一种基于各向异性引导滤波的多聚焦图像融合方法

1.本发明属于可见光图像处理技术邻域，具体涉及一种基于各向异性引导滤波的多聚焦图像融合方法。


背景技术：

2.随着科技水平的进步，传感器技术飞速发展。但是，由于传感器成像原理和技术水平的限制，单一传感器采集的信息总是有限的，难以满足特定应用背景下对更全面场景信息的需求。近年来，如何把各类传感器采集的图像加以综合，生成一个信息丰富并且更利于人类感知的图像逐渐成为一个研究热点。
3.在使用不同传感器对同一场景进行联合成像时，其中的形式之一就是采用相同传感器在设置不同参数时进行成像整合。当对同一个场景进行成像时，如果传感器的参数设置存在差异，成像结果也会有所不同，因而仅使用一组参数进行成像可能会造成场景信息的缺失。例如，在数码摄影中，由于受到光学镜头景深的限制，常常难以对拍摄的场景进行全景深成像。因此需要调节相机的焦距多次成像，通过多张部分聚焦的图像取得各处都清晰的图像。多源图像融合技术之一即为通过特定的数学模型从不同聚焦度的源图像中提取最有意义的信息，然后将其组合在一起，生成一幅信息丰富、有利于场景感知及后续处理的图像的过程。
4.多聚焦图像融合技术的主要步骤包括特征提取与聚焦区域确认。然而常规的特征提取方式的一个普遍缺陷就是在融合过程中图像部分边缘区域“细节光晕”及伪影的出现，此外在检测聚焦区域时难以兼顾微小细节对比度与区域能量，同时在融合权重图中易出现凸起、间隙、空洞等缺陷，因此如何解决这些难题是该领域技术研究的重点。


技术实现要素：

5.为了解决上述现有技术存在的问题，本发明的主要目的在于提供一种基于各向异性引导滤波的多聚焦图像融合方法，以期提高图像融合的效果。
6.为实现上述目的，本发明采取的技术方案是：
7.一种基于各向异性引导滤波的多聚焦图像融合方法，包括如下步骤：
8.步骤1，利用不同图像作引导图，分别对两个源图像进行基于权重优化的各向异性引导滤波(agf)处理，得到每个源图像的初次滤波结果和二次滤波结果；
9.步骤2，分别对每个源图像的初次滤波结果和二次滤波结果做差分运算，得到每个源图像的显著性特征图；
10.步骤3，通过复合聚焦度测量算子对两个所述显著性特征图进行处理，得到粗融合权重图；
11.步骤4，通过形态学滤波与各向异性引导滤波操作对粗融合权重图进行优化，得到优化权重图；
12.步骤5，利用优化权重图对所述两个源图像进行计算，得到融合图像。
13.示例地，所述步骤1中，利用各向异性引导滤波结果与引导图强相关的特性，采用基于差异性引导框架的显著性特征提取方法来提取图像的显著性特征，减少人为引入的噪声，具体包括如下步骤，
14.步骤1.1，分别用源图像自身作为引导图，对两个源图像进行各向异性引导滤波处理，得到初次滤波结果，表示为：
15.f
1,1
＝g
r,ε,α
(i1,i1)
16.f
2,1
＝g
r,ε,α
(i2,i2)
17.式中，i1表示源图像1，f
1,1
表示源图像1的初次滤波结果，i2表示源图像2，f
2,1
表示源图像2的初次滤波结果，g
r,ε,α
(
·
)表示各向异性引导滤波函数，r,ε,α为引导滤波调谐参数；
18.步骤1.2，利用初次滤波结果作为引导图，再次分别对两个源图像进行各向异性引导滤波处理，得到二次滤波结果，表示为：
19.f
1,2
＝g
r,ε,α
(i1,f
1,1
)
20.f
2,2
＝g
r,ε,α
(i2,f
2,1
)
21.式中，f
1,2
表示源图像1的二次滤波结果，f
2,2
表示源图像2的二次滤波结果。示例地，所述步骤2中，显著性特征图的计算表示为：
22.d1＝f
1,2-f
1,1
23.d2＝f
2,2-f
2,1
24.式中，d1表示源图像1的显著性特征图，d2表示源图像2的显著性特征图。
25.示例地，所述步骤3中，引入强度方差与梯度特征滤波器共同构成一个复合聚焦度测量算子，对聚焦区域进行初步检测，得到粗融合权重图，具体包括如下步骤：
