一种基于目标检测的多聚焦图像融合方法及相关装置制造方法及图纸

本申请公开了一种基于目标检测的多聚焦图像融合方法及相关装置，方法包括：基于改进

【技术实现步骤摘要】
一种基于目标检测的多聚焦图像融合方法及相关装置


[0001]本申请涉及图像处理
，尤其涉及一种基于目标检测的多聚焦图像融合方法及相关装置
。

技术介绍

[0002]多聚焦图像融合技术可以将多幅同一场景下聚焦区域不同的图像融合成一幅全清晰的图像，在这个过程中需要保留目标整体到多聚焦图像融合中，由于目标物体具有可移动性，因此需要通过构造像素清晰度测量方法，正确区分清晰像素和模糊像素
。
[0003]为了提高清晰像素和模糊像素的区分效果，现已存在基于空间域的方法
、
基于变换域的方法和基于深度学习的方法，相关技术在区分聚焦和非聚焦区域边界的效果上不断改进
。
为了更精细地区分清晰像素和模糊像素的边界，现有技术往往先将图像按一定的规则进行分解，再通过特定的清晰度测量方法来生成决策图
。
如多尺度几何变换，先将源图像分解成不同级数和方向的子系数，根据子系数设计融合规则进行图像融合
。
[0004]但是，现有多聚焦图像融合技术仅简单的判断不同焦点图中清晰与模糊像素点，并未考虑像素点是否属于目标物体；基于移动的目标物体分析，获取的图像中的目标物体很可能会发生位移和缺失，直接进行图像融合会导致多聚焦融合后的目标物体出现变形或者缺损，融合效果较差
。

