[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

摘要

本发明涉及一种基于显著性区域提取的多聚焦图像融合算法，其包括以下步骤1、利用GBVS算法得到两幅源图像的显著图；2、二值化显著图并分别计算其空间频率，得到空间频率图；3、利用分水岭算法检测空间频率图的微弱边缘，得到封闭区域并分类，通过比较不同区域的空间频率，找到其中的伪聚焦区域并将其滤除，剩余区域利用形态学方法得到聚焦区域；4、将源图像聚焦区域直接融合，离焦区域通过Shearlet变换分解得到其高频和低频子带系数，分别基于PCNN和拉普拉斯金字塔变换融合；5、重构融合系数，得到融合图像。本发明融合算法灰度级分布更加分散，图像纹理较丰富，细节突出。

主权项

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Tas和Tbs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Ft,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：Al、Bl和三层高频子带：Am,k、Bm,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Al、Bl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LF,ij；LF,ij=Alapl,if(Alapl≥Blapl)Blapl,if(Alapl<Blapl)---(2)]]>其中，i,j分别表示LF,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Am,k、Bm,k的系数，具体步骤如下：①将Am,k、Bm,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，fx、fy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,ifCSF(Aijm,k)>CSF(Bijm,k)Bijm,k,ifCSF(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Am,k，Bm,k在(i,j)点的系数；③利用Shearlet反变换重构LF,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。