就是说操作1的颜色空间变换关系为XTC=XX,操作3所述的变换域处理为离散傅里叶变换(DFT),操作2-操作6所采用的图像信息特征分解参数为:Δmax=10-3、μ=0.02、ε=1.1,获得所输入图像的清晰图像特征数据SSJ,J∈[1,K]。然后利用本发明的技术方案的步骤2以及图2所示的处理流程,利用关系式
获得含有步骤1所述K幅单聚焦彩色图像的清晰图像特征的图像数据SSSS,如图5所示,其中的αJ=1/K,J∈[1,K];图5所示的图象数据SSSS为三维图像数据,数据尺寸为n1×n2×n3,n1=520,n2=520,n3=3,它含有所述K幅单聚焦彩色图像的全部清晰图像特征;图5(a)、图5(b)和图5(c)分别为图像数据SSSS的红通道、绿通道和蓝通道的清晰图像特征数据,可见所输入的K=2幅多聚焦彩色图像的聚焦清晰区域的图像信息特征均在图5所示的图像数据SSSS中得到了体现,其有效的提取到了所输入图像的图像特征。再依据本发明的技术方案的步骤3和步骤4以及图2所示的处理流程,步骤3所采用的滤波器B1为圆盘形(“disk”)滤波器,滤波器的半径为r=5,M1B1=M2B1=2r+1,步骤4所采用的滤波器B2为圆盘形(“disk”)滤波器,滤波器的半径为r=5,M1B2=M2B2=2r+1,获得图像数据SSSS的亮特征优化图像数据SSSS-L和暗特征优化图像数据SSSS-B以及β-γ优化图像特征数据“β·SSSS-L-γ·SSSS-B”,β∈[1,5]、γ∈[1,5],如图6所示。图6(a)、图6(b)和图6(c)分别为图像数据“β·SSSS-L-γ·SSSS-B”的红通道、绿通道和蓝通道的清晰图像特征数据,所述的“β·SSSS-L-γ·SSSS-B”图像数据为清晰图像特征三维数据,数据尺寸为n1×n2×n3,n1=520,n2=520,n3=3,可见所获得图像数据是经过优化后的数据,与图5所示数据相比,图像的清晰特征更加合理准确了,有效去除了其中的干扰噪声以及人为增加的处理痕迹。最后根据本发明的技术方案的步骤5以及图2所示的处理流程,利用关系式
得到最终的多聚焦彩色图像融合数据XXK-SS,如图7所示,它同时含有所述K幅单聚焦彩色图像的所有图像信息的特征,是三维图像数据,图像所含有的信息量大、图像细节清晰,它含有的所有单聚焦彩色图像的聚焦清晰图像特征均非常明显、突出;其中的ωJ=1/K,J∈[1,K],是调整图像数据XXK-SS视觉效果的权重系数,β是调整图像数据XXK-SS图像特征清晰程度的权重系数,γ是调整图像数据XXK-SS整体对比度的权重系数。本实施例所涉及的一种多聚焦彩色图像产品,为该实施例所获取的多聚焦彩色图像。
实施例二
本实施例选择K幅单聚焦彩色图像,K为大于1的整数,K∈[2,108],作为本发明的输入进行多聚焦彩色图像获取及产品的说明。所述的K幅单聚焦彩色图像为RGB格式的图像,每幅图像采集时的镜头聚焦区域或位置不同,每幅图像内存在景物清晰图像区域以及景物非清晰图像区域,图像的尺寸为n1×n2×n3,n1=520,n2=520,n3=3,进行本发明所述的多聚焦彩色图像的获取,其处理流程见图2。
根据本发明的技术方案的步骤1以及图1所示的本发明所述的图像信息特征分解处理的处理流程,将所述的K幅单聚焦彩色图像作为本发明所述的图像信息特征分解处理的输入,操作1所使用的颜色空间为H(色调)S(饱和度)V(亮度)、Y(亮度)Cb(蓝色分量)Cr(红色分量)、L(亮度)a(红-绿)b(黄-蓝)、H(色相)I(亮度)S(饱和度)颜色空间变换中的任意一种变换,操作3所述的变换域处理为离散余弦变换(DCT),操作2-操作6采用的图像信息特征分解参数为Δmax∈[10-8,10-5]、μ∈[10-5,10-1]、ε∈[1.0,1.5],从而获得所输入图像的清晰图像特征数据SSJ,J∈[1,K]。然后利用本发明的技术方案的步骤2以及图2所示的处理流程,利用关系式
获得含有步骤1所述K幅单聚焦彩色图像的清晰图像特征的图像数据SSSS,所述图像数据SSSS的特征与图5的特征相似,此处从略,其中的αJ=1/K,J∈[1,K];图象数据SSSS为三维图像数据,数据尺寸为n1×n2×n3,n1=520,n2=520,n3=3,它含有所述K幅单聚焦彩色图像的全部清晰图像特征;所输入的K幅多聚焦彩色图像的聚焦清晰区域的图像信息特征均在图像数据SSSS中得到了体现,提取到了所输入图像的所有清晰图像特征。