26.步骤3.1，引入梯度特征滤波器对图像聚焦度进行测量，表示为：
[0027][0028]
式中，w是像素(x,y)的邻域，p是输入图像，(pi,pj,pk)分别表示水平、垂直和对角线上的梯度特征；
[0029]
步骤3.2，引入图像的强度方差描述图像局部区域的清晰度，表示为：
[0030][0031]
式中，μ表示输入图像p在位于像素(x,y)处大小为m
×
n的局部领域内的均值；i、j分别表示在计算强度方差时，(x,y)在水平、垂直方向的偏移量，m、n分别表示用于计算强度方差的滤波窗口的水平维度、垂直维度；
[0032]
步骤3.3，引入复合聚焦度测量算子获取粗融合权重图，表示为：
[0033][0034]
式中，g1(x,y)表示源图像1的图像聚焦度测量结果中的(x,y)处的像素点，g2(x,y)表示源图像2的图像聚焦度测量结果中的(x,y)处的像素点，iv1(x,y)表示源图像1的局部区域清晰度描述结果中的(x,y)处的像素点，iv2(x,y)表示源图像2的局部区域清晰度描述
结果中的(x,y)处的像素点。
[0035]
示例地，所述步骤4中，采用形态学滤波对粗融合权重图的凸起、间隙、空洞进行去除以实现优化，具体包括如下步骤，
[0036]
步骤4.1，使用形态学开运算对粗融合权重图的凸起、毛刺等进行去除，表示为：
[0037][0038]
其中rm是形态学开运算的结果，r表示粗融合权重图，θ和分表表示腐蚀与膨胀，c代表运算结构单元；
[0039]
步骤4.2，使用形态学闭运算填充空洞、弥合间隙，表示为：
[0040][0041]
其中rn是形态学闭运算的结果；
[0042]
步骤4.3，使用各向异性引导滤波对rn进行滤波，将聚焦区域与散焦区域的边界进行平滑并将剩余空洞滤除，得到优化权重图，表示为：
[0043]
o＝g
r,γ,α
(rn,i1)
[0044]
其中i1即源图像1，是该步骤中引导滤波处理的引导图。
[0045]
示例地，所述步骤5中，计算公式如下：
[0046]
if(x,y)＝o(x,y)i1(x,y)+[1-o(x,y)]i2(x,y)
[0047]
其中，i1(x,y)和i2(x,y)表示源图像中(x,y)处的像素点，o(x,y)表示优化权重图中(x,y)处的像素点，if(x,y)为最终融合图像中(x,y)处的像素点。
[0048]
与现有技术相比，本发明具有如下有益效果：
[0049]
(1)与传统引导滤波技术相比，本发明所采用的agf(各向异性引导滤波器)可以更好的保持图像的边缘、纹理等细节特征，极大的较少了在滤波强度较大时的“光晕”、伪影等人为噪声，为显著性特征的精确提取创造了条件，同时保持了传统引导滤波算法的低复杂度特性。
[0050]
(2)与其他传统的边缘保持滤波技术相比，agf可以通过选用不同的引导图来获得不同的滤波结果，而不同的滤波结果包含了源图像的不同特征信息，因此可以采用不同滤波结果的差异来对源图像进行特征提取。
[0051]
(3)针对传统技术在融合权重的构造过程中聚焦区域连续性差的问题，本发明联合梯度特征和强度方差进行复合聚焦度测量，可同时兼顾考虑图像的微小细节对比度和区域能量特性，有效解决该问题。
[0052]
(4)传统方法提取的聚焦区域存在零散凸起、狭长间隙、明显空洞等现象，本发明采用形态学滤波对处理上述现象，可以保证聚焦区域的连续性。
[0053]
(5)对于最终处理结果，本发明在主观评价与客观比较上，其性能均优于其他技术，可有效解决传统的多聚焦图像融合方法中的边缘模糊、明暗对比度差、虚影伪影、对比度失真等现象。
附图说明
[0054]
图1为本发明流程图。
[0055]
图2为引导滤波的向量空间视图。其中，(a)表示在向量空间中，在两个邻域内的向
量x和g分别减去对应邻域的均值，得到向量以及向量分别和向量1＝[1,1,
…
,1]在超平面内正交。(b)表示引导滤波向量在向量空间中的正则化过程。
[0056]
