是离焦的。
[0022] 步骤利用形态学小面积移除运算和形态学开闭运算对最终清晰度分布图 FFM(x，y)处理，得到初始融合决策图像0D。
[002引首先，利用形态学小面积移除运算对最终清晰度分布图FFM(x，y)处理。若FFM(x，y)中某区域像素数小于虹Xn/40]，则该区域是小块区域。通过形态学小面积移除 运算得到ODi;
[0024]ODi=RS0(FFM(X，y)，虹Xn/40])。
[002引其中，m是源图像的高，n是源图像fi的宽，[?]为取整运算，RSO('）是形态 学小面积移除操作。通过形态学小面积移除运算，可W将聚焦区域中被误认为是离焦区域 和离焦区域中被误认为是聚焦区域的小块区域去掉。
[0026] 然后，利用结构元素B对ODi进行数学形态学开运算，接着，利用形态学小面积移 除运算将开运算后生成被误认为是聚焦区域的小面积区域剔除，得到〇〇2,即
[0027] 孤2=孤i〇B。
[002引其中，0是数学形态学开运算，结构元素B为圆形扁平结构元素。
[0029] 最后，利用结构元素B对0化进行数学形态学闭运算，接着，利用形态学小面积移 除运算将闭运算后生成被误认为是离焦区域的小面积区域剔除，即可得到初始融合决策图 像0D，即
[0030] 孤二孤2 ?B。
[0031] 其中，?是数学形态学闭运算，结构元素B为圆形扁平结构元素，大小和开运算的 大小一样。
[0032] 步骤四；从初始融合决策图像0D提取聚焦区域和离焦区域的分界线Li(i=
[0033] 通过边缘提取、形态学桥接运算和形态学细化运算从初始融合决策图像0D提取 聚焦区域和离焦区域的分界线Li(i= 1，. . .，1)。其中，1为初始融合决策图像0D中聚焦 区域和离焦区域的分界线数目。
[0034] 步骤五：由自由边界条件活动轮廓模型，得到边界线图像Lfhai，并根据边界线图像 Lfhd和初始融合决策图像OD，得到最终融合决策图像Dfhai。
[0035] 首先，将提取到的聚焦区域和离焦区域的分界线作为自由边界条件活动轮廓模型 的初始轮廓Li(i= 1，. . .，1)，运行自由边界条件活动轮廓模型N次得到边界线图像Lfhai。
[0036] 然后，在边界线图像Lfhai分割的每个区域中，根据初始融合决策图像0D确定每一 个区域的清晰度。若边界线图像Lfhai中的某一区域R在初始融合决策图像0D中取1，则区 域R取值为1，拷贝源图像(X，y)中对应的区域到区域R;若边界线图像Lfi。。冲的某一区 域R在初始融合决策图像0D中取0,则区域R取值为0,拷贝源图像f2 (X，y)中对应的区域 到区域R。从而，获得最终融合决策图像Dfhai。
[0037] 步骤六：根据多聚焦图像融合的决策图像Dfi。。及制定的融合准则，生成最终的融 合图像。
[003引为使融合图像在边界处平缓过渡，制定了融合准则。本发明中，制定的融合准则如 下：
[0039] 首先，在决策图像0"。。1中，对边界进行高斯平滑，使边界的权重为高斯权重，平滑 后的最终决策图像为Dfhaic。
[0040] 然后，WDfinalG为权重拷贝源图像f1片y)到融合图像，Wl-DfinalG为权重拷贝源 图像f2 (X，y)到融合图像，两者之和即为最终的多聚焦融合图像f(X，y)，表示为
[0041] f(X，y) =Df化aiG><fi(x，y) + (l-DfinaiG)Xf2(x，y)。
