翻译文献2 - 图文

多焦点图像的自动融合算法研究

摘要

一个多聚焦图像融合技术提供了扩展焦深的好方法：多图像组合成一个单一的

集中的图像的图像。在本文中，我们提出一种多聚焦图像融合的鲁棒与自动算法。我们的实验方法是源图像被假定为完全对齐的事实。其实，假设在许多实际的应用是很难实现的情况。因此，本文讨论了多聚焦图像的图像配准方法。我们选择了多聚焦图像在图像配准过程中的熵理论。加速鲁棒特征（SURF）与二进制鲁棒不变可扩展的关键特征检测器（活跃）的特征特征匹配过程中使用的描述符。一种改进的随机抽样一致（RANSAC）拒绝不正确匹配的算法。注册的图像进行融合，利用平稳小波变换（SWT）与Sym5小波。实验结果证明，该算法能取得较好的性能，对未注册的多聚焦图像，尤其是与传统直接融合方法相比，鲁棒性和旋转平移性能得到很好地提升。 1．简介

多聚焦图像融合已成为一个重要的话题计算机视觉和图像处理领域的运算光学

镜片有限制对焦范围[ 1 ]。当影像学检查对象，比景深（DOF）的摄像机，它是不可能捕捉到所有相关对象的图像的焦点。多聚焦图像融合提供了一种很有前途的方法来延长通过组合多个图像的散焦图像深度不同的焦点集中在一个单一的集中的一个。现在，多焦点图像融合技术在机器视觉中得到广泛应用，目标识别，医学影像与军事事务[ 2 ]。在过去的十年中，多聚焦图像融合技术已经被提出，以提高融合结果[ 3至8 ]，如小波变换（WT）算法[ 4 ]，shearlets方法[ 10 ]，独立成分分析（ICA）的基础算法[ 11 ]，主成分分析（PCA）的基础算法方法[ 12 ]，脉冲耦合神经网络（PCNN）算法[ 13 ]，基于像素的方法[ 14 ]，等等。然而，在大多数以前的图像融合研究，源图像被假定完美地对齐。其实，这是很难实现的实际情况。例如，机械缺陷的显微镜、体视显微镜可以在焦点调整过程中引入系统渐进位移。如图1所示，我们假设物体和图像在镜片的不同侧面。根据高斯成像公式[ 15 ]显示在公式（1），当物体距离的变化，图像的距离将改变相反的趋势。此外，放大β在式（2）将与对象的变化的变距离你和图像的距离，此外，如果我们捕捉到一系列的图片没有使用三个三个三个，我们将得到一个序列旋转位移图像。因此，融合算法应该是可靠的，强大的缺陷，如配准[ 7 ]，和“完美”的融合图像应该包含从每个源图像的显着的信息，而不引入工件[ 16 ]。

有文献讨论的融合方法多焦点图像的平移和缩放变化。该方法和Bhabatosh

[ 17 ]提出了一种融合方法使用一个基于形态学的重点措施四叉树结构对像素误读。张等。[ 18 ]提出了一种基于空间域的频域滤波，这是两个像素偏移不敏感。如果我们不解决用三角架或其他装置的相机，拍摄的图像可能具有相对的平移、尺度、旋转等几何变换。因此，图像的融合结果与大上述融合方案的偏移量将导致工件。张和布鲁姆[ 19 ]描述了基于配准方法的边缘多聚焦图像融合。然而，它只解决了注册图像的问题，不能解决注册问题多幅图像。图像配准是堆焊工艺在不同时间拍摄的同一场景的2幅或多幅图像，从不同的角度，或由不同的传感器[ 20 ]。因此，图像配准可以嵌入到多聚焦图像融合中算法。

2．提取方法

一个通用的示意图提出的多聚焦图像算法如图2所示。首先，针对调整

图像融合，源图像注册在图像配准步骤。其次，应用基于SWT的算法 融合已注册的图像。 2.1 多聚焦图像配准

几何对准两个或多个图像的过程不同的聚焦是多聚焦图像融合中的关键操作算

法。鉴于多焦点图像存在相对的翻译，我们有兴趣在两者之间的关系图像。这种关系的分析通常变得易于处理的在多个焦点之间建立一个正确的对应关系图像。图像配准的目的是建立这种对应关系。然而，几乎没有共同的图像区域在图像融合由于散焦，使多焦点图像配准的难点。图像，这是保持不变的图像配准的过程中，被定义为参考一。目标图像表示的图像重采样注册参考图像。寄存器的多聚焦图像有四个步骤：参考图像的选择，特征选择，特征对应，几何变换。第一步是选择一个图像作为参考图像，其目的是使所有的坐标目标图像与参考图像一致。其次，我们选择从图像中获得关键点位置的特征数在每个图像。针对这些关键点的关系，第三步是确定的对应关系检测功能。在最后，知道一组坐标图像中的对应点，几何变换的遥感图像进行重采样的参考几何。