图3为传统引导滤波与各向异性引导滤波的效果对比图；其中(a)为输入图像，(b)组两幅图像为gf滤波结果(第二、三幅图，分别表示gf滤波的中间过程与最终结果)，(c)组两幅图像为agf滤波结果(第四、五幅图，分别表示agf滤波的中间过程与最终结果)。
[0057]
图4为多聚焦图像及其梯度图与其3d模型的对比关系图；其中(a)为近聚焦图像，(b)为远聚焦图像，(c)为近聚焦图像的梯度，(d)为远聚焦图像的梯度图。
[0058]
图5为融合权重生成过程示意图；其中(a)和(b)是源图像，(c)和(d)是源图像的显著特征图，(e)是粗融合权重图，(f)是形态学滤波后的融合权重图，(g)是最终优化后的融合权重图，(h)是融合结果。
[0059]
图6为本发明实例中的融合结果；其中(a)为源图像1，(b)为源图像2，(c)为融合结果。
[0060]
图7为本发明实例中图像融合结果与近远聚焦图像差分图；其中(a)为融合结果与近聚焦图像差分图，(b)为融合结果与远聚焦图像差分图。
具体实施方式
[0061]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0062]
如前所述，多聚焦图像融合中，现有的特征提取方式往往导致图像边缘区域、聚焦区域出现诸多问题，在融合权重图中易出现凸起、间隙、空洞等缺陷，由此，本发明提供了一种基于各向异性引导滤波的多聚焦图像融合方法。在本实施例中，为论证本发明方法的有效性，使用真实多聚焦图像来进行图像融合，这些图像事先均已经过严格配准。参考图1，本发明针对多聚焦图像数据集的图像融合基本流程如下：
[0063]
步骤1，利用不同图像作引导图，对两个源图像进行基于权重优化的各向异性引导滤波(agf)处理，得到每个源图像的初次滤波结果和二次滤波结果，从而提取源图像的显著性特征。本发明中，两个源图像分别为近聚焦图像与远聚焦图像。
[0064]
本步骤中，对于多聚焦源图像，本发明利用各向异性引导滤波结果与引导图强相关的特性，选用不同的引导图并基于各向异性引导滤波来获取不同的滤波结果，采用基于差异性引导框架的显著性特征提取方法提取图像的不同显著性特征，在保持源图像的边缘、纹理等细节特征的同时减少“光晕”、伪影等人为噪声。具体可包括如下步骤：
[0065]
步骤1.1，对于源图像in(n＝1、2)，将滤波窗口半径r设为5，调谐参数γ取为10-2
，由如下公式计算调制参数α。
[0066]
α＝max(log
10
(γ),0)
[0067]
计算得到α后，进行引导滤波权重优化，由如下公式计算滤波时局部窗口的权重w。
[0068][0069]
由计算得到的权重系数，通过如下公式，分别用源图像自身作为引导图，对两个源图像进行基于权重优化的各向异性引导滤波，得到初次滤波结果f
n,1
，表示为：
[0070]f1,1
＝g
r,ε,α
(i1,i1)
[0071]f2,1
＝g
r,ε,α
(i2,i2)
[0072]
式中，i1表示源图像1，f
1,1
表示源图像1的初次滤波结果，i2表示源图像2，f
2,1
表示源图像2的初次滤波结果，g
r,ε,α
(
·
)表示各向异性引导滤波函数，r,ε,α为引导滤波调谐参数。
[0073]
步骤1.2，对于初次滤波结果f
n,1
，将滤波窗口半径r设为5，调谐参数γ取为10-2
，同样由上述方法计算调制参数α与窗口权重系数w。再通过如下公式，将初次滤波结果f
n,1
设为引导图，再次分别对两个源图像进行各向异性引导滤波处理，得到新的滤波结果f
n,2
，表示为：
[0074]f1,2
＝g
r,ε,α
(i1,f
1,1
)
[0075]f2,2
＝g
r,ε,α
(i2,f
2,1
)
[0076]
式中，f
1,2
表示源图像1的二次滤波结果，f
2,2
表示源图像2的二次滤波结果。
[0077]