再依据本发明的技术方案的步骤3和步骤4以及图2所示的处理流程,步骤3所采用的滤波器B1为矩形(“rectangle”,M1B1∈[3,10],M2B1∈[3,10])、圆盘形(“disk”,半径为r∈[2,6],M1B1=M2B1=2r+1)、方形(“square”,M1B1=M2B1∈[3,10])、八边形(“octagon”,半径为r∈[2,6],M1B1=M2B1=2r+1)、钻石形(“diamond”,半径为r∈[2,6],M1B1=M2B1=2r+1)中的任一形状和参数的滤波器,步骤4所采用的滤波器B2为矩形(“rectangle”,M1B2∈[3,10],M2B2∈[3,10])、圆盘形(“disk”,半径为r∈[2,6],M1B2=M2B2=2r+1)、方形(“square”,M1B2=M2B1∈[3,10])、八边形(“octagon”,半径为r∈[2,6],M1B2=M2B2=2r+1)、钻石形(“diamond”,半径为r∈[2,6],M1B2=M2B2=2r+1)中的任一形状和参数的滤波器,获得图像数据SSSS的亮特征优化图像数据SSSS-L和暗特征优化图像数据SSSS-B,以及图像数据SSSS的β-γ优化图像特征数据“β·SSSS-L-γ·SSSS-B”,β∈[1.0,1/max(SSSS-L)]、γ∈[1.0,1/max(SSSS-B)],其中的“β·SSSS-L-γ·SSSS-B”图像数据的特征与图6的特征相似,此处从略;所述的“β·SSSS-L-γ·SSSS-B”图像数据为清晰图像特征三维数据,数据尺寸为n1×n2×n3,n1=520,n2=520,n3=3,所获得图像数据是经过优化后的数据,其与图像数据SSSS有差异的,图像的清晰特征更加合理准确了,有效去除了其中的干扰噪声以及人为增加的处理痕迹。最后根据本发明的技术方案的步骤5以及图2所示处理流程,利用关系式
得到最终的多聚焦彩色图像融合数据XXK-SS,其数据特征与图7的图像特征相似,此处从略,它同时含有所述K幅单聚焦彩色图像的所有图像信息的特征,是三维图像数据,图像所含有的信息量大、图像细节清晰,同时它含有的所有单聚焦彩色图像的聚焦清晰图像特征均非常明显、突出;ωJ=1/K,J∈[1,K],是调整图像数据XXK-SS视觉效果的权重系数,β∈[1.0,1/max(SSSS-L)]是调整图像数据XXK-SS图像特征清晰程度的权重系数,γ∈[1.0,1/max(SSSS-B)]是调整图像数据XXK-SS整体对比度的权重系数。本实施例所涉及的一种多聚焦彩色图像产品,为该实施例所获取的多聚焦彩色图像。
实施例三
下面对本发明所述的方法进行验证以及对其性能进行说明。
采用“空间频率(SF)”、“平均梯度(MG)”、“信息熵(IE)”和“共有信息(MI)”四个评价指标来检测对输入的K幅单聚焦彩色图像进行特征分解和融合处理,最终获得的多聚焦图像的图像全聚焦性能。多聚焦图像获取的目标是将输入的单聚焦图像的显著或聚焦清晰的有用信息聚集到最终的多聚焦彩色图像中,因此其必然拥有足够丰富的空间信息特征和清晰的图像细节,这些性能可以用SF来表述,它表征了图像的锐度和清晰度。MG表征了多聚焦图像的边缘细节特征,IE表征了多聚焦彩色图像的信息量,MI表征了多聚焦彩色图像含有的所输入的源图像信息的数量。这些指标的值越大则表明多聚焦图像的质量越高。
为了验证本发明所述方法的有效性和优越性,利用Lytro Dataset图像数据集中的图像数据来完成本发明所述方法的性能验证,本发明的实施例的操作1的颜色空间为R(红)G(绿)B(蓝)颜色空间,操作3的变换域处理为离散傅里叶变换(DFT);本发明的实施例的步骤3的滤波器B1的形状为矩形(“rectangle”,M1B1∈[3,10],M2B1∈[3,10]),步骤4所述的滤波器B2的形状为钻石形(“diamond”,半径为r∈[2,6],M1B2=M2B2=2r+1);本发明的实施例的操作2所述的Δmax∈[10-8,10-5]、μ∈[10-5,10-1]、ε∈[1.0,1.5],步骤2所述的αJ=1/K,J∈[1,K],步骤5所述的ωJ=1/K,J∈[1,K],步骤5所述的β∈[1.0,1/max(max(SSSS-L),5)]、γ∈[1.0,1/max(max(SSSS-B),5)]。与现有的主流的、对灰度图像的多聚焦图像获取的方法进行比较,评价指标计算时将彩色图像转换为灰度图像进行比较。