一种基于二维EMD和遗传算法的多聚焦数字图像融合方法

摘要

本发明涉及一种基于二维EMD和遗传算法的多聚焦数字图像融合方法，首先对源图像进行二维EMD分解，不仅克服了基于小波变换的图像融合局部特征相关性不强的问题，并且避免了传统小波方法小波基函数选取困难的问题。根据T检验对得到的本征模函数（IMF）分量进行高低频选择，然后对低频分量采取区域信息熵最大准则进行融合，高频分量计算区域相关性，对相关性在不同阈值范围内的分量进行融合，阈值的选取采用遗传算法进行搜索，避免了经验确定区域匹配阈值的不足。最后，融合结果通过对融合分量进行二维EMD逆变换得到。因此，将二维EMD和遗传算法相结合，可以大大提高融合后图像的质量，对应用系统的后续处理和图像显示具有重要意义和使用价值。

主权项

1.一种基于二维EMD和遗传算法的多聚焦数字图像融合方法，其特征在于步骤如下：步骤1：采用序贯相似度检测匹配法对两幅聚焦不同的源图像进行图像配准，并利用线性变换方法将两幅源图像的灰度方位映射到一个一致的灰度区间，得到预处理后的两幅图像A和B；步骤2：对预处理后的图像A进行二维EMD分解得到IMF分量对预处理后的图像B进行二维EMD分解得到IMF分量步骤3：对分量进行T检验得到低频分量和高频分量对分量进行T检验得到低频分量和高频分量步骤4：按低频分量融合规则和高频分量融合规则对和进行融合，得到融合后的低频分量IMF_F,L(m,n)和高频分量IMF_F,H(m,n)：所述低频分量融合规则：按$\mathrm{IM}{F}_{F,L}(m,n)=\left\{\begin{array}{c}{\mathrm{IMF}}_{A,L}(m,n)\mathrm{Entropy}\left({\mathrm{IMF}}_{A,L}^{\mathrm{window}}(m,n)\right)\ge \mathrm{Entropy}\left({\mathrm{IMF}}_{B,L}^{\mathrm{window}}(m,n)\right)\\ {\mathrm{IMF}}_{B,L}(m,n)\mathrm{Entropy}\left({\mathrm{IMF}}_{A,L}^{\mathrm{window}}(m,n)\right)<\mathrm{Entropy}\left({\mathrm{IMF}}_{B,L}^{\mathrm{window}}(m,n)\right)\end{array}\right.$对图像A和图像B的IMF分量进行融合，得到融合后的低频分量；其中：IMF_F,L(m,n)表示融合后的低频分量；是图像A的低频分量IMF_A,L(m,n)中以m行n列像素为中心的区域窗口内的信息熵；是图像B的低频分量IMF_B,L(m,n)中以m行n列像素为中心的区域窗口内的信息熵，所述高频分量融合规则：利用相关系数$\mathrm{corr}({\mathrm{IMF}}_{A,H}^{\mathrm{window}}(m,n),{\mathrm{IMF}}_{B,H}^{\mathrm{window}}(m,n))=\frac{\underset{m,n}{\Sigma }[({\mathrm{IMF}}_{A,H}^{\mathrm{window}}(m,n)-\overline{{\mathrm{IMF}}_{A,H}^{\mathrm{window}}(m,n)})\times (({\mathrm{IMF}}_{B,H}^{\mathrm{window}}(m,n)-\overline{{\mathrm{IMF}}_{B,H}^{\mathrm{window}}(m,n)})]}{\sqrt{\underset{m,n}{\Sigma }\left[{({\mathrm{IMF}}_{A,H}^{\mathrm{window}}(m,n)-\overline{{\mathrm{IMF}}_{A,H}^{\mathrm{window}}(m,n)})}^2\right]}\sqrt{\underset{i,j}{\Sigma }\left[{({\mathrm{IMF}}_{B,H}^{\mathrm{window}}(m,n)-\overline{{\mathrm{IMF}}_{B,H}^{\mathrm{window}}(m,n)})}^2\right]}}$判别图像A高频分量IMF_A,H(m,n)和图像B高频分量IMF_B,H(m,n)的相应高频子带窗口邻域内的相关性；当时表明两个区域的相关性差，其中T为阈值；并按${\mathrm{IMF}}_{F,H}(m,n)=\left\{\begin{array}{cc}{\mathrm{IMF}}_{A,H}(m,n)& {\mathrm{SF}}_{A,H}^{\mathrm{window}}(m,n){\ge \mathrm{SF}}_{B,H}^{\mathrm{window}}(m,n)\\ {\mathrm{IMF}}_{B,H}(m,n)& {\mathrm{SF}}_{A,H}^{\mathrm{window}}(m,n)<{\mathrm{SF}}_{B,H}^{\mathrm{window}}(m,n)\end{array}\right.$对图像A和图像B的高频分量进行融合处理，得到融合后的高频分量IMF_F,H(m,n)，其中是处理后的图像A的高频分量IMF_A,H中以m行n列像素为中心的区域窗口内的空间频率，是处理后的图像B的高频分量IMF_B,H中以m行n列像素为中心的区域窗口内的空间频率；若时，根据区域的空间频率大小确定加权系数分别为：$\left\{\begin{array}{cc}w=0.5+0.5\times \frac{1-\mathrm{corr}({\mathrm{IMF}}_{A,H}^{\mathrm{window}}(m,n),{\mathrm{IMF}}_{B,H}^{\mathrm{window}}(m,n))}{1-T}& {\mathrm{SF}}_{A,H}^{\mathrm{window}}(m,n)>{\mathrm{SF}}_{B,H}^{\mathrm{window}}(m,n)\\ w=0.5-0.5\times \frac{1-\mathrm{corr}({\mathrm{IMF}}_{A,H}^{\mathrm{window}}(m,n),{\mathrm{IMF}}_{B,H}^{\mathrm{window}}(m,n))}{1-T}& {\mathrm{SF}}_{A,H}^{\mathrm{window}}(m,n)\le {\mathrm{SF}}_{B,H}^{\mathrm{window}}(m,n)\end{array}\right.$故融和图像的高频信息为IMF_F,H(m,n)＝w×IMF_A,H(m,n)+(1-w)×IMF_B,H(m,n)；步骤5：对步骤4得到的融合后的IMF分量IMF_F,L(m,n)和IMF_F,H(m,n)进行EMD逆变换，得到融合图像。