技术实现思路

[0005]本申请提供了一种基于目标检测的多聚焦图像融合方法及相关装置，用于解决现有技术并未针对性分析移动物体的像素点归属特性，导致多聚焦融合图像中的目标容易出现变形或者缺失的技术问题
。
[0006]有鉴于此，本申请第一方面提供了一种基于目标检测的多聚焦图像融合方法，包括：基于改进
YOLO
模型对多张当前待融合图像进行目标检测，得到二值化粗掩模图；采用预设特征图和高斯混合模型对所述二值化粗掩模图进行优化更新，得到精细化掩模图；通过改进密集型拉普拉斯算子对所述当前待融合图像进行基于像素点的多尺度计算，得到密集型拉普拉斯图；基于像素点相似度和广义随机游走算法对所述密集型拉普拉斯图进行关联分析，得到精细化决策图；采用所述精细化掩模图在所述精细化决策图中进行像素点选取，得到目标决策图；将所述目标决策图与所述当前待融合图像进行多聚焦图像融合，得到目标融合图像
。
[0007]优选地，所述采用预设特征图和高斯混合模型对所述二值化粗掩模图进行优化更
新，得到精细化掩模图，包括：采用缩放处理后的所述二值化粗掩模图初始化高斯混合模型；通过初始化后的所述高斯混合模型对预设特征图进行背景和前景分类操作，得到精细化掩模图，所述预设特征图在卷积神经网络中获取
。
[0008]优选地，所述基于像素点相似度和广义随机游走算法对所述密集型拉普拉斯图进行关联分析，得到精细化决策图，包括：对不同尺度上的所述密集型拉普拉斯图进行比较操作，生成二值化粗决策图；依次对所述二值化粗决策图进行变量节点之间的相似度分析，所述变量节点与标签节点之间的相似度分析，得到第一权重和第二权重；采用广义随机游走算法根据所述第一权重和所述第二权重计算所述二值化粗决策图中像素点的概率值；在所述二值化粗决策图中选取最大的所述概率值对应的像素点生成精细化决策图
。
[0009]优选地，所述对不同尺度上的所述密集型拉普拉斯图进行比较操作，生成二值化粗决策图，之后还包括：采用引导滤波技术对所述二值化粗决策图进行平滑化处理
。
[0010]本申请第二方面提供了一种基于目标检测的多聚焦图像融合装置，包括：目标检测单元，用于基于改进
YOLO
模型对多张当前待融合图像进行目标检测，得到二值化粗掩模图；优化更新单元，用于采用预设特征图和高斯混合模型对所述二值化粗掩模图进行优化更新，得到精细化掩模图；尺度计算单元，用于通过改进密集型拉普拉斯算子对所述当前待融合图像进行基于像素点的多尺度计算，得到密集型拉普拉斯图；像素分析单元，用于基于像素点相似度和广义随机游走算法对所述密集型拉普拉斯图进行关联分析，得到精细化决策图；像素选取单元，用于采用所述精细化掩模图在所述精细化决策图中进行像素点选取，得到目标决策图；图像融合单元，用于将所述目标决策图与所述当前待融合图像进行多聚焦图像融合，得到目标融合图像
。
[0011]优选地，所述优化更新单元，具体用于：采用缩放处理后的所述二值化粗掩模图初始化高斯混合模型；通过初始化后的所述高斯混合模型对预设特征图进行背景和前景分类操作，得到精细化掩模图，所述预设特征图在卷积神经网络中获取
。
[0012]优选地，所述像素分析单元，包括：像素比较子单元，用于对不同尺度上的所述密集型拉普拉斯图进行比较操作，生成二值化粗决策图；相似分析子单元，用于依次对所述二值化粗决策图进行变量节点之间的相似度分析，所述变量节点与标签节点之间的相似度分析，得到第一权重和第二权重；概率计算子单元，用于采用广义随机游走算法根据所述第一权重和所述第二权重
计算所述二值化粗决策图中像素点的概率值；图像生成子单元，用于在所述二值化粗决策图中选取最大的所述概率值对应的像素点生成精细化决策图
。
[0013]优选地，还包括：平滑滤波单元，用于采用引导滤波技术对所述二值化粗决策图进行平滑化处理
。
[0014]本申请第三方面还提供了一种基于目标检测的多聚焦图像融合设备，所述设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于目标检测的多聚焦图像融合方法
。
[0015]本申请第四方面还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的基于目标检测的多聚焦图像融合方法
。
[0016]从以上技术方案可以看出，本申请实施例具有以下优点：本申请中，提供了一种基于目标检测的多聚焦图像融合方法，包括：基于改进
YOLO
模型对多张当前待融合图像进行目标检测，得到二值化粗掩模图；采用预设特征图和高斯混合模型对二值化粗掩模图进行优化更新，得到精细化掩模图；通过改进密集型拉普拉斯算子对当前待融合图像进行基于像素点的多尺度计算，得到密集型拉普拉斯图；基于像素点相似度和广义随机游走算法对密集型拉普拉斯图进行关联分析，得到精细化决策图；采用精细化掩模图在精细化决策图中进行像素点选取，得到目标决策图；将目标决策图与当前待融合图像进行多聚焦图像融合，得到目标融合图像
。
[0017]本申请提供的基于目标检测的多聚焦图像融合方法，通过
YOLO
模型的目标检测和高斯混合模型的优化更新获取精确可靠的精细化掩模图；并且采用改进密集型拉普拉斯算子对像素的活动水平建模，提高了计算稳定性；此外，采用精细化掩模图在精细化决策图中选取目标像素点，可以将属于目标的像素点保留在生成的目标决策图中，更加符合实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于目标检测的多聚焦图像融合方法，其特征在于，包括：基于改进
YOLO
模型对多张当前待融合图像进行目标检测，得到二值化粗掩模图；采用预设特征图和高斯混合模型对所述二值化粗掩模图进行优化更新，得到精细化掩模图；通过改进密集型拉普拉斯算子对所述当前待融合图像进行基于像素点的多尺度计算，得到密集型拉普拉斯图；基于像素点相似度和广义随机游走算法对所述密集型拉普拉斯图进行关联分析，得到精细化决策图；采用所述精细化掩模图在所述精细化决策图中进行像素点选取，得到目标决策图；将所述目标决策图与所述当前待融合图像进行多聚焦图像融合，得到目标融合图像
。2.
根据权利要求1所述的基于目标检测的多聚焦图像融合方法，其特征在于，所述采用预设特征图和高斯混合模型对所述二值化粗掩模图进行优化更新，得到精细化掩模图，包括：采用缩放处理后的所述二值化粗掩模图初始化高斯混合模型；通过初始化后的所述高斯混合模型对预设特征图进行背景和前景分类操作，得到精细化掩模图，所述预设特征图在卷积神经网络中获取
。3.
根据权利要求1所述的基于目标检测的多聚焦图像融合方法，其特征在于，所述基于像素点相似度和广义随机游走算法对所述密集型拉普拉斯图进行关联分析，得到精细化决策图，包括：对不同尺度上的所述密集型拉普拉斯图进行比较操作，生成二值化粗决策图；依次对所述二值化粗决策图进行变量节点之间的相似度分析，所述变量节点与标签节点之间的相似度分析，得到第一权重和第二权重；采用广义随机游走算法根据所述第一权重和所述第二权重计算所述二值化粗决策图中像素点的概率值；在所述二值化粗决策图中选取最大的所述概率值对应的像素点生成精细化决策图
。4.
根据权利要求3所述的基于目标检测的多聚焦图像融合方法，其特征在于，所述对不同尺度上的所述密集型拉普拉斯图进行比较操作，生成二值化粗决策图，之后还包括：采用引导滤波技术对所述二值化粗决策图进行平滑化处理
。5.
一种基于目标检测的多聚焦图像融合装置，其特征在于，包括：目标检测单元，用于基于改进
YOLO
模型对多张当前待融合图像进行目标检测，得到二值化粗掩模图；优化更新单元，用于采用预设特征图和高斯混合模型对所...

【专利技术属性】
技术研发人员：杨祖元，邓正楠，李陵江，梁萍，古龙毅，谢胜利，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：