引导滤波的向量空间如图2所示，参考图3，对传统引导滤波的弱各向异性做进一步说明。传统引导滤波中取均值的操作相当于低通滤波器，相应地，保存下来的细节在边缘附近会出现平滑过渡，削弱了边缘保持效果，从而产生了“光晕”的人为噪声。当滤波窗口较大的时候，这种“光晕”效果将会更加显著。图3是gf滤波和agf滤波的结果对比图，其中(a)是原始输入，(b)组是gf滤波结果，(c)组是agf的滤波结果，从(b)可以看出灯塔顶端存在明显“光晕”现象，而在相同位置的(c)中，可以看到“光晕”现象得到明显抑制。
[0078]
步骤2，分别对每个源图像的初次滤波结果和二次滤波结果做差分运算，提取图像的边缘与纹理特征，得到每个源图像的显著性特征图。
[0079]
本步骤中，本利用两次滤波结果的差异来对源图像进行特征提取，使图像的边缘、纹理特征得到加强，并抑制图像中的模糊区域，提取源图像的显著性特征。显著性特征图的计算表示为：
[0080]
d1＝f
1,2-f
1,1
[0081]
d2＝f
2,2-f
2,1
[0082]
式中，d1表示源图像1的显著性特征图，d2表示源图像2的显著性特征图。
[0083]
步骤3，引入梯度特征滤波器gc(
·
)和图像强度方差iv(
·
)进行特征图像聚焦区域确认，通过复合聚焦度测量算子对显著性特征图dn(n＝1,2)进行处理，获取粗融合权重图r。
[0084]
本步骤中，设定了一种聚焦度判定方法来计算图像融合权重。由于源图像的梯度特征与显著区域是一致的，因此利用梯度特征构造一个梯度特征滤波器来测量图像聚焦区域。同时考虑到梯度特征只能反映图像的微小细节对比度，而缺乏对图像区域能量的反映，因此引入强度方差与梯度特征滤波器共同构成一个复合聚焦度测量算子，对聚焦区域进行初步检测，得到粗融合权重图。具体包括如下步骤：
[0085]
步骤3.1，如图4所示为多聚焦图像及其梯度图与其3d模型的对比关系，其中(a)为近聚焦图像，(b)为远聚焦图像，(c)为近聚焦图像的梯度，(d)为远聚焦图像的梯度图，从图中以看出图像的梯度特征与源图像的显著区域是一致的，因此可以利用梯度特征构造一个梯度特征滤波器来测量图像聚焦区域。通过引入梯度特征滤波器对图像聚焦度进行测量计算得到源图像in的梯度图像g1、g2，梯度滤波器表示为如下公式：
[0086][0087]
式中，w是像素(x,y)的邻域，邻域半径即滤波窗口半径设为3。p是输入图像，(pi,pj,pk)分别表示水平、垂直和对角线上的梯度特征。
[0088]
步骤3.2，计算强度方差。本发明引入强度方差算子来反映图像区域能量，描述图像局部区域的清晰度。考虑到图像聚焦区域(清晰区域)相较其它区域一般具有更高的灰度值，本发明设计的强度方差算子可表示为如下公式。
[0089][0090]
式中，μ表示输入图像p在位于像素(x,y)处大小为m
×
n的局部领域内的均值；本发明中，m＝2，n＝2。i、j分别表示在计算强度方差时，(x,y)在水平、垂直方向的偏移量，m、n分别表示用于计算强度方差的滤波窗口的水平维度、垂直维度。
[0091]
步骤3.3，由于梯度特征只能反映图像的微小细节对比度，而缺乏对图像区域能量的反映，因此再引入强度方差与梯度特征滤波器共同构成一个复合聚焦度测量算子，对聚焦区域进行初步检测。如图5所示，通过如下公式准则，获取粗融合权重图像r。其中(a)和(b)是源图像，(c)和(d)是源图像的显著特征图，(e)是粗融合权重图，(f)是形态学滤波后的融合权重图，(g)是最终优化后的融合权重图，(h)是融合结果。
[0092][0093]
式中，g1(x,y)表示源图像1的图像聚焦度测量结果中的(x,y)处的像素点，g2(x,y)表示源图像2的图像聚焦度测量结果中的(x,y)处的像素点，iv1(x,y)表示源图像1的局部区域清晰度描述结果中的(x,y)处的像素点，iv2(x,y)表示源图像2的局部区域清晰度描述结果中的(x,y)处的像素点。
[0094]
步骤4，通过形态学滤波与各向异性引导滤波操作对粗融合权重图进行优化，得到优化权重图。
[0095]