2.1.1参考图像选择

一个多焦点图像序列的选择图像也是一个技术问题。每一个多聚焦图像不同聚

焦区域。虽然任何图像融合可以作为参考图像，我们将得到一个不同的结果在多聚焦图像中选择不同的参考图像登记流程。当相机或样品被移动沿着图3的方向，第一和最后的场景拍摄到的图像可以有非常不同的信息。如果我们使用第一和最后捕获的图像做特征匹配，匹配过程可能会失败，由于大的不同他们。因此，我们需要找到一个具有中间信息量的图像，以及其他图像可以匹配的图像成功地。在信息论中，熵是一种度量随机变量的不确定性[ 21 ]。信息概念熵描述了信号所提供的信息或图像。不同聚焦的图像携带不同的信息量。类似于香的语言的治疗在[ 22 ]中，我们可以分析多焦图像作为随机变量的实现。因此，我们假设的熵的值多焦点图像表示的信息量图像。在灰度图像中，我们假设像素的数目有强度的我是镍，和图像包含的像素。图像熵的测量用下图：

在那里我的概率是一个任意像素的强度图像。鉴于在不同的重点使用的场景的

图像的一个场景固定相机，它需要比较的熵值这些图像，以确定哪些可以被视为一个更好的参考图像。因为参考图像的信息量应该是大致相等的其他图像，根平均广场（RMS）向量x?{ E1，E2…EM }计算，这在式（5）所示。

EM是图像米然后熵矢量D?{ | e1-rms |，| E2有效值|，…，| em-rms | }。

如果D返回| ek-rms |最小值，我们会选择图像作为参考图像，因为这个图像有 中间信息量和易做特征匹配。

2.1.2特征检测与匹配

特征检测与匹配是许多计算机视觉应用[ 23 ]。在特征检测步骤，每个图像被

检测到搜索的位置，可能匹配其他图像。因此，我们需要使用特征检测器检测点的位置和特征描述转换周围地区检测到的关键点为一个不变的描述符。在本文中，加快强大的功能（冲浪）[ 24 ]检测器和二进制鲁棒不变可扩展的关键点（轻快）[ 25 ]进行描述。在特征匹配步骤中，我们选择了一个适当的匹配策略来搜索潜在候选人，得到变换矩阵的关键点。 2.1.2.1特征检测器

特征检测器是一种用于检测图像中的兴趣点的算法，该算法已成为普遍存在的

问题在不同领域的计算机视觉。尺度不变特征变换（筛）[ 26 ]和冲浪是最广泛使用的探测器。冲浪是一种改进的筛选。在计算机视觉应用中广泛使用的一种仿射不变的替代方法是最大稳定极值区域（MSER）[ 27 ]，但它不是图像模糊的鲁棒性。爱德华和汤姆[ 28 ]提出的快速加速段（快速）检测器加速特征检测器速度快，但缺点是它不产生快速的尺度不变特征点。活跃的检测器消除了这个缺点。研究人员从柳树车库[ 29 ]提出了一个非常快速的二进制面向快速旋转的简单（ORB）探测器，这是一个精致的和规模不变的快速版本。然而，ORB特征检测器在多聚焦图像应用中表现不佳匹配。在本文中，我们选择冲浪探测器提取局部图像结构。冲浪探测器是建立在多尺度快速 Hessian检测器，它使用Haar小波逼近基于Hessian矩阵的行列式的Blob检测器。图4演示了一对多焦点测试的冲浪特征提取结果图像，在我们使用红圈来呈现的检测到的功能点。 2.1.2.2特征描述符

因为我们要匹配这些关键点在图像中，我们需要计算的描述符，这是通常n维

向量描述特征点。这个多聚焦图像融合算法中的描述，具有独特的鲁棒性和几何变形。在一个此外，良好的描述符可以比较使用一个简单的距离度量，如欧氏距离[ 30 ]和海海的距离[ 31 ]。各种各样的描述已经在文献[ 17,24–26,29提出]。我们表现的是轻快的描述在我们的多聚焦图像融合算法。活跃的描述符使用一个在检测到的兴趣点周围的同心圆。这个模式，然后旋转的基础上产生的角度的角度一组梯度计算[ 25 ]。这个过程是重复的每一个兴趣点。一个矩阵是产生的，其中将包含尽可能多作为感兴趣点的行数。这些行是一个正的描述符向量。在活跃的描述符的情况下，它的大小是512。匹配轻快的描述要求计算的汉远距离。更类似的利益点，更接近他们的描述符向量。

2.1.2.3特征匹配

由于大量的功能可能会选择在进行图像匹配的点过程，这很可能是几何非对应

点的2个图像可能匹配，因为它们导致的最小距离。因此，我们需要很好的匹配来估计变换矩阵。验证每个匹配方法四个不同的步骤进行。

第一步是匹配的图像，使用的描述符汉明距离和k-近邻（K-NN）[ 32 ]算法。

此外，我们进行了两个方向的K-NN算法，即，对于每个特征点的参考图像，我们找到了最好的匹配的图像要进行注册，然后我们就这样做图像的特征点的注册，查找参考图像中的最佳匹配。

第二步是验证距离较近的2个最佳匹配。我们每个人都有2个候选人的比赛特

征点根据它们的描述符之间的距离。如果最佳匹配的测量距离远小于二、最好的比赛，我们可以安全地把最好的比赛视为一个好的一。然而，如果两者的最佳匹配是在距离，它是如果我们选择一个或另一个错误，我们可能会犯错误。因此，我们应该设定一个门槛比进一步验证中，这是显示在公式（4）。

本文来源：https://www.bwwdw.com/article/voiv.html