[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

说明书

技术领域

本发明涉及图像融合的技术，特别涉及一种基于二维经验模态分解的显微图像融合方法，用以融合显微成像过程中聚焦位置不同的多幅图像，由局部清晰的序列图像提取得到整幅清晰的图像，特别适合红外光源条件下的显微成像。

背景技术

图像融合是以图像为主要研究内容的信息融合技术，是将两幅或多幅图像合成为一幅图像，以获取对同一场景的更为精确、更为全面、更为可靠的图像描述。图像融合技术通过有效地利用多幅图像间的冗余性和互补性，使融合后的图像更适合人的视觉感受，适合计算机的理解、分析及后续处理的需要，如：图像分割、目标识别等。

至今为止，人们已研究出了多种方法用于融合多聚焦图像，可主要分为空域融合方法和多分辨分析方法两大类。

各类空域融合方法计算速度快，但在处理离焦程度较大的显微图像时，容易产生块效应，效果不理想。

以小波变换为代表的多分辨分析方法具有良好的平滑性能，目前得到广泛的应用和认可，但这种方法有两个问题：一是所抽取的特征只能反映图像在单一函数经过平移和伸缩所构成函数上的能量；二是需要对小波基和一些参数进行选取。

1998年美国学者Norden E.Huang等人提出了一种用于分析非线性非平稳数据的经验模态分解(Empirical Mode Decomposition，EMD)方法，它是基于数据时域局部特征、自适应的时频分析工具。二维经验模态分解(Bidimensional Empirical ModeDecomposition，BEMD)是一维EMD分解思想与方法在二维平面上的推广，可用于图像数据的分析和处理，通过将原始图像自适应地分解为有限数量的子图像，可以将图像从高频到低频的局部窄带的各个细节清晰地分解出来，残差表示图像趋势。提取来的各级固有模态函数(Intrinsic Mode Function，IMF)都具有当前图像中局部最高的空间振荡频率，也就是当前图像的纹理特征。这种新的图像多尺度分析方法，其与传统多尺度分析技术区别主要在于：首先，极值点距离被引入进行局部尺度的确定从而使分解具有自适应和完全数据驱动的特性；其次，每一成分的提取都使用迭代计算方法，并使用某种准则确定迭代的终止。由于这些原因，BEMD在自适应的提取图像符合视觉感知的成分上有其独特的优势。但作为一种新兴的技术，BEMD方法在理论上还不尽完善，其应用更处于起步阶段，且很少有关于图像融合的讨论和具体应用的尝试，需深入研究探索。

主成分分析(PCA)是统计学中分析数据的一种有效的方法，其主要目的是降维，并且在降维后保存了原数据中的主要信息，从而使数据更易于处理。但是，在非多尺度分解的框架下，基于PCA分解确定加权系数的图像融合方法对显微图像聚焦细节信息的提取能力有限。但若能将该方法融入多尺度分解算法，必将取得更好的融合图像，值得在这方面继续加以研究。

综上，目前的现有融合技术应用于序列显微图像融合，特别是红外光源条件下的显微图像的融合时，还存在一些不足：各类空域融合方法存在块效应问题；小波变换方法只提取水平、垂直和对角线三个方向细节信息且需要对小波基等参数进行选择，并且参数选择的好坏对融合结果有很大的影响。

发明内容

本发明的目的在于，针对现有技术的不足，本发明立足提出一种显微图像融合方法，以期达到既不产生块效应现象，又无需人为进行参数的选择，并且能够更好地提取显微图像的聚焦信息的目标，实现全二维的自适应显微图像融合，从而提供一种基于二维经验模态分解的显微图像融合方法，其基于全新的多尺度分解结构，具有完全数据驱动的自适应性，具有更强的细节获取能力，并且反映显微图像独特的视觉意义，运用主成分分析方法和局部显著性准则进行分解后各成分的处理，使得融合后图像的质量得到提高。

对于普通显微镜，本发明可以有效扩大显微镜的景深，特别地，可以应用于使用红外光源的显微观察领域，如对具有趋光性的微小生物体的显微镜观察，还可以用于生物学、病理学、药物化学、材料检测等领域。