本步骤中，采用形态学滤波对粗融合权重图的凸起、间隙、空洞进行去除以实现优化，具体包括如下步骤，
[0096]
步骤4.1，对粗融合权重图r进行形态学开运算，去除其凸起、毛刺等，表示为：
[0097][0098]
其中rm是形态学开运算的结果，r表示粗融合权重图，θ和分表表示腐蚀与膨胀，c代表运算结构单元。c的大小为3
×
3。
[0099]
步骤4.2，通过如下公式对形态学开运算的结果再进行形态学闭运算处理，填充空洞、弥合间隙，表示为：
[0100][0101]
其中rn是形态学闭运算的结果；c的大小为5
×
5。
[0102]
步骤4.3，本发明中，为防止源图像聚焦区域与散焦区域的边界对融合结果造成不良影响，使用各向异性引导滤波对rn进行滤波，将聚焦区域与散焦区域的边界进行平滑并
将剩余空洞滤除，得到优化权重图，表示为
[0103]
o＝g
r,γ,α
(rn,i1)
[0104]
其中o为最终优化后的融合权重图像，g(
·
)为各向异性引导滤波算子，i1即源图像1，是该步骤中引导滤波处理的引导图。引导滤波调谐参数分别取r＝5，γ＝10-2
，α＝0.5。
[0105]
步骤5，利用优化权重图对所述两个源图像进行计算，得到融合图像。计算公式如下：
[0106]
if(x,y)＝o(x,y)i1(x,y)+[1-o(x,y)]i2(x,y)
[0107]
其中，i1(x,y)和i2(x,y)表示源图像中(x,y)处的像素点，o(x,y)表示优化权重图中(x,y)处的像素点，if(x,y)为最终融合图像中(x,y)处的像素点。
[0108]
图6为一组实例的融合结果，从图中可以看出本发明可以较好地将多聚焦图像进行融合，在融合结果中不存在常见的边缘模糊及虚影问题。
[0109]
图7为图像融合结果与近、远聚焦图像差分图。理想的融合结果与近聚焦图像的差分图应能大部分滤除融合结果近聚焦的场景信息，而主要保留远聚焦场景的细节信息；同理，理想的融合结果与远聚焦图像的差分图应能大部分滤除融合结果远聚焦的场景信息，而主要保留近聚焦场景的细节信息。图7中(a)是融合结果与近聚焦图像差分图，可以看出，其已将近聚焦图像的场景信息(钟表区域)全部滤除，没有任何信息残留。图7中(b)是融合结果与远聚焦图像差分图，同样可以看出，其中不存在任何远聚焦场景细节信息(人物及周边区域)残留。因此，本发明可以有效的保留多聚焦图像中清晰的细节信息，具有优秀的融合效果。

技术特征：
1.一种基于各向异性引导滤波的多聚焦图像融合方法，其特征在于，包括如下步骤：步骤1，利用不同图像作引导图，分别对两个源图像进行基于权重优化的各向异性引导滤波(agf)处理，得到每个源图像的初次滤波结果和二次滤波结果；步骤2，分别对每个源图像的初次滤波结果和二次滤波结果做差分运算，得到每个源图像的显著性特征图；步骤3，通过复合聚焦度测量算子对两个所述显著性特征图进行处理，得到粗融合权重图；步骤4，通过形态学滤波与各向异性引导滤波操作对粗融合权重图进行优化，得到优化权重图；步骤5，利用优化权重图对所述两个源图像进行计算，得到融合图像。2.如权利要求1所述基于各向异性引导滤波的多聚焦图像融合方法，其特征在于：所述步骤1中，利用各向异性引导滤波结果与引导图强相关的特性，采用基于差异性引导框架的显著性特征提取方法来提取图像的显著性特征，减少人为引入的噪声，具体包括如下步骤，步骤1.1，分别用源图像自身作为引导图，对两个源图像进行各向异性引导滤波处理，得到初次滤波结果，表示为：f
1,1
＝g
r,ε,α
(i1,i1)f
2,1
＝g
r,ε,α
(i2,i2)式中，i1表示源图像1，f
1,1
表示源图像1的初次滤波结果，i2表示源图像2，f
2,1
表示源图像2的初次滤波结果，g
r,ε,α
(
·
)表示各向异性引导滤波函数，r,ε,α为引导滤波调谐参数；步骤1.2，利用初次滤波结果作为引导图，再次分别对两个源图像进行各向异性引导滤波处理，得到二次滤波结果，表示为：f
1,2
＝g
r,ε,α
