[发明专利]基于NSCT及深度信息激励PCNN的多聚焦图像融合方法

权利要求书

1.一种基于非下采样Contourlet变换及深度信息激励PCNN的多聚焦图像融合方法其特 征在于，对多聚焦的源图像进行多尺度多方向的非下采样Contourlet变换后，对低频子带和 高频子带采取不同的融合规则得到融合子带系数，高频子带采用改进的PCNN模型确定融合 系数，最后通过非下采样Contourlet逆变换得到融合图像。

2.根据权利要求1，本发明方法包含以下具体步骤：

(1)在对同一场景的多聚焦图像进行配准的预处理基础上，分别对多聚焦图像I_A和I_B进 行多尺度、多方向的非下采样Contourlet变换，两图各分解为一幅低频子带图像和一系列不 同分辨率的高频子带图像；

(2)对低频子带图像I_A-lf和I_B-lf采用基于子带系数的边缘信息能量来得到融合后的低频 子带图像I_F-lf，而没有采用传统方法平均法，因为该方法没有考虑图像边缘的信息，降低了 图像的对比度，能量表达式为：

Eedge(d)=Σi=1mΣj=1n|I(i,j)|2]]>

I(i,j)为边缘矩阵元素；

(3)高频子带图像和采用改进的PCNN进行融合得到融合后的高频子带图像 和分别为源图像分解后的第k尺度、l方向上的高频子图像；

(4)逆变换，对得到的高频及低频图像采取非下采样Contourlet逆变换，得到融合后的 图像I_F。

3.根据权利要求2，高频子带图像融合规则采用的改进PCNN模型的融合策略，其具体 步骤如下：

(1)PCNN模型初始化，设定参数的初始值和迭代次数；

(2)将高频子带图像作为输入图像，每个像素点对应一个神经元，但不是将像素点的灰度 值作为输入对象；

(3)将改进拉普拉斯能量和(SML)与图像深度信息d(r)结合的因子作为神经元输入，用 I(i,j)表示图像在(i,j)处的系数，SML的定义如下：

▿ML2f(x,y)=|2f(x,y)-f(x-1,y)-f(x+1,y)|+|2f(x,y)-f(x,y-1)-f(x,y+1)|]]>

SML(i,j)=Σx=i-Ni+NΣy=j-Nj+N▿ML2f(x,y)]]>

引入的深度信息可用来移除图像的不清晰边缘，深度信息d(r)的定义如下：

d(r)∝1[R(r)]2-1]]>

R(r)=||▿i(x,y)||||▿i1(x,y)||=▿i(x)2+▿i(y)2▿i1(x)2+▿i1(y)2]]>

▿i1(x)=▿(i(x)⊗g(x,σ0))=▿((Au(x)+B)⊗g(x,σ)⊗g(x,σ0))=A2π(σ2+σ02)exp(-x22(σ2+σ02))]]>

R(r)表示输入的散焦图像的梯度和它的高斯核重模糊图像梯度的比值，σ₀表示重模糊核 的标准偏差，称为重模糊尺度，则PCNN的输入项F_ij定义为：

F_ij＝SML(i,j)*[d(r)]^-2

N为区域窗口大小；

(4)与原始PCNN模型不同，本发明的PCNN模型神经元的链接强度并没有取相同的固定 常数值，而是由对应的像素特征所决定，本文将采取像素的拉普拉斯能量(laplace_energy,LE) 以及可见度(visibility,VI)作为神经元的链接强度值；

LE=Σ(u,v)∈ω(fuu+fvv)2]]>

VI=1NΣ(u,v)∈ω(1mk)α.|f(u,v)-mk|mk]]>

其中f(u,v)为(u,v)处的像素值，ω为以(x,y)为中心的窗口，m_k为窗口中的像素灰度平 均值，N为该窗口中总的像素数，拉普拉斯能量越大，该局部图像越清晰；

(5)取得以拉普拉斯能量及可见度作为神经元的链接强度后，分别计算相应的图像 pcnnA_LE及pcnnA_VI值，图像A的pcnnA＝(pcnnA_LE+pcnnA_VI)/2；同理也可以计算图像B的 pcnnB＝(pcnnB_LE+pcnnB_VI)/2，pcnnA与pcnnB二者中较大的系数作为最终的NSCT系数。