一种基于生化离子交换模型的多聚焦图像融合方法与流程

本发明属于图像融合
技术领域：
，具体涉及一种基于生化离子交换模型的多聚焦图像融合方法。
背景技术：
：图像融合是一种从给定场景的多幅源图像中提取互补和冗余信息，并将其融入一幅最终融合图像的过程。通常，最终融合图像具有更丰富的信息和更理想的图像视觉效果，为后续图像处理工作奠定了良好的基础。由于光学成像摄像机的透镜焦距有限，无法保证不同距离范围内的所有物体均处于“聚焦”状态，导致图像中的部分物体处于“聚焦”的清晰状态，而另外一些物体则处于“离焦”的模糊状态。因此，如何在一幅图像中综合表达所有物体的聚焦信息成为多聚焦图像融合领域迫切需要解决的热点问题。目前，国内外图像融合领域出现了针对上述问题的多种研究方案和处理方法。从融合策略角度加以分析，目前主流的方法大致有以下两类：一类主要基于空间域处理方法，另一类则主要基于变换域处理方法。前一类方法中的代表性方法主要有权值方法、主成分分析方法、独立成分分析方法以及以脉冲耦合神经网络、交叉视觉皮层模型以及以脉冲皮层模型为代表的第三代人工神经网络模型。这类方法的主要局限在于模型的待定参数过多、设置较为困难。后一类方法目前较为常见，主要代表有小波变换、脊波变换、轮廓波变换、剪切波变换、非下采样轮廓波变换以及非下采样剪切波变换等。与前一类方法相比，这类方法能够更有效地捕捉图像的主体和细节信息，但存在计算复杂度过高，难以适应实时性要求较高的军事、医疗等应用领域的现实问题。技术实现要素：为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于生化离子交换模型的多聚焦图像融合方法，不仅具有合理的亮度水平，还具有更理想的清晰度水平，平均运行时间较短。为了达到上述目的，本发明采用如下的技术方案：一种基于生化离子交换模型的多聚焦图像融合方法，包括以下步骤：步骤1，待融合区域的确定；步骤2，待融合区域的选择；步骤3，对初步获取的融合图像反复迭代，得到最终融合结果。所述的步骤1中待融合区域的确定的步骤如下：步骤1.1，将两幅已配准的多聚焦源图像分别记为A和B；步骤1.2，分别计算A、B中每个像素点(i,j)对应的四个一阶梯度向量值RF(i,j),CF(i,j),MDF(i,j),SDF(i,j)，数学表达式如式(1)-式(4)所示：其中，RF、CF、MDF、SDF分别为水平方向、垂直方向、主对角线方向以及副对角线方向的梯度向量；ωd为距离权值，通常设定为M,N分别表示源图像中像素点矩阵的行和列；MN表示源图像中像素点矩阵的元素总量；步骤1.3，计算A、B中每个像素点(i,j)的空间频率SF(i,j)，数学表达式如式(5)所示：步骤1.4，根据式(6)判断A,B中每个像素点(i,j)隶属于清晰区域或者模糊区域；其中，A(i,j)与B(i,j)分别代表图像A,B中的对应像素点，Rc与RB分别代表清晰区域和模糊区域，SFA(i,j)与SFB(i,j)分别代表图像A,B中对应像素点(i,j)的空间频率。所述的步骤2中待融合区域的选择的步骤如下：步骤2.1，以A为基准，将A中隶属于模糊区域的像素点看作H+；H+表示生化离子交换模型的阳离子，其离子化合价为+1；步骤2.2，将与A中模糊像素点空间位置相对应的B中隶属于清晰区域的像素点也看作阳离子；步骤2.3，根据式(7)计算B中像素点对应的离子化合价：其中，B(i,j)_valence表示源图像B中像素点对应的离子化合价；SFA(i,j)＝0或SFB(i,j)＝0表明像素点(i,j)与周围像素点具有相似的灰度值，因而该像素点并不具有代表性；表示“向上取整”；滑动窗口的尺寸选定为3×3，故B中像素点对应的最高离子化合价为9；步骤2.4，计算像素点B(i,j)与其邻域内所有像素点的梯度值，并按照从大到小的顺序加以排序，如式(8)所示；argsequence{gradient(B(i,j),B(i-1,j-1)),...,gradient(B(i,j),B(i+1,j+1))}(8)步骤2.5，选取前个邻域像素点与像素点B(i,j)一起构成待融合区域。