所涉及的主流的图像获取方法有:基于小波变换的方法(DWT,H.Li,B.S.Manjunath,S.K.Mitra.,Multisensor image fusion using the wavelet transform,Graph.Model.Image Process,1995,57(3):235-245)、基于主成分分析的方法(PCA,P.S.Chavez,A.Y.Kwarteng,Extracting spectral contrast in Landsat thematicmapper image data using selective principal component analysis,Photogramm.Eng.Remote Sens.,1989,55(3):339-348)、基于脉冲耦合神经网络的方法(PCNN,X.B.Qu,J.W.Yan,H.Z.Xiao,et al.,Image fusion algorithm based on spatialfrequency motivated pulse coupled neural networks in nonsubsampled contourlettransform domain,Acta Auton.Sin.,2008,34(12):1508-1514)、基于增强主成分分析脉冲耦合神经网络的方法(RPCAPCNN,Y.Zhang,L.Chen,Z.Zhao,etal.,Multifocus imagefusion based on robust principal component analysis and pulse coupled neuralnetwork,Optik,2014,125:5002-5006)。该验证以及性能评估过程所涉及的评价流程,和本发明所述的技术方案以及上述的实施例中的描述相一致,所获得的评价数据,如表1所示。
表1给出了基于上述所述的多种多聚焦图形获取的方法的性能评价数据。分析表1,不难发现,本发明所提的质量评价方法所得的SF、IE、MG、MI的值分别为26.59、8.34、25.47、7.48。较其它方法相比,本发明所获得的图像的信息量更大,图像细节更多且清晰,整体性
表1图像性能评价指标数据
能更优。本发明所获得的图像含有更多的图像显著区域,提取了更多的图像边界特征,融合区域的边界清晰。现有的主流方法所获得的图像存在模糊效应、过度锐化、引入了人造痕迹、块效应以及过度区域不连续的缺陷,图像的对比度相对较差。本发明在所述的四个指标上均获得了较好的性能,所获得的图像含有更多显著的空间信息以及清晰的细节信息,保留了更多地源图像的图像信息。本发明的方法更多的强调获得源图像的清晰特征信息包括边缘以及图像细节信息,所获得图像的整体质量更高。
因此,从总体上而言,本发明所提出的多聚焦彩色图像获取的方法方法优于文献报道的现有的主流方法,图像含有的信息更大,图像细节更清晰,图像更加符合人眼的视觉感知需求,更有利于用于图像处理、技术视觉以及人工智能等领域的应用需求,主客观评价的一致性也好。本实施例所涉及的一种多聚焦彩色图像产品,为该实施例所获取的多聚焦彩色图像。
以上实施例仅说明和解释了本发明的实施方式,任何依照本发明的权利要求范围所做的若干变形和修改,这些都是属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种多聚焦彩色图像获取方法,其特征在于,所述的多聚焦彩色图像是通过对多幅单聚焦彩色图像进行图像信息特征分解处理以及图像特征融合处理得到的,其特点是它同时含有所述的多幅单聚焦彩色图像的所有图像特征;所述的图像信息特征分解处理,是对所述单聚焦彩色图像的三维图像数据XX进行图像特征分解,将之直接分解为清晰图像特征三维数据SS和模糊图像特征三维数据LL;所述的图像特征融合处理,是对所述的多幅单聚焦彩色图像的清晰图像特征三维数据进行数据融合处理,以及将之与所述多幅单聚焦彩色图像的原始图像数据进行数据融合处理,最终得到同时含有多幅单聚焦彩色图像所有图像信息的三维图像数据,其特点是它所含有的多幅单聚焦彩色图像的所有清晰图像特征均非常明显、突出;所述的图像信息特征分解处理是通过下列操作来实现的:
操作1:将输入的单聚焦彩色图像的图像数据XX进行颜色空间变换处理,所述的颜色空间变换处理用符号TC表示,所获得的三维图像数据为XTC=TC(XX),XTC(x,y,z)∈[0.0,1.0],x、y、z是图像数据的位置坐标,图像数据的尺寸为n1×n2×n3,n3=3;
操作2:令Δmax为图像信息特征分解所允许的最大误差值,1/μ是从源图像数据逐步削弱其图像清晰特征的数据递减值,ε是大于等于1.0的实数,λ是小于1.0的实数,设置L=0、S=0、Y=0;
操作3:令Lk=L、Sk=S以及LYY=XTC-S-Y/μ,并对图像数据LYY在z方向上进行变换域处理,所述的“变换域处理”用符号TR表示,得到图像数据LYY的频率域图像数据YY=TR(LYY)={YY(x,y,z),x、y、z是图像数据的位置坐标,x∈[1,n1],y∈[1,n2],z∈[1,n3]};
