一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法技术

一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法，其步骤是：首先，提取多尺度多结构元素，再通过加权合并得到图像的多尺度形态学梯度特征；其次，构造图像的清晰度度量，利用该度量检测多聚焦源图像中聚焦与离焦区域的边界区域；再次，将边界区域细化，得到最终的边界线特征；接着，通过度量每幅源图像在边界线分割的清晰度度量，从而得到初始的多聚焦图像的融合决策图像；继而，滤除融合决策图像中的弱小孤立区域，并利用最近邻方法填补空白区域；此后，膨胀融合决策图像中的边界线，得到最终的融合决策图像；最后，根据融合决策图像及制定的融合策略得到一幅各处都清晰的融合图像。本发明专利技术广泛应用于各类图像处理的应用系统。

【技术实现步骤摘要】
一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法
本专利技术涉及一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法，属于数字图像处理领域，主要涉及数学形态学和图像融合技术。图像融合可以有效提高图像信息的利用率，并且为图像理解与分析等奠定良好基础。因此，多聚焦图像融合在各类基于图像的应用系统中有广阔的应用前景。
技术介绍
多聚焦图像融合技术，可以有效解决将同一场景中位于不同距离的景物都清晰地呈现在一幅图像中的难题。图像融合技术可以有效提高图像信息的利用率，是图像分析和模式识别的重要基础。图像融合技术通常能够为不同的图像处理应用提供更多的有用信息，如目标识别、显微成像和军事作战等。但是，多聚焦图像中聚焦区域的检测是多聚焦区域的一个难点，并且图像中的内容复杂，一般很难对所有区域的清晰度进行准确地度量。因此，多聚焦图像融合技术是非常困难的。为了更好地将多聚焦图像中不同距离的景物呈现在一幅图像中，研究者们提出了不同的方法。这些方法大致分为两类：变换域图像融合方法和空间域图像融合方法。常用的变换域融合方法主要包括：基于金字塔分解的方法(参见文献：彼得罗维奇等，基于梯度的多分本文档来自技高网...

【技术保护点】
一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法，其特征在于：它包含以下具体步骤：步骤一：构造用于提取多个尺度梯度特征的结构元素；设结构元素有n个尺度，即B1，B2，…，Bj，…，Bn，其中其中，所有结构元素均为圆形扁平结构元素；步骤二：计算每幅多聚焦图像fi(1≤i≤m)每个尺度j(1≤j≤n)下的梯度特征；通过形态学的梯度运算，利用构造的Bj按下式提取图像fi在尺度j上的梯度特征(G(i,j))：G(i,j)(x,y)=fi(x,y)⊕Bj-fi(x,y)ΘBj,]]>其中，(x,y)是图像像素坐标；和Θ分别为形态学膨胀和腐蚀运算，且其具体定义...

【技术特征摘要】
1.一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法，其特征在于：它包含以下具体步骤：步骤一：构造用于提取多个尺度梯度特征的结构元素；设结构元素有n个尺度，即B1，B2，…，Bj，…，Bn，其中其中，所有结构元素均为圆形扁平结构元素；步骤二：计算每幅多聚焦图像fi每个尺度j下的梯度特征；其中，1≤i≤m；1≤j≤n；通过形态学的梯度运算，利用构造的Bj按下式提取图像fi在尺度j上的梯度特征G(i,j)：其中，(x,y)是图像像素坐标；和Θ分别为形态学膨胀和腐蚀运算，且其具体定义如下：其中，f是原始图像；B是结构元素；(x,y)是图像像素坐标；(u,v)是结构元素中的像素坐标；步骤三：合并每幅多聚焦源图像fi各个尺度的梯度特征，得到每幅源图像的多尺度梯度特征灰度图像MSGi；其中，1≤i≤m；MSGi(x,y)＝w1×G(i,1)+w2×G(i,2)+…+wn×G(i,n),其中，wj为尺度j下梯度特征的加权权重；步骤四：利用多尺度形态学梯度特征构造图像清晰度度量，然后逐像素检测多聚焦源图像中聚焦区域与离焦区域的边界区域，得到多聚焦图像边界区域特征图像L；首先，构造用于度量图像清晰程度的多尺度形态学清晰度度量MSFM；度量图像中某区域的清晰度时，一般将该区域内的梯度特征之和作为该区域的清晰度度量；因此，在度量每幅源图像fi中每个像素位置(x,y)的清晰度时，将以该像素为中心(2k+1)×(2k+1)区域内的多尺度形态学梯度特征之和作为该像素位置的清晰度度量MSFMi(x,y)；其次，计算所有源图像fi中每个像素位置(x,y)对应梯度的最大值和最小值，分别作为近似的全聚焦图像的梯度特征图CMSG和全离焦图像的梯度特征图BMSG；其中，1≤i≤m；再次，利用全聚焦图像近似梯...

【专利技术属性】
技术研发人员：白相志，张余，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11