[发明专利]一种基于二维经验模态分解的显微图像融合方法

权利要求书

1.一种基于二维经验模态分解的显微图像融合方法，该方法采用二维经验模态分解方法对采集的序列显微源图像进行多尺度分解，获得源图像的多级尺度的高频分量，按照局部显著性准则进行融合处理，并对源图像的低频分量采用主成分分析方法进行融合处理，最后反向重构获取融合图像，该方法包括如下步骤：

(1)对采集的序列显微源图像X₁，X₂，...，X_n分别进行二维经验模态分解处理，二维经验模态分解BEMD的过程反映了提取局部最高频、次高频的过程，得到每幅源图像的n级固有模态函数分量IMF和一个残差分量；

(2)对不同源图像对应的各级固有模态函数分量IMF中的像素，采用基于区域极大值的局部显著性选择准则进行融合处理，使得将融合后的固有模态函数分量具备所有源图像的清晰聚焦的细节信息；

(3)利用主成分分析PCA方法，分别计算出不同源图像对应的残差分量的自适应融合权重，按权重进行残差分量的融合处理；

(4)将融合后的各级固有模态函数分量和残差分量反向重构获取融合图像。

2.根据权利要求1所述的基于二维经验模态分解的显微图像融合方法，其特征在于，所述的步骤(1)中对每一幅源图像进行图像高频到低频的自然尺度分离，首先，分解出来的第1级固有模态函数IMF₁是图像所含有的最高频率分量，该分量的各处频率都对应着图像在各处的局部最高频，源图像减去第1级固有模态函数得到第1级残差分量；对第1级残差分量再进行分解，得到第2级固有模态函数和第2级残差分量；依此类推，得到n级固有模态函数和第n级残差；

所述的二维经验模态分解BEMD的处理过程包括如下步骤：

(1-1)：为了避免二维经验模态分解产生边界效应，采用局部镜像延拓对原始图像进行四周边界处理：I_原图＝F_镜像(I_原图)；

(1-2)：初始化：I＝I_原图，I_残差＝I，j＝0，j表示IMF的分解级数；

(1-3)：对所处理的残差图像曲面I_残差求取曲面局部极值点，包括所有局部极大值和极小值，初始时，I_残差就是源图像曲面I_原图；

(1-4)：对各极大值点和各极小值点分别进行曲面拟合，经插值后得到极大值点对应的上包络曲面F_u和极小值点对应的下包络曲面E_l；

(1-5)：将两曲面数据求平均得到均值包络曲面数据E_m：E_m＝(E_u+E_l)/2；

(1-6)：计算筛分终止条件标准偏差SD：

(1-7)：提取细节，用残差图像曲面减去均值包络曲面求得差值：I_残差＝I_残差-E_m；

(1-8)：重复上述步骤(1-3)～步骤(1-7)，直到满足给定的终止条件：(a)IMF的极值点和过零点数目必须相等或至多只相差一点；(b)在每一像素点，由极大值点定义的上包络线和由极小值点定义的下包络线的平均值为零；

(1-9)：计算残差，用图像I减去第j层固有模态函数(即I_残差)得到第j层残差分量并赋值给I：I＝I-I_残差；

(1-10)：对残差分量I重复步骤(1-3)～步骤(1-9)，直到满足残差不含IMF分量或已达到所需要的运算级数，依次得到图像的n级固有模态函数和第n级残差分量。

3.根据权利要求2所述的基于二维经验模态分解的显微图像融合方法，其特征在于，所述的步骤(1-3)中，图像的局部极大值点为灰度值比周围3×3区域8个相邻像素点灰度值都高的点，图像的极小值点为灰度值比周围8个相邻像素点灰度值都低的点。