操作4:根据操作3获得的图像数据YY,对其xy平面上的n3个二维矩阵图像数据YY(z),z∈[1,n3],进行奇异值分解处理,得到YY(z)=Uz×Sz×Vz*,z∈[1,n3],其中的Uz、Vz分别是n1×n1阶和n2×n2阶的特征向量矩阵,Sz是n1×n2阶的奇异值对角矩阵,“*”为矩阵的转置;然后利用关系式
得到图像数据YY的模糊图像特征三维数据其中的/>为图像数据的奇异值对角矩阵,含义是筛选大于1/μ的矩阵Sz的奇异值并将之减去1/μ作为矩阵的对角元素,用于进行奇异值的截断。/>是矩阵Sz的大于1/μ的奇异值所对应的特征向量矩阵,截断后的奇异值和对应的特征向量被用于重构原始矩阵Y,这个过程可以看成是对Y进行低秩近似;再对获得的图像数据/>进行操作3所述TR的逆变换域处理,所述的逆变换域处理用符号ITR表示,得到操作3所述图像数据LYY的模糊图像特征三维数据/> 最后得到使关系式
0.0008817δ4-0.01716δ3+0.07945δ2+0.02997δ-0.3239=λ/μ
成立且大于0的δ值,并利用关系式
获得图像数据LYY的清晰图像特征三维数据S,其中的Ψ1=XTC-L+(Y+1.5λ)/μ、Ψ2=XTC-L+(Y-1.5λ)/μ;
操作5:根据操作4获得的图像数据L、图像数据S,计算图像信息特征分解的图像数据误差值ΔY=L+S-XTC、ΔL=max(abs(Lk-L))、ΔS=max(abs(Sk-S))以及最大误差值Δ=max(ΔL,ΔS,max(ΔY)),其中的“abs”表示取绝对值;并设置Y=Y+μ·ΔY和μ=μ·ε;
操作6:根据操作5获得的误差数据Δ,判断Δ是否小于Δmax;若Δ≥Δmax,则重复操作3、操作4和操作5;若Δ<Δmax,则操作4获得的图像数据S、图像数据L即为对操作1所述图像数据XTC进行图像特征信息分解而最终获得的清晰图像特征数据SM和模糊图像特征数据LM;然后对图像数据SM和LM进行操作1所述TC的逆变换处理,所述的逆变换处理用符号ITC表示,最终得到对操作1所述图像数据XX进行图像信息特征分解而最终得到的清晰图像特征数据SS=ITC(SM)和模糊图像特征数据LL=ITC(LM);
所述的一种多聚焦彩色图像获取方法,包括如下步骤:
步骤1:输入K幅单聚焦彩色图像,K为大于1的整数,其三维图像数据为XXJ,J∈[1,K]为整数,图像数据的大小为n1×n2×n3,n3=3,然后将之作为所述图像信息特征分解处理的输入,获得图像数据XXJ的清晰图像特征数据SSJ,J∈[1,K];
步骤2:利用关系式
获得含有步骤1所述K幅单聚焦彩色图像的清晰图像特征的图像数据SSSS,其中的αJ为大于0的实数且∑αJ=1.0,是用来调整图像数据SSJ相对强弱的权重系数,影响着第J幅单聚焦彩色图像的清晰图像特征的清晰程度;
步骤3:构建由0和1组成的、大小为M1B1×M2B1的结构元素滤波器B1,然后利用关系式对步骤2所述图像数据SSSS进行分通道滤波处理,获得图像数据SSSS的亮特征优化图像数据SSSS-L,“Θ”为形态学腐蚀操作,/>为形态学膨胀操作;
步骤4:构建由0和1构成的、大小为M1B2×M2B2的结构元素滤波器B2,然后利用关系式对步骤2获得的图像数据SSSS进行分通道滤波处理,获得图像数据SSSS的暗特征优化图像数据SSSS-B;
步骤5:根据步骤1所述图像数据XXJ,J∈[1,K],以及步骤3和步骤4获得的图像数据SSSS-L、图像数据SSSS-B,对之进行所述的图像特征融合处理,得到最终的多聚焦彩色图像融合数据XXK-SS,它同时含有所述K幅单聚焦彩色图像的所有图像特征;所述的图像特征融合处理,是通过关系式
实现的,其中的ωJ为大于0的实数且∑ωJ=1.0,是调整图像数据XXK-SS视觉效果的权重系数;β为大于1.0的实数,是调整图像数据XXK-SS图像特征清晰程度的权重系数;γ为大于1.0的实数,是调整图像数据XXK-SS整体对比度的权重系数。
2.根据权利要求1所述的一种多聚焦彩色图像获取方法,其特征在于,操作1所述的颜色空间变换处理,为R(红)G(绿)B(蓝)、H(色调)S(饱和度)V(亮度)、Y(亮度)Cb(蓝色分量)Cr(红色分量)、L(亮度)a(红-绿)b(黄-蓝)、H(色相)I(亮度)S(饱和度)颜色空间变换;操作3所述的变换域处理,为离散傅里叶变换(DFT)、离散余弦变换(DCT)。
