基于聚焦区域检测的多焦点图像融合

作     者：朱文德 

作者单位：南昌大学 

学位级别：硕士

导师姓名：陈利民;梁音

授予年度：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：图像融合 差分盒计数法 差分进化算法 引导滤波器 无监督学习 

摘      要：数字成像设备通过镜头或传感器阵列等光学元件捕捉物体反射而来的可见光并且记录下场景信息。然而,由于光学镜头受到景深的限制,同一场景下的物体很难被同时聚焦,从而造成了前后景呈现出不同的清晰度。多焦点图像融合技术可以有效地捕捉位于不同景深处的对象,使两个或多个部分聚焦的图像融合为完全聚焦的图像。本文的主要工作内容如下:(1)针对有监督学习缺乏自然数据集,并且网络计算量大等问题,本文基于分形维数(Fractal Dimension,FD)提出了一种名为FD-Fuse的无监督混合模型。该模型的关键是将传统图像处理方法和深度学习相结合,减少了模型的参数量,节省了硬件设备的算力。此外,基于卷积注意力模块的特征提取网络也提升了最终的融合效果。首先,FD-Fuse使用无监督方式训练编码器和解码器网络,以获取输入图像的浅层和深层特征。然后,使用本文提出的像素级差分盒计数法计算深度特征的活动水平,得到初始的决策图。接着,利用一致性验证方法得到最终的决策图,最后利用像素加权的融合规则得到最终图像。实验结果表明,相较于9种现有的多焦点图像融合方法,FD-Fuse在指标评价和视觉评价方面实现了最先进的融合性能。(2)针对基于块的多焦点图像融合方法中固定分块导致融合效果不佳的问题,本文提出了一种基于自适应块和引导滤波器的多焦点图像融合算法。为了更好的实现图像分块,提出了循环差分进化算法去避免超参数对最终结果的影响。此外,为了提升融合效率,将种群相似性作为终止条件,避免了算法的无效迭代。首先,该方法利用循环差分进化算法计算输入图像的最佳分块大小。然后,利用清晰度标准函数得到源图像的锐度矩阵。最后,使用引导滤波器指导融合,使最终的决策图中聚焦与散焦的交界处细节更加丰富。实验结果表明,与5种现有的多焦点图像融合方法相比,该算法具有更好的性能。