所述步骤3中对初步获取的融合图像反复迭代，得到最终融合结果的步骤如下：步骤3.1，设置滑动窗口的尺寸为3×3，像素点邻域权值矩阵为[0.707,1.000,0.707,1.000,0.000,1.000,0.707,1.000,0.707]；步骤3.2，根据式(9)完成像素点“平滑”过程，得到初步融合图像Fuse[n]，n为整数且n≥0；步骤3.3，以初步融合图像Fuse[n]为基准，计算其结构相似性指标值SSIM[n]；步骤3.4，重复上述步骤，将式(9)中的A(i,j)替换为Fuse[n](i,j)，并根据式(10)完成像素点“平滑”过程，得到新融合图像Fuse[n+1]，n为整数且n≥0，并计算SSIM[n+1]；步骤3.5，若SSIM[n+1]-SSIM[n]≤0，则Fuse[n]为最终融合图像；否则，重复进行融合图像反复迭代，直至SSIM[n+1]-SSIM[n]≤0。本发明的有益效果为：本发明将图像融合过程与呼吸作用过程中植物根部与土壤的离子交换过程融合，不仅具有合理的亮度水平，还具有更理想的清晰度水平，平均运行时间较短，本发明无论在直观视觉效果还是客观评价层次上均占有显著的优势，是一种可行、高效的多聚焦图像融合方法。附图说明图1为本发明方法的流程图。图2为仿真实验的待融合源图像；其中，图(a)、图(b)为第一组源图像；图(c)、图(d)为第二组源图像。图3为第一组仿真实验的效果图；其中，图3(a)为M1仿真结果；图3(b)为M2仿真结果；图3(c)为M3仿真结果；图3(d)为M4仿真结果；图3(e)为M5仿真结果；图3(f)为M6仿真结果；图3(g)为M7仿真结果；图3(h)为本发明方法的仿真结果。图4为第二组仿真实验的效果图；其中，图4(a)为M1仿真结果；图4(b)为M2仿真结果；图4(c)为M3仿真结果；图4(d)为M4仿真结果；图4(e)为M5仿真结果；图4(f)为M6仿真结果；图4(g)为M7仿真结果；图4(h)为本发明方法的仿真结果。图5为八种图像融合方法对应的SF指标对比图。图6为八种图像融合方法对应的QS指标对比图。图7为八种图像融合方法对应的QMI指标对比图。图8为八种图像融合方法对应的QP指标对比图。具体实施方式以下结合附图和实施例对发明进一步说明。现有的多聚焦图像融合方法大致分为空间域处理方法和变换域处理方法两种。基于目前已有的文献不难发现：空间域处理方法面临待定参数过多、参数待定过程繁琐等问题，而变换域处理方法则通常面临计算复杂度过高的现实问题。为此，本发明采用计算机科学与生化学相结合的交叉学科方法来解决多聚焦图像融合问题，研究结果表明本发明方法是合理、可行的。如图1所示，一种基于生化离子交换模型的多聚焦图像融合方法，包括以下步骤：步骤1，待融合区域的确定，具体步骤如下：步骤1.1，将两幅已配准的多聚焦源图像分别记为A和B；步骤1.2，分别计算A、B中每个像素点(i,j)对应的四个一阶梯度向量值RF(i,j),CF(i,j),MDF(i,j),SDF(i,j)，数学表达式如式(1)-式(4)所示：其中，RF、CF、MDF、SDF分别为水平方向、垂直方向、主对角线方向以及副对角线方向的梯度向量；ωd为距离权值，通常设定为M,N分别表示源图像中像素点矩阵的行和列；MN表示源图像中像素点矩阵的元素总量；步骤1.3，计算A、B中每个像素点(i,j)的空间频率SF(i,j)，数学表达式如式(5)所示：步骤1.4，根据式(6)判断A,B中每个像素点(i,j)隶属于清晰区域或者模糊区域；其中，A(i,j)与B(i,j)分别代表图像A,B中的对应像素点，Rc与RB分别代表清晰区域和模糊区域，SFA(i,j)与SFB(i,j)分别代表图像A,B中对应像素点(i,j)的空间频率；步骤2，待融合区域的选择，具体步骤如下：步骤2.1，以A为基准，将A中隶属于模糊区域的像素点看作H+；H+表示生化离子交换模型的阳离子，其离子化合价为+1；步骤2.2，将与A中模糊像素点空间位置相对应的B中隶属于清晰区域的像素点也看作阳离子；步骤2.3，根据式(7)计算B中像素点对应的离子化合价：其中，B(i,j)_valence表示源图像B中像素点对应的离子化合价；SFA(