[发明专利]一种基于显著性区域提取的多聚焦图像融合方法

权利要求书

1.一种基于显著性区域提取的多聚焦图像融合方法，其特征在于，包括以下步骤：

(1)利用GBVS算法分别计算源图像A和B的显著性分布图G₁和G₂；

(2)二值化显著性分布图G₁和G₂，并分别计算其空间频率，得到空间频率图S₁和S₂；其中，求取显著性分布图G₁和G₂的灰度均值T_as和T_bs做为二值化阈值；

(3)利用分水岭算法检测空间频率图S₁和S₂的微弱边缘，连接边缘得到封闭区域其中，s＝1,2,...n，n为封闭区域个数，并将分类，比较不同区域的空间频率通过公式(1)找到其中的伪聚焦区域F_t,其中，t＝1,2,...p,p＜n，并将其滤除；利用形态学方法，先腐蚀后膨胀合并剩余封闭区域，即聚焦区域，将源图像分为聚焦区域M₁、M₂和离焦区域U₁、U₂；

Ft=DsA,if(DsA<DsB)DsB,if(DsA>DsB)---(1)]]>

(4)将源图像聚焦区域直接融合，离焦区域通过Shearlet变换分别进行三层分解，获得各自的一个低频子带：A^l、B^l和三层高频子带：A^m,k、B^m,k，m＝1,2,3，其中1-3层分别包含10，10，18个方向子带；分别基于脉冲耦合神经网络PCNN和拉普拉斯金字塔变换融合，具体为：

分别建立融合规则：

低频子带A^l、B^l利用拉普拉斯金字塔分解，得到分解系数通过公式(2)的比较取大法选择低频融合系数L_F,ij；

LF,ij=Alapl,if(Alapl≥Blapl)Blapl,if(Alapl<Blapl)---(2)]]>

其中，i,j分别表示L_F,ij的行数和列数；

通过基于脉冲耦合神经网络的融合规则融合高频子带A^m,k、B^m,k的系数，具体步骤如下：

①将A^m,k、B^m,k分别输入到PCNN的两个输入端，利用公式(3)计算系数的对比敏感度因子CSF作为PCNN的外部激励；

CSF(f)=2.6×(0.0192+0.114f)exp[-(0.114f)1.1]---(3)]]>

其中，是空间频率，f_x、f_y分别是水平和竖直方向的空间频率，

fx=1MNΣi=0M-1Σj=1N-1f(i,j)-f(i,j-1)2---(4)]]>

fy=1MNΣi=1M-1Σj=0N-1f(i,j)-f(i-1,j)2---(5)]]>

其中，M为源图像行数，N为源图像列数；

②根据公式(6)比较得到各方向子带的融合系数：

HF,ijm=Aijm,k,if CSF(Aijm,k)>CSF(Bijm,k)Bijm,k,if CSF(Aijm,k)<CSF(Bijm,k)---(6)]]>

其中，m指第m层分解，k指第k个方向子带,是高频子带A^m,k，B^m,k在(i,j)点的系数；

③利用Shearlet反变换重构L_F,ij和得到融合系数F；

其中，i,j分别表示和的行数和列数；

(5)重构融合系数F，得到融合图像。