[發明專利]基于NSCT及深度信息激勵PCNN的多聚焦圖像融合方法

在審

• 申請號: 201610039111.2
• 申請日: 2016-01-20
• 公開（公告）號: CN105551010A
• 公開（公告）日: 2016-05-04
• 發明（設計）人: 丁世飛;朱強波
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于非下采樣Contourlet變換及深度信息激勵PCNN的多聚焦圖像融合方法其特 征在于，對多聚焦的源圖像進行多尺度多方向的非下采樣Contourlet變換后，對低頻子帶和 高頻子帶采取不同的融合規則得到融合子帶系數，高頻子帶采用改進的PCNN模型確定融合 系數，最后通過非下采樣Contourlet逆變換得到融合圖像。

2.根據權利要求1，本發明方法包含以下具體步驟：

(1)在對同一場景的多聚焦圖像進行配準的預處理基礎上，分別對多聚焦圖像I_A和I_B進 行多尺度、多方向的非下采樣Contourlet變換，兩圖各分解為一幅低頻子帶圖像和一系列不 同分辨率的高頻子帶圖像；

(2)對低頻子帶圖像I_A-lf和I_B-lf采用基于子帶系數的邊緣信息能量來得到融合后的低頻 子帶圖像I_F-lf，而沒有采用傳統方法平均法，因為該方法沒有考慮圖像邊緣的信息，降低了 圖像的對比度，能量表達式為：

Eedge(d)=Σi=1mΣj=1n|I(i,j)|2]]>

I(i,j)為邊緣矩陣元素；

(3)高頻子帶圖像和采用改進的PCNN進行融合得到融合后的高頻子帶圖像 和分別為源圖像分解后的第k尺度、l方向上的高頻子圖像；

(4)逆變換，對得到的高頻及低頻圖像采取非下采樣Contourlet逆變換，得到融合后的 圖像I_F。

3.根據權利要求2，高頻子帶圖像融合規則采用的改進PCNN模型的融合策略，其具體 步驟如下：

(1)PCNN模型初始化，設定參數的初始值和迭代次數；

(2)將高頻子帶圖像作為輸入圖像，每個像素點對應一個神經元，但不是將像素點的灰度 值作為輸入對象；

(3)將改進拉普拉斯能量和(SML)與圖像深度信息d(r)結合的因子作為神經元輸入，用 I(i,j)表示圖像在(i,j)處的系數，SML的定義如下：

▿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來移除圖像的不清晰邊緣，深度信息d(r)的定義如下：

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)表示輸入的散焦圖像的梯度和它的高斯核重模糊圖像梯度的比值，σ₀表示重模糊核 的標準偏差，稱為重模糊尺度，則PCNN的輸入項F_ij定義為：

F_ij＝SML(i,j)*[d(r)]^-2

N為區域窗口大小；

(4)與原始PCNN模型不同，本發明的PCNN模型神經元的鏈接強度并沒有取相同的固定 常數值，而是由對應的像素特征所決定，本文將采取像素的拉普拉斯能量(laplace_energy,LE) 以及可見度(visibility,VI)作為神經元的鏈接強度值；

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)為(u,v)處的像素值，ω為以(x,y)為中心的窗口，m_k為窗口中的像素灰度平 均值，N為該窗口中總的像素數，拉普拉斯能量越大，該局部圖像越清晰；

(5)取得以拉普拉斯能量及可見度作為神經元的鏈接強度后，分別計算相應的圖像 pcnnA_LE及pcnnA_VI值，圖像A的pcnnA＝(pcnnA_LE+pcnnA_VI)/2；同理也可以計算圖像B的 pcnnB＝(pcnnB_LE+pcnnB_VI)/2，pcnnA與pcnnB二者中較大的系數作為最終的NSCT系數。