[发明专利]一种基于深度信息提取的多聚焦图像融合方法

说明书

技术领域

本发明涉及一种多聚焦图像融合方法，尤其是涉及一种基于深度信息提取的多聚焦图像融合方法。

背景技术

光学镜头在进行光学成像的过程中，由于光学成像系统的聚焦范围有限，会使处于聚焦区域外的物体成像模糊.而多聚焦图像融合能够对聚焦区域不同的多个图像进行融合处理，合成清晰图像，改善视觉效果.目前多聚焦图像融合已在目标识别，显微成像，军事作战，机器视觉等领域得到了广泛应用.多聚焦图像融合的方法主要分为两类：基于空间域的方法和基于变换域的方法。

基于空间域的方法主要依据图像像素的空间特征信息对图像进行融合处理.由于单像素无法表示图像空间特征信息，一般采用分块的方法，然后计算出每个小块的清晰度，以此来进行图像融合的处理，该方法对于区域细节丰富的图像有较好的处理效果，但是对平坦区域的处理容易造成误判，分块的大小也难以选择，计算量较大，并且会使图像边缘出现不连续的小块，产生严重的块效应。

而基于变换域的方法则是将图像进行某种变换，然后进行融合处理。基于金字塔变换的多聚焦图像融合算法是一种经典的图像融合算法，能够得到不错的融合效果，但是处理过程复杂并且容易丢失图像细节信息。小波变换由于其良好的时域和频域局部特性以及多分辨特性在图像融合领域也有广泛应用，但其有限的方向分解性并不能很好的提取出图像特征。于是，近几年多尺度几何分析的方法被人们广泛应用于多聚焦图像融合领域，如脊波(Ridgelet)，曲线波(Curelet)，轮廓波(Contourlet)，剪切波(Shearlet)等.Ridgelet变换是一种非自适应的高维函数表示方法，对含直线奇异的多变量函数能够达到最优的逼近阶；Curvelet变换能够很好的对封闭曲线进行逼近；Contourlet变换继承了Curvelet变换的各向异性尺度关系；Shearlet变换在频率域上具有紧支撑性，局部特性较好。基于频域的方法很大程度上可以解决空间域算法中块效应的问题，但是它无法直接提取多聚焦源图像中的清晰像素点，需要通过反变换来进行融合图像的重构，对源清晰图像的信息保留较少，并且会因为多尺度下对应融合系数的来源不一致而产生伪Gibbs现象，使处理后的图像边缘出现虚假轮廓，纹理等人工效应。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种能够消除边缘的块效应，抑制虚假边缘等人工副效应的产生，尽可能多地保留原始图像的信息，维持图像清晰度，提高融合图像的质量的一种基于深度信息提取的多聚焦图像融合方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于深度信息提取的多聚焦图像融合方法，其特征在于，包括以下步骤：

步骤1：采集一组多聚焦图像，该多聚焦图像是同一场景下分别聚焦于前景、背景的一组多聚焦图像；

步骤2：利用各向异性热扩散理论建模多聚焦图像的成像过程，获取步骤1中采集的原始的多聚焦图像的深度信息，该深度信息的提取基于带有正则化项的能量泛函极值求取，并通过迭代获得场景的深度信息；包括以下子步骤：

步骤2.1：获取拍摄多聚焦图像的相机的标定参数，并设定阈值ε，虚拟时间Δt，正则化参数α，步长β以及迭代次数Nit；相机的标定参数包括焦距f，象距v1和v2，镜头孔径D，相机参数γ；

步骤2.2：初始化深度信息此时图像中每个点的初始深度值均为此值；其中y是图像二维坐标；

步骤2.3：依据深度信息，计算相应的扩散系数c(y)和扩散区域Ω+、Ω-；