浅述一种基于局部特征分析的多聚焦图像融合方法

摘 要： 提出了一种基于局部特征分析的多聚焦图像融合方法。首先采用二维经验模式分解（BEMD）对不同聚焦图像进行分解，得到多个内蕴模函数（IMF）分量，然后提取出第一个IMF分量的统计信息作为图像融合的依据，对多张不同聚焦的图像进行融合，得到最终的融合图像。实验结果表明，本文提出的均值IMF方案与其他方案相比，具有较高的融合质量和较低的计算复杂度。

随着科学技术的迅速发展，图像融合技术作为计算机图像处理中重要组成部分也逐渐发展起来。图像融合主要是将同一场景中的多张图像信息加以提取，得到相应场景更精确、更详细、更全面的信息，以便对图像进行进一步的分析和研究。目前，图像融合技术在医学、生物学、物理学、电子和机械等各个领域都有巨大的发展潜力，如显微镜多聚焦图像的融合、医学上CT与核磁共振图像的融合、军用图像传感系统等方面。

近三十年来，图像融合技术的研究在国内的各个领域取得很大进步，开发出了多种图像融合系统。但是相对于国外先进的技术，国内的图像融合技术还存在许多理论方面和技术方面的问题，因此，对于深入展开图像融合技术的研究在现阶段有很重大的意义。

基于理论的成熟性，目前已提出了很多图像融合模型和算法。早期的图像融合方法主要有平均、HIS变换、主分量分析、高通滤波等。这些方法在进行融合处理时都不对待融合图像进行分解变换，融合处理仅仅只在一个层次上进行，都是比较简单的图像融合算法［1］。20世纪80年代中期，BURT D J等人提出了拉普拉斯金字塔算法［2］。后来相继出现了基于对比度金字塔、基于梯度金字塔等金字塔式融合算法［3］。

随着小波理论的兴起，Chipman等人又提出一种基于小波理论的图像融合，TANG J S提出了基于DCT变换［4］的图像融合。基于空间域和频域变换的图像融合算法是目前研究较多的图像融合算法。在大部分图像融合算法的研究中，由于应用范围和要求不同，各种图像融合算法和模型相对而言各有优缺点，因此需要发展更适用、性能更优的图像融合算法。

本文主要对多聚焦图像融合算法进行研究。多聚焦图像融合技术主要应用于电子显微镜、数码相机等光学成像系统中，得到一个所有目标都聚焦清晰的融合图像，以便于人眼观察或机器进一步处理。图像融合分为3类：像素级图像融合、特征级图像融合和决策级图像融合［5］。

本文针对特征级图像融合提出一种基于局部特征分析的多聚焦图像融合方法，该方法摒弃了基于空间域和频域的融合算法研究，采用二维经验模式分解BEMD（Bidimensional Empirical Mode Decomposition）运用到显微图像融合中，通过数学形式获取图像的BIMF分量的均值得到显微图像的特征。BEMD分解方法是一种完全自适应的数据分解表达形式，基于BIMF分量评价方法含有的信息量比基于频域和基于空间域系数特征大，具有比傅里叶变换和小波分解更好的特性。

1 基于BEMD分解的显微图像融合

1.1 融合图像特征提取

对输入图像I（x，y），采用BEMD［6］将图像I（x，y）分解成多个内蕴模式函数IMF（Intrinsic Mode Function）分量和残差分量，分别记为imfi（x，y）和RI（x，y）。由于第一个IMF分量含有图像的大部分高频信息，包括了待融合图像突出的边缘、线条和区域边界等强对比度物理信息，足以表征图像的模糊特性，因此，本文只对第一个IMF分量进行处理，然后提取出该IMF的图像特征，根据图像特征选用适当的图像融合规则。本文设计了以下3种图像融合算法。

2 实验结果与分析

首先采用自然图像对本文的各种方案性能进行测试。图2（a）和（b）给出了2张不同聚焦的自然图像，图2（c）、（d）和（e）分别给出了IMF-GGD方案、IMF-Hilbert方案和IMF-Mean方案的融合结果。从图中可以看出，IMF-GGD方案以尺度参数作为图像融合准则，其融合效果较差，块效应比较明显，并且高斯拟合的复杂度较高；IMF-Hilbert方案的融合结果稍有所提高；IMF-Mean方案得到的融合图像效果最佳，局部区域的模糊块最少，并且采用IMF-Mean方案的计算复杂度相对其他两种方案是最低的，非常适合图像融合应用。

进一步采用显微图像对本文的各种方案性能进行测试。图3给出了对2张不同聚焦的显微图像采用IMF-GGD方案、IMF-Hilbert方案和IMF-Mean方案得到的融合图像，图4给出了对5张不同聚焦的显微图像采用IMF-Mean方案得到的融合入图像。从实验结果可以看出，IMF-Mean方案能够得到较好的融合效果。由于显微图像的分辨率较高，对算法的实时性要求较高，而本文提出的IMF-Mean方案复杂度较低，为数码显微镜在线融合系统的开发提供了可能性。

本文提出了一种基于局部特征分析的多聚焦图像融合方法。本文算法的优点在于采用BEMD对多聚焦图像进行分解，提取多个IMF分量，分解过程是自适应的，完全由数据驱动，可以提取出各幅源图像的聚焦清晰的细节信息；并且，基于均值的融合准则能得到较好的图像融合效果，计算复杂度较低。在本文研究的基础上，将进一步结合区域重要性信息进行图像融合操作。

参考文献

［1］ 王春华。图像融合研究综述［J］。科技创新导报，2011（13）：11-13.

［2］ BURT P J.， KOLCZYNSKI R J.， Enhances image capture through fusion［C］。 International Conference on Computer Vision， 1993， 173-182.

［3］ TOET A， RUYVEN V， VALETON J J， et al. Merging thermal and visual images by a contrast pyramid［J］。 Optical Engineering， 1989， 28（7）： 789-792.

［4］ Tang Jinshan. A contrast based image fusion technique in the DCT domain［J］。 Digital Signal Processing， 2004， 14（3）： 218-226.

［5］ 黄伟。像素级图像融合研究［D］。上海：上海交通大学，2008.

［6］ 王珊珊，邵枫，郁梅，等。基于二维经验模式分解的无参考模糊失真立体图像质量评价方法［J］。光电工程，2013，40（9）：28-34.

［7］ 汪太月，李志明。一种广义高斯分布的参数快速估计法［J］。工程地球物理学报，2006，3（3）：172-176.

［8］ 乔丽红。二维Hilbert-Huang变换及其在图像处理中的应用［D］。石家庄：河北师范大学，2010.

［9］ 陈颖。显微图像融合算法研究［D］。北京：中国科学院研究生院，2010.

编辑：jq