(i1,f
1,1
)f
2,2
＝g
r,ε,α
(i2,f
2,1
)式中，f
1,2
表示源图像1的二次滤波结果，f
2,2
表示源图像2的二次滤波结果。3.如权利要求1所述基于各向异性引导滤波的多聚焦图像融合方法，其特征在于：所述步骤2中，显著性特征图的计算表示为：d1＝f
1,2-f
1,1
d2＝f
2,2-f
2,1
式中，d1表示源图像1的显著性特征图，d2表示源图像2的显著性特征图。4.如权利要求1所述基于各向异性引导滤波的多聚焦图像融合方法，其特征在于：所述步骤3中，引入强度方差与梯度特征滤波器共同构成一个复合聚焦度测量算子，对聚焦区域进行初步检测，得到粗融合权重图，具体包括如下步骤：步骤3.1，引入梯度特征滤波器对图像聚焦度进行测量，表示为：式中，w是像素(x,y)的邻域，p是输入图像，(p
i
,p
j
,p
k
)分别表示水平、垂直和对角线上的梯度特征；步骤3.2，引入图像的强度方差描述图像局部区域的清晰度，表示为：
式中，μ表示输入图像p在位于像素(x,y)处大小为m
×
n的局部领域内的均值；i、j分别表示在计算强度方差时，(x,y)在水平、垂直方向的偏移量，m、n分别表示用于计算强度方差的滤波窗口的水平维度、垂直维度；步骤3.3，引入复合聚焦度测量算子获取粗融合权重图，表示为：式中，g1(x,y)表示源图像1的图像聚焦度测量结果中的(x,y)处的像素点，g2(x,y)表示源图像2的图像聚焦度测量结果中的(x,y)处的像素点，iv1(x,y)表示源图像1的局部区域清晰度描述结果中的(x,y)处的像素点，iv2(x,y)表示源图像2的局部区域清晰度描述结果中的(x,y)处的像素点。5.如权利要求1所述基于各向异性引导滤波的多聚焦图像融合方法，其特征在于：所述步骤3.1，窗口半径设为3。6.如权利要求1所述基于各向异性引导滤波的多聚焦图像融合方法，其特征在于：所述步骤4中，采用形态学滤波对粗融合权重图的凸起、间隙、空洞进行去除以实现优化，具体包括如下步骤，步骤4.1，使用形态学开运算对粗融合权重图的凸起、毛刺等进行去除，表示为：其中r
m
是形态学开运算的结果，r表示粗融合权重图，θ和分表表示腐蚀与膨胀，c代表运算结构单元；步骤4.2，使用形态学闭运算填充空洞、弥合间隙，表示为：其中r
n
是形态学闭运算的结果；步骤4.3，使用各向异性引导滤波对r
n
进行滤波，将聚焦区域与散焦区域的边界进行平滑并将剩余空洞滤除，得到优化权重图，表示为：o＝g
r,γ,α
(r
n
,i1)其中i1即源图像1，是该步骤中引导滤波处理的引导图。7.如权利要求1所述基于各向异性引导滤波的多聚焦图像融合方法，其特征在于：所述步骤5中，计算公式如下：i
f
(x,y)＝o(x,y)i1(x,y)+[1-o(x,y)]i2(x,y)其中，i1(x,y)和i2(x,y)表示源图像中(x,y)处的像素点，o(x,y)表示优化权重图中(x,y)处的像素点，i
f
(x,y)为最终融合图像中(x,y)处的像素点。8.如权利要求1所述基于各向异性引导滤波的多聚焦图像融合方法，其特征在于：所述两个源图像分别为近聚焦图像与远聚焦图像。

技术总结
本发明涉及一种基于各向异性引导滤波的多聚焦图像融合方法。该发明首先对源图像提取显著性特征，针对传统特征提取方法中易引入噪声的缺陷，采用基于差异性引导框架的显著性特征提取方法，然后针对融合权重构造过程中聚焦区域连续性差的问题，联合梯度特征与强度方差算子对图像进行复合聚焦度测量，得到粗融合权重图，再采用形态学滤波与各向异性引导滤波对其进行优化以使聚焦区域边界与散焦区域边界对齐，得到最终融合权重图，最后进行多聚焦图像融合。像融合。像融合。


技术研发人员：宋江鲁奇 梅峻溪 周慧鑫 李欢 张鑫 滕翔 王财顺 刘志宇 白宇婷 杨庆友 秦翰林 王珂 朱贺隆 甘长国 张伟鹏
受保护的技术使用者：西安电子科技大学
技术研发日：2022.08.10
技术公布日：2022/12/2