基于图像抠图技术的多聚焦图像融合方法.docVIP

基于图像抠图技术的多聚焦图像融合方法 　　摘要：针对多聚焦图像融合容易出现信息丢失、块效应明显等问题，提出了一种新的基于图像抠图技术的多聚焦图像融合算法。首先，通过聚焦检测获得源图像的聚焦信息，并根据所有源图像的聚焦信息生成融合图像的三分图，即前景、背景和未知区域；然后，利用图像抠图技术，根据三分图获得每一幅源图像的精确聚焦区域；最后，将这些聚焦区域结合起来构成融合图像的前景和背景，并根据抠图算法得到的确定前景、背景对未知区域进行最优融合，增强融合图像前景、背景与未知区域相邻像素之间的联系，实现图像融合。实验结果表明，与传统算法相比，所提算法在客观评价方面能获得更高的互信息量（MI）和边缘保持度，在主观评价方面能有效抑制块明显效应，得到更优的视觉效果。该算法可以应用到目标识别、计算机视觉等领域，以期得到更优的融合效果。 　　关键词： 　　多聚焦图像；聚焦信息；三分图；图像抠图；图像融合 　　中图分类号： TP391.413 文献标志码：A 　　0引言 　　摄像机单一传感器不能聚焦所有的目标，因此，在对同一场景中不同物体成像时，摄像机无法获得场景中所有物体都清晰的图像。多聚焦图像融合技术能将多幅图像融合成为一幅图像，并提供更完整、更精确和可靠的信息，以便于人的观察或机器的后续处理。多图像融合算法在遥感图像处理、机器视觉等领域中获得了越来越多的应用[1-2]。 　　目前，针对多聚焦图像融合算法的研究，主要分为变换域融合和空间域融合两大类。现有的变换域融合算法大多基于多尺度变换，包括以下3个步骤：首先，将源图像经过变换得到相应的变换系数；然后，根据给定的融合规则合并变换系数；最后，对融合系数进行逆变换构造，得到融合图像。常用的变换域方法包括拉普拉斯金字塔（Laplacian Pyramid， LP）变换[3]、离散小波变换（Discrete Wavelet Transform， DWT）[4]、双树复小波变换（DualTree Complex WT， DTCWT）[5]、曲线波变换（Curvelet Transform）[6]、非下采样轮廓波变换（NonsubSampled Contourlet Transform， NSCT）[7]、剪切波变换（Shearlet Transform）[8]和稀疏表示（Sparse Representation， SR）[9]等。因为变换域存在不同程度的分解，所以在融合过程中会因为融合系数的不同而存在信息丢失，导致融合图像表达信息的不完整。而基于空间域的融合方法，是利用一定的方法找到源图像各自的聚焦像素或区域，然后直接选取这些不同的像素或区域构成融合图像。常用的基于空间域的方法加权平均法（Average）、主成分分析法（Principal Component Analysis， PCA）、图像形态学（Morphology， M）、清晰度评价函数等[10]，但是，在不同场景中，由于相机运动或物体运动，可能造成同一场景包含不同的内容，致使不能准确判断一个像素或区域是否模糊。此外，源图像变得复杂时，传统的基于像素或区域的方法不能得到非常准确的融合结果。 　　抠图技术因电影工业的需求而产生，其目的是将前景从背景中分离出来，以便将分离出来的前景注入到新的背景中，生成期望的图像或视频，达到完美的视觉效果。从早期简单的光学抠图到如今利用计算机技术的数字抠图，抠图技术获得了巨大发展和进步。目前，抠图技术日趋成熟，可以从任何图像或视频中提取出任意形状的前景对象[11]。 　　针对变换域融合存在信息丢失和空间域融合不能得到复杂图像的准确融合结果的缺点，本文提出了一种新的基于图像抠图技术的多聚焦图像融合算法。首先，通过聚焦检测获得源图像的聚焦信息；然后，根据聚焦信息，利用抠图技术获得对应源图像的聚焦区域，增强了图像的聚焦区域和相邻像素之间的联系，有效解决相同场景中包含不同内容的多聚焦图像融合问题；最后，将所有的聚焦区域进行融合，构成融合图像。此外，在图像内容变得复杂时，传统的融合方法达不到性能最优，而抠图技术能够准确地找到源图像的前景轮廓，得到非常精确的融合结果。理论分析和实验结果表明，与传统的方法相比，本文算法的融合结果在融合图像的细节、轮廓处更令人满意。 　　1图像抠图 　　根据用户需求，图像抠图技术把一幅图像准确区分为前景部分和背景部分。在图像抠图模型中，观察到的图像I（x，y）可以被看作是前景F和背景B的组合： 　　C=αF+（1-α）B（1） 　　其中：α为不透明度，α为0或1时即为简单的前景和背景的图像分割[12]。抠图技术的关键在于找到准确的α值，以将前景从背景中分离出来。由式（1）知，得到准确的融合图像需要确定的前景和背景，因此，大多情况下，除了源图像外，还需要用户提供一