[0042] 本发明的优点及功效在于；利用图像梯度表征多聚焦融合图像的清晰度，效果准 确且稳定，能够有效利用源图像的信息；结合形态学的小面积移除、开闭运算等运算能够有 效地提取多聚焦图像中聚焦区域和离焦区域的分界线；自由边界条件活动轮廓模型能够 使聚焦区域和离焦区域的分界线更准确，从而能够获得各处清晰的视觉效果良好的融合图 像。同时，本发明方法能够保留源图像的原始信息，不会产生对图像对比度、亮度有影响。因 此，本发明可W被广泛地应用于各类基于图像处理的应用系统，具有广阔的市场前景与应 用价值。
【附图说明】
[0043] 图1为本发明利用形态学和自由边界条件活动轮廓模型的多聚焦图像融合方法 的流程框图。
[0044] 图2为本发明结构元素B的形状表示图。
[0045] 图3(a)和3(b)是应用于图像融合的"时钟"多聚焦源图像。
[0046] 图3(c)是本发明方法的融合结果图像。
[0047] 图4(a)和4(b)是应用于图像融合的"气球"多聚焦源图像。
[0048] 图4(c)是本发明方法的融合结果图像。
[0049] 图5(a)和5(b)是应用于图像融合的"猎豹"多聚焦源图像。
[0050] 图5(c)是本发明方法的融合结果图像。
[0051] 图6 (a)和6(b)是应用于图像融合的"图书"多聚焦源图像。
[0化引图6(c)是本发明方法的融合结果图像。
[0化3] 图中符号说明如下：
[0054] 图1中，fi(X,y)、(X，y)为多聚焦源图像；Gi(X,y)、Gg(X,y)为图像的梯度， OFMi(X，y)、0FM2 (X，y)为初始清晰度分布图。
【具体实施方式】
[0055] 为了更好地理解本发明的技术方案，W下结合附图对本发明的实施方式作进一步 描述。本发明的原理及流程框图如图1所示，本发明的具体实施细节如下：
[0056] 步骤一；根据图像梯度构造图像初始清晰度分布图OFMi(X，y)。
[0化7] 图像的梯度特征能够很好地表征图像的清晰度。对灰度图像中的某一区域而言， 聚焦区域的灰度变化比离焦区域的灰度变化剧烈。而灰度变化反应在梯度特征上，因此可W使用图像的梯度特征来表征图像的清晰度。理想情况下，每幅源图像的聚焦区域中每个 像素位置的梯度都比其他源图像的离焦区域中对应像素位置的梯度大。因此，本发明利用 每幅源图像梯度的每个像素位置的像素值和它的八邻域的各个像素值之差的平方和来构 造初始清晰度分布图OFMi(X，y)。
[0058] 首先，计算源图像fi(X，y)(i=1，2)的梯度Gi(X，y);
[0059]Gi(x,y)= V f. (x,y),
[0060] 其中，（x，y)是图像的像素坐标。
[OOW] 然后，计算每幅源图像(X，y)的梯度Gi(X，y)中每个像素位置（X，y)的像素值与 W该像素为中屯、3X3邻域内各个像素值之差的平方和，将所得结果作为该像素位置的初 始清晰度分布图OFMi(X，y)，即
[0062]
[0063]步骤二；由初始清晰度分布图OFMi(X，y)计算得到粗趟清晰度分布图CFMi(X，y)， 再由CFMi(X，y)确定最终清晰度分布图FFMi(X，y)。
[0064] 由于初始清晰度分布图OFMi(X，y)是在像素的八邻域上计算得到的，只能表征局 部的信息，而且某些聚焦区域中每个像素位置的像素值与其八邻域像素值平方和之差有可 能会小于离焦区域的。该时，如果对每幅图像中的每个像素位置的像素值在其八邻域范围 内进行扩散，就可W对清晰度分布有更准确的估计，有效避免出现过小的孤立区域。因此， 本发明采用迭代计算初始清晰度分布图OFMi(X，y)的每个像素位置的像素值与其八邻域各 个像素值之和来构造粗趟清晰度分布图CFMi(X，y)。
[0065] 首先，计算初始清晰度分布图OFMi(x，y)中每个像素位置（x，y)的像素值与 W该像素为中屯、3X3邻域内各个像素值之和，并将所得结果作为粗趟清晰度分布图 CFMi(x,y)；
[0066]
[0067]然后，将得到