i,j)＝0或SFB(i,j)＝0表明像素点(i,j)与周围像素点具有相似的灰度值，因而该像素点并不具有代表性；表示“向上取整”；滑动窗口的尺寸选定为3×3，故B中像素点对应的最高离子化合价为9；步骤2.4，计算像素点B(i,j)与其邻域内所有像素点的梯度值，并按照从大到小的顺序加以排序，如式(8)所示；argsequence{gradient(B(i,j),B(i-1,j-1)),...,gradient(B(i,j),B(i+1,j+1))}(8)步骤2.5，选取前个邻域像素点与像素点B(i,j)一起构成待融合区域；步骤3，对初步获取的融合图像反复迭代，得到最终融合结果，具体步骤如下：步骤3.1，设置滑动窗口的尺寸为3×3，像素点邻域权值矩阵为[0.707,1.000,0.707,1.000,0.000,1.000,0.707,1.000,0.707]；步骤3.2，根据式(9)完成像素点“平滑”过程，得到初步融合图像Fuse[n]，n为整数且n≥0；步骤3.3，以初步融合图像Fuse[n]为基准，计算其结构相似性指标值SSIM[n]；步骤3.4，重复上述步骤，将式(9)中的A(i,j)替换为Fuse[n](i,j)，并根据式(10)完成像素点“平滑”过程，得到新融合图像Fuse[n+1]，n为整数且n≥0，并计算SSIM[n+1]；步骤3.5，若SSIM[n+1]-SSIM[n]≤0，则Fuse[n]为最终融合图像；否则，重复进行融合图像反复迭代，直至SSIM[n+1]-SSIM[n]≤0。仿真对比实验：为了证明本发明的合理有效性，以下通过两组仿真实验来对本发明与现行的代表性多聚焦图像融合方法进行比较。本发明的实验平台的仿真软件为MATLAB2014b，PC配置为：Intel(R)Core(TM)i5-4250U中央处理器，4GB内存。本发明方法基于上述平台完成对多聚焦图像的融合仿真实验。本发明仿真实验涉及的两组源图像均为已配准的256级灰度图像，且图像尺寸为512×512，两组待融合源图像如图2所示。此外，还选取了现行的七种代表性多聚焦图像融合方法与本发明方法进行了比较，分别为基于形态学四叉树结构的图像融合方法(M1)、基于图像抠图技术的图像融合方法(M2)、基于多通道脉冲耦合神经网络的图像融合方法(M3)、基于剪切波变换的图像融合方法(M4)、基于非下采样剪切波变换域改进型脉冲耦合神经网络的图像融合方法(M5)、基于拉普拉斯金字塔的图像融合方法(M6)以及基于小波统计清晰度测度的图像融合方法(M7)。图3、图4给出了八种方法的仿真实验结果。总体上，八种方法均能较好地对源图像中的主体信息进行提取并加以融合，但对图像进行局部放大后不难看出：基于M3的融合图像亮度水平较差，基于M2、M4、M5、M6的融合图像细节信息较为模糊，基于M1和M7的融合图像中具有虚假轮廓和锯齿形边缘，而本发明方法不仅具有合理的亮度水平，还具有更理想的清晰度水平。此外，还选取了空间频率SF、图像质量指标QS、互信息量QMI、相位一致性特征QP作为融合图像的客观评价指标。其中，四项指标的数值均与图像的质量水平成正比。图5-图8分别给出了八种图像融合方法对应的指标对比图。表1还给出了八种图像融合方法的平均运行时间。虽然本发明方法的运行时间较M3和M6稍长，但考虑到其优越的多聚焦图像融合性能，这样的运行时间仍然是可以接受的。表1八种图像融合方法的平均运行时间(单位：S)M1M2M3M4M5M6M7本发明方法第一组16.4199.5850.2985.5596.8500.08678.5262.765第二组16.17510.8380.3585.5816.4680.09177.2292.551*粗斜体数据代表同类指标中的最优数据。综上所述，本发明方法无论在直观视觉效果还是客观评价层次上均占有显著的优势，是一种可行、高效的多聚焦图像融合方法。以上内容是结合最佳实施方案对本发明所做的进一步详细说明，不能认定本发明的具体实施只限于这些说明。本领域的技术人员应该理解，在不脱离由所附权利要求书限定的情况下，可以在细节上进行各种修改，都应当视为属于本发明的保护范围。当前第1页1 2 3