摘 要： 提出了一種基于局部特征分析的多聚焦圖像融合方法。首先采用二維經驗模式分解（BEMD）對不同聚焦圖像進行分解，得到多個內蘊模函數（IMF）分量，然后提取出第一個IMF分量的統計信息作為圖像融合的依據，對多張不同聚焦的圖像進行融合，得到最終的融合圖像。實驗結果表明，本文提出的均值IMF方案與其他方案相比，具有較高的融合質量和較低的計算復雜度。
關鍵詞： 二維經驗模式分解；內蘊模函數；圖像融合
隨著科學技術的迅速發展，圖像融合技術作為計算機圖像處理中重要組成部分也逐漸發展起來。圖像融合主要是將同一場景中的多張圖像信息加以提取，得到相應場景更精確、更詳細、更全面的信息，以便對圖像進行進一步的分析和研究。目前，圖像融合技術在醫學、生物學、物理學、電子和機械等各個領域都有巨大的發展潛力，如顯微鏡多聚焦圖像的融合、醫學上CT與核磁共振圖像的融合、軍用圖像傳感系統等方面。近三十年來，圖像融合技術的研究在國內的各個領域取得很大進步，開發出了多種圖像融合系統。但是相對于國外先進的技術，國內的圖像融合技術還存在許多理論方面和技術方面的問題，因此，對于深入展開圖像融合技術的研究在現階段有很重大的意義。
基于理論的成熟性，目前已提出了很多圖像融合模型和算法。早期的圖像融合方法主要有平均、HIS變換、主分量分析、高通濾波等。這些方法在進行融合處理時都不對待融合圖像進行分解變換，融合處理僅僅只在一個層次上進行，都是比較簡單的圖像融合算法[1]。20世紀80年代中期，BURT D J等人提出了拉普拉斯金字塔算法[2]。后來相繼出現了基于對比度金字塔、基于梯度金字塔等金字塔式融合算法[3]。隨著小波理論的興起，Chipman等人又提出一種基于小波理論的圖像融合，TANG J S提出了基于DCT變換[4]的圖像融合。基于空間域和頻域變換的圖像融合算法是目前研究較多的圖像融合算法。在大部分圖像融合算法的研究中，由于應用范圍和要求不同，各種圖像融合算法和模型相對而言各有優缺點，因此需要發展更適用、性能更優的圖像融合算法。
本文主要對多聚焦圖像融合算法進行研究。多聚焦圖像融合技術主要應用于電子顯微鏡、數碼相機等光學成像系統中，得到一個所有目標都聚焦清晰的融合圖像，以便于人眼觀察或機器進一步處理。圖像融合分為3類：像素級圖像融合、特征級圖像融合和決策級圖像融合[5]。本文針對特征級圖像融合提出一種基于局部特征分析的多聚焦圖像融合方法，該方法摒棄了基于空間域和頻域的融合算法研究，采用二維經驗模式分解BEMD（Bidimensional Empirical Mode Decomposition）運用到顯微圖像融合中，通過數學形式獲取圖像的BIMF分量的均值得到顯微圖像的特征。BEMD分解方法是一種完全自適應的數據分解表達形式，基于BIMF分量評價方法含有的信息量比基于頻域和基于空間域系數特征大，具有比傅里葉變換和小波分解更好的特性。
1 基于BEMD分解的顯微圖像融合
1.1 融合圖像特征提取
對輸入圖像I（x，y），采用BEMD[6]將圖像I（x，y）分解成多個內蘊模式函數IMF（Intrinsic Mode Function）分量和殘差分量，分別記為imfi（x，y）和RI（x，y）。由于第一個IMF分量含有圖像的大部分高頻信息，包括了待融合圖像突出的邊緣、線條和區域邊界等強對比度物理信息，足以表征圖像的模糊特性，因此，本文只對第一個IMF分量進行處理，然后提取出該IMF的圖像特征，根據圖像特征選用適當的圖像融合規則。本文設計了以下3種圖像融合算法。
2 實驗結果與分析
首先采用自然圖像對本文的各種方案性能進行測試。圖2（a）和（b）給出了2張不同聚焦的自然圖像，圖2（c）、（d）和（e）分別給出了IMF-GGD方案、IMF-Hilbert方案和IMF-Mean方案的融合結果。從圖中可以看出，IMF-GGD方案以尺度參數作為圖像融合準則，其融合效果較差，塊效應比較明顯，并且高斯擬合的復雜度較高；IMF-Hilbert方案的融合結果稍有所提高；IMF-Mean方案得到的融合圖像效果最佳，局部區域的模糊塊最少，并且采用IMF-Mean方案的計算復雜度相對其他兩種方案是最低的，非常適合圖像融合應用。
進一步采用顯微圖像對本文的各種方案性能進行測試。圖3給出了對2張不同聚焦的顯微圖像采用IMF-GGD方案、IMF-Hilbert方案和IMF-Mean方案得到的融合圖像，圖4給出了對5張不同聚焦的顯微圖像采用IMF-Mean方案得到的融合入圖像。從實驗結果可以看出，IMF-Mean方案能夠得到較好的融合效果。由于顯微圖像的分辨率較高，對算法的實時性要求較高，而本文提出的IMF-Mean方案復雜度較低，為數碼顯微鏡在線融合系統的開發提供了可能性。
本文提出了一種基于局部特征分析的多聚焦圖像融合方法。本文算法的優點在于采用BEMD對多聚焦圖像進行分解，提取多個IMF分量，分解過程是自適應的，完全由數據驅動，可以提取出各幅源圖像的聚焦清晰的細節信息；并且，基于均值的融合準則能得到較好的圖像融合效果，計算復雜度較低。在本文研究的基礎上，將進一步結合區域重要性信息進行圖像融合操作。
參考文獻
[1] 王春華.圖像融合研究綜述[J].科技創新導報，2011（13）：11-13.
[2] BURT P J.， KOLCZYNSKI R J.， Enhances image capture through fusion[C]. International Conference on Computer Vision， 1993， 173-182.
[3] TOET A， RUYVEN V， VALETON J J， et al. Merging thermal and visual images by a contrast pyramid[J]. Optical Engineering， 1989， 28（7）： 789-792.
[4] Tang Jinshan. A contrast based image fusion technique in the DCT domain[J]. Digital Signal Processing， 2004， 14（3）： 218-226.
[5] 黃偉.像素級圖像融合研究[D].上海：上海交通大學，2008.
[6] 王珊珊，邵楓，郁梅，等.基于二維經驗模式分解的無參考模糊失真立體圖像質量評價方法[J].光電工程，2013，40（9）：28-34.
[7] 汪太月，李志明.一種廣義高斯分布的參數快速估計法[J].工程地球物理學報，2006，3（3）：172-176.
[8] 喬麗紅.二維Hilbert-Huang變換及其在圖像處理中的應用[D].石家莊：河北師范大學，2010.
[9] 陳穎.顯微圖像融合算法研究[D].北京：中國科學院研究生院，2010.