3.根据权利要求1所述的一种多聚焦彩色图像获取方法,其特征在于,步骤3所述的滤波器B1的形状为矩形(“rectangle”,M1B1∈[3,10],M2B1∈[3,10])、圆盘形(“disk”,半径为r∈[2,6],M1B1=M2B1=2r+1)、方形(“square”,M1B1=M2B1∈[3,10])、八边形(“octagon”,半径为r∈[2,6],M1B1=M2B1=2r+1)、钻石形(“diamond”,半径为r∈[2,6],M1B1=M2B1=2r+1);步骤4所述的滤波器B2的形状为矩形(“rectangle”,M1B2∈[3,10],M2B2∈[3,10])、圆盘形(“disk”,半径为r∈[2,6],M1B2=M2B2=2r+1)、方形(“square”,M1B2=M2B1∈[3,10])、八边形(“octagon”,半径为r∈[2,6],M1B2=M2B2=2r+1)、钻石形(“diamond”,半径为r∈[2,6],M1B2=M2B2=2r+1)。
4.根据权利要求1-3所述的一种多聚焦彩色图像获取方法,其特征在于,步骤1所述的K∈[2,108];操作2所述的Δmax∈[10-8,10-5]、μ∈[10-5,10-1]、ε∈[1.0,1.5];步骤2所述的αJ=1/K,J∈[1,K];步骤5所述的ωJ=1/K,J∈[1,K];步骤5所述的β∈[1.0,1/max(SSSS-L)]、γ∈[1.0,1/max(SSSS-B)]。
5.根据权利要求4所述的一种多聚焦彩色图像获取方法,其特征在于,步骤1所述的K=2;操作2所述的μ=0.02、ε=1.1;步骤5所述的β∈[1,5]、γ∈[1,5]。
6.根据权利要求1-5所述的一种多聚焦彩色图像获取方法,其特征在于,操作6所述的图像数据SS、图像数据LL,分别含有操作1所述图像数据XX的全部清晰图像特征和全部模糊图像特征;步骤2所述的图像数据SSSS,仅含有步骤1所述K幅单聚焦彩色图像的聚焦清晰的图像特征;步骤5所述的图像数据XXK-SS,是含有步骤1所述K幅单聚焦彩色图像所有图像信息的三维图像数据,其特点是它含有的K幅单聚焦彩色图像的清晰图像特征均非常明显、突出。
7.一种多聚焦彩色图像产品,包括权利要求1-6中的任一项所获取的多聚焦彩色图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465641.3A CN116542888A (zh) | 2023-04-27 | 2023-04-27 | 一种多聚焦彩色图像获取方法及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465641.3A CN116542888A (zh) | 2023-04-27 | 2023-04-27 | 一种多聚焦彩色图像获取方法及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116542888A true CN116542888A (zh) | 2023-08-04 |
Family
ID=87442800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310465641.3A Pending CN116542888A (zh) | 2023-04-27 | 2023-04-27 | 一种多聚焦彩色图像获取方法及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542888A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118134788A (zh) * | 2024-05-08 | 2024-06-04 | 江苏艾玮得生物科技有限公司 | 图像融合方法、装置、存储介质以及终端 |
-
2023
- 2023-04-27 CN CN202310465641.3A patent/CN116542888A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118134788A (zh) * | 2024-05-08 | 2024-06-04 | 江苏艾玮得生物科技有限公司 | 图像融合方法、装置、存储介质以及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rajkumar et al. | A comparative analysis on image quality assessment for real time satellite images | |
CN105959684B (zh) | 基于双目融合的立体图像质量评价方法 | |
