论文部分内容阅读
在数字图像处理领域,受到数字图像传感器的限制,数字成像系统对于景物景深的控制范围有限。所拍摄的图像在同一场景下会出现清晰区域和模糊区域,即为多聚焦图像。将多聚焦图像的清晰区域提取并融合成为全清晰图像称为多聚焦图像融合。如何在最大程度上减少融合细节信息损失是多聚焦图像融合领域的研究热点与难点。经典融合方法,例如空间域方法或变换域方法,融合策略简单,但其融合结果易产生块效应或伪影。新兴融合方法,例如基于稀疏表示的融合方法,融合结果表现良好,但算法复杂度较高,易出现边界信息丢失等问题。本文的主要研究目的是在经典融合算法的基础上,结合深度学习算法解决上述融合方法存在的问题。针对基于卷积神经网络的融合方法出现的边界细节信息丢失问题,本文提出了非下采样轮廓波(Non-subsampling Contourlet Transform,NSCT)变换域下基于多卷积神经网络的多聚焦图像融合方法。本文的主要研究内容如下:(1)针对多聚焦图像融合的基本概念,本文从多方面介绍了传统多聚焦图像融合算法以及新兴融合算法。首先,介绍多聚焦图像融合的基本原理;其次,详细阐述了传统多聚焦图像融合方法与新兴的融合方法的核心思想;然后,对经典融合算法和新兴融合算法的代表算法性能优缺点进行分析总结;最后,介绍了融合算法性能的主客观评价指标。(2)详细介绍了本文所用数据的预处理过程,包括数据集制作和数据集预处理。首先对图像融合过程进行介绍,说明了数据集预处理在融合过程中的重要作用;其次,详细介绍了三种数据集的制作方法,并分析其适用场景;最后介绍了两种数据集预处理的方法,通过示例实验得出两种预处理方法的适用场景。(3)针对现有多聚焦图像融合算法出现的问题提出了一种非下采样轮廓波变换域下基于多卷积神经网络的多聚焦图像融合方法。首先,利用NSCT算法对源图像进行分解,得到多层次多方向子带的分解图,旨在保留更多细节信息;其次,利用CNN良好的特征提取能力结合SoftMax损失函数对每层细节图分别进行聚焦点和散焦点分类,获得对应于每层细节的焦点得分图;然后,对分类后的焦点图进行二值化、误分类移除以及边界模糊等后处理操作,得到最终决策图;接下来,利用最终决策图获取每层的细节融合图;最后,利用NSCT重构方法获得最终融合结果。在多组实验数据集上测试了本文算法与对比算法,从主观评价和客观评价指标上可以看出,本文算法相比其他算法呈现出更好的融合性能。