基于稀疏分解和差分图像的多聚焦图像融合方法
【技术领域】
[0001] 本发明涉及的是一种图像处理领域的技术，具体是一种基于稀疏分解和差分图像 的多聚焦图像融合方法。
【背景技术】
[0002] 可见光成像系统通过调节光学镜头景深聚焦场景中的目标，无法同时清晰表达复 杂场景的全部目标。多聚焦图像融合算法利用原始图像间的互补性，合并多幅原始图像的 聚焦区域得到清晰的融合图像，能够更加准确和全面的描述图像中目标或场景，有效提高 了原始图像的利用率和可靠性。
[0003] 图像中的目标通过几何特征表征，以多分辨分析方法为代表的区域特征提取方法 虽然能够提取图像的轮廓信息，但容易产生伪Gibbs现象，虚假轮廓等副效应。而多聚焦图 像融合算法的核心是精确定位聚焦区域，由于聚焦区域到背景是渐进过渡的，边界不明显， 增加了定位聚焦区域的难度。基于多分辨分析的融合方法不能充分提取原始图像间的互补 信息，融合图像会表现出对比度下降、目标指示能力减弱、图像模糊等问题。另一方面，由于 无法直接提取原始图像的清晰像素，融合图像对原始信息保留较少，融合图像清晰度有不 同程度损失。
[0004] 经过对现有技术的检索发现，中国专利文献号CN102842124A，公开（公告）日 2012.12.26,公开了一种基于矩阵低秩分解的多光谱图像和全色图像融合方法，主要解决 现有多光谱图像和全色图像融合中高光谱分辨率信息丢失的问题。其实现步骤为：1)对输 入已配准的4幅多光谱图像进行插值使其与全色图像具有相同的像素;2)将插值后多光谱 图像全部拉成列按照顺序依次堆叠构成大数据矩阵;3)利用矩阵低秩分解算法对大数据矩 阵分解得到低秩矩阵和稀疏矩阵;4)利用标准主成分分析融合算法对低秩矩阵和全色图像 进行融合得到初步的粗略融合结果;5)将稀疏矩阵加至粗略融合结果得到最终的多光谱融 合图像。但该技术对边缘不敏感，轮廓信息提取不完整，无法精确定位聚焦区域，无法有效 提取背景区域的细节信息，适用对象为多光谱和全色图像融合。
[0005] 中国专利文献号0附03440631六，公开(公告）日2013.12.11，公开了一种基于低秩 分解的CT序列图像复原方法。其实现步骤是：1)先将CT序列图像转化为灰度图像;2)选择低 秩模型对CT序列进行稀疏低秩分解:根据CT图像含噪量的大小，选择对应的低秩模型对其 进行稀疏低秩分解;3)求出低秩序列的平均图像，并用二维高斯模糊核对其进行维纳滤波 复原;4)用扰动模糊核对稀疏序列中的每一幅图像进行维纳滤波复原;5)将稀疏复原序列 中的每一幅图像与复原低秩图像合并，得到复原CT序列图像。但该技术不能识别图像的清 晰区域，滤波操作将损失边缘信息，适用对象仅面向受噪声干扰严重的CT序列图像，无法用 于多聚焦图像融合。
【发明内容】
[0006] 本发明针对现有技术存在的上述不足，提出一种基于稀疏分解和差分图像的多聚 焦图像融合方法，通过鲁棒性主成分分析(robust principal component analysis，RPCA) 分解原始图像得到其稀疏分量，建立特征和稀疏系数的对应关系来搜索原始图像的显著性 信息，再利用引导滤波加强稀疏分量的边缘，通过加强图像与原始图像的差异有效提取原 始图像的结构信息，精确提取聚焦区域。
[0007] 本发明是通过以下技术方案实现的：
[0008] 本发明涉及一种基于稀疏分解和差分图像的多聚焦图像融合方法，包括以下步 骤：
[0009] 1)利用RPCA分解原始图像得到其稀疏分量和低秩分量；
[0010] 2)通过引导滤波加强稀疏分量的边缘，再将加强的稀疏分量与低秩分量相加构建 包含强边缘的加强图像；
[0011] 3)将加强图像与原始图像做差分，计算所得差分图像的空间频率，并利用自适应 阈值算法得到差分图像的空间频率图，利用形态学算法去除空间频率图中的伪聚焦区域， 得到融合决策图；
[0012] 4)根据融合决策图和融合规则重建融合图像。 技术效果
[0013] 与现有技术相比，本发明在评价图像融合算法的三项指标相关系数，即边缘梯度 信息和边缘相关因子分别高于其他经典算法45%，6%，15%以上。
【附图说明】
[0014] 图1为聚焦区域提取示意图；
[0015]图2为本发明不意图；
[0016] 图3为实施例聚焦区域检测结果示意图；
[0017] 图4为融合结果比较示意图；
[0018]图中：a)为聚焦前景，b)为聚焦背景，c)为WS，d)为NSCT，e)为ST，f)为DSP，g)为 匪卩，11)为21^，丨）为本方法。
【具体实施方式】
[0019] 如图1所示，本实施例包括以下步骤：
[0020] 第一步:利用RPCA算法分别分解原始图像Ια和Ib，分别得到低秩分量La，Lb和稀疏
) _ 分i ，其中：L*表不低秩分量，S*是稀疏分量，λ>〇, | | · | I*是核范 λ X ； L·^： τ" - 1 数，即矩阵奇异值之和，Μ · I U表示1范数矩阵，即矩阵所有元素绝对值之和。
[0021 ]第二步:根据加强稀疏分量E*(i)的边缘Ea和Eb与低秩分量L*相加，得到包含强边 缘的加强图像Ra，Rb;
[0022] 所述的加强稀疏分量的边缘通过以下方式得到：E*(i ) = apS*(i ) +bp，V/_ e >其 中：E*(i)表示加强的稀疏分量，S*(i)表示稀疏分量，ωΡ是以点P为中心的（2r+l) X (2r+l) 窗口（ r为自然数），aP、bP表示引导滤波的核函数：
外，yp和4分别表不窗口 ―的均值和方差，Dp表不窗口 ωρ中像素数，
>表不窗口 ωΡ的灰度均值。
[0023]所述的包含强边缘的加强图像夕
[0024]第三步:将加强图像与原始图像做差分得到差分图像Da和Db，再计算差分图像的空 间频率，利用自适应阈值算法得到其空间频率图SFa和SFb，利用形态学算法去除空间频率图 像中的伪聚焦区域得到融合决策图Μα和Mb;
[0025] 所述的差分是指
。
[0026] 所述的差分图像的空间频率为：
_中：RF为行频 率，CF为列频率
[0027]
)]2，D表示差分图像、Μ为图像行数、N为图像 列数、i为图像横坐标、j为图像纵坐标。
[0028] 所述的自适应阈值算法是指:通过滑动窗口实现阈值分割，从而得到空间频率图， 具体为:T(i，j) =m( i，j )+k · s (i，j)，其中：m( i，j)是s (i，j)的均值，s (i，j)是窗口 内像素 的标准差SF(i，j)为差分 τ