Tremeau et al. | Color in image and video processing: most recent trends and future research directions | |
CN107358585B (zh) | 基于分数阶微分及暗原色先验的雾天图像增强方法 | |
CN108122206A (zh) | 一种低照度图像降噪方法及装置 | |
Zheng et al. | Segmented spherical projection-based blind omnidirectional image quality assessment | |
Bhatnagar et al. | An image fusion framework based on human visual system in framelet domain | |
CN113822830B (zh) | 基于深度感知增强的多曝光图像融合方法 | |
CN109242834A (zh) | 一种基于卷积神经网络的无参考立体图像质量评价方法 | |
Agrawal et al. | Survey on image segmentation techniques and color models | |
CN116542888A (zh) | 一种多聚焦彩色图像获取方法及产品 | |
Bhutto et al. | An enhanced image fusion algorithm by combined histogram equalization and fast gray level grouping using multi-scale decomposition and gray-PCA | |
Zhao et al. | No-reference quality index of tone-mapped images based on authenticity, preservation, and scene expressiveness | |
CN114881905A (zh) | 一种基于小波变换的红外图像与可见光图像融合的处理方法 | |
Junwu et al. | An infrared and visible image fusion algorithm based on LSWT-NSST | |
Zhang et al. | A real-time semi-supervised deep tone mapping network | |
Du et al. | Double-channel guided generative adversarial network for image colorization | |
Wang et al. | No-reference stereoscopic image quality assessment using quaternion wavelet transform and heterogeneous ensemble learning | |
CN106683074B (zh) | 一种基于雾霾特性的图像篡改检测方法 | |
CN107492085B (zh) | 基于双树复小波变换的立体图像质量评价方法 | |
Triantaphillidou et al. | Image quality comparison between JPEG and JPEG2000. II. Scene dependency, scene analysis, and classification | |
KR102254198B1 (ko) | 다중 초점 이미지 융합 방법 | |
Li | (Retracted) Infrared image filtering and enhancement processing method based upon image processing technology | |
Zhou et al. | Adaptive histogram fusion-based colour restoration and enhancement for underwater images | |
Wan et al. | Multi-focus color image fusion based on quaternion multi-scale singular value decomposition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |