通过简单的标准偏差对多聚焦图像进行图像融合

王容

摘要：在图像处理的过程中图像融合是图像配准发展的一个重要领域。该文的基本原理是使用简单的统计标准偏差来融合多聚焦图像。首先，对一个k×k的多聚焦图像进行简单的标准偏差计算。该文主要集中在图片中具有较高细节的部分而不是那些零散的部分。因此，像素之间比较集中部分的差值要高于零散部门的差值。其次，一个多聚焦图像中的每个k×k的标准差都是可以被计算的。所有被计算的标准差中最高的标准差被认为在融合图像中的最佳结果。实验的结果表明尽管此方法非常简单但是同样产生令人满意的结果。

关键词：图像融合；多聚焦；标准差

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）03-0196-02

1 介绍

图像融合是将两个或两个以上的图像融合成一个具有更高信息图像的过程。尽管技术的不断发展以及各种图像采集设备的发明，它并不总是能够得到一个包含所有需要的信息的图像。在过去的几年中，图像融合在遥控，计算机视觉，医疗成像，显微成像，特别是在军事上得到很大的重视。在遥感领域的多传感器数据，医疗成像和机器视觉可能同一场景的多幅图像提供不同的信息。在机器视觉中，由于电荷耦合器件的光学透镜的焦点深度有限，它是不可能由一个单一的图像包含所有的信息对象。有时，一个完整的画面并不总是由长焦距成像传感器尤其是光学镜片得到的，它只能是在某一个领域有一定的深度。图像融合的基本目标是提取图像中所需要的有用信息，这些图像是从不同的源和传感器捕获的。之后，把这些图像转化为单一的融合增强图像。事实上，从相机传感器和不同装备获取的图像具有信息分布不均匀的特点。因此，图像融合的基本作用是实现传统的传感器不能提高的人的视觉感知型事实上，融合后的图像包含更多的数据内容比单个的图像。图像融合有助于获得图像中的所有信息。融合的过程必须在融合图像中保留所有相关信息。本文讨论的多聚焦图像融合使用简单的统计标准偏差在k×k矩阵大小。第二节给出了近期工作的回顾和产生各种不同的方法达到的效果。本文提出的图像融合技术已经在第三部分，第四节讨论了实验结果和性能评估，已经在第五部分讨论了本文的主要结论。

2 图像融合的回顾

图像融合的起源可追溯到上世纪五六十年代。图像融合是从不同的传感器得到的符合图像得到更加吻合自然图像的第一步，实践证明它是切实可行的方法。图像融合领域包含许多方面比如合并，整合等。

如今，图像融合有两种方法，即空间融合和变换融合。目前，从几个输入图像融合成复合图像中最常用的方法是基于像素的方法。在模糊图像的强度比的基础上提出了一种新的多聚焦图像融合算法，一般的分类是在综合考虑信号，像素，特征的过程。讨论了人工神经网络在解决多聚焦图像的融合问题中的应用。此外，在图像融合中提出了图形切割技术。也讨论过压缩传感图像融合技术。基于小波变换的图像融合在图像融合的领域是不容忽视的，还有很多这方面的教程。我们还可以发现一些图像融合的资料，比如：采用主成分分析的图像融合，一个复杂的小波变换在图像融合中的应用，一种新的强度色相饱和度技术和权衡参数在图像融合中的讨论等等。

本文中，为了比较本文提出的方法的有效性，我们采用和一些常见的技术进行比较，本文采用的是和小波变换进行对比。在以往的研究中，人们已经发现，基于小波变换的融合方法在空间和光谱质量上是优于标准的融合技术，但是小波变换的确定就是有更高的复杂性和成本。

3 提出的技术

本文提出的方法就是对每个输入的图像和融合的图像计算一个标准差。首先，我们引入统计标准差的概念。标准差就反应一组数据分散情况，越偏离平均数据的标准差越高。在数学领域，标准差被认为是非常有用的。作为一种新的图像融合技术是基于在图像聚焦部门的标准差而不是在相同部分未聚焦图像。因此，聚焦之间的像素色散高于零散部分的色散。标准差针对每个k×k矩阵内所有输入的多聚焦图像。计算出来的所有输入图像的标准差，值最高的作为最佳标准差。根据图1，对于任意一个2×2矩阵大小的标准差计算表明，在四个输入图像中标准差值越高的图像具有更多的细节信息。从统计学上讲，这四个输入图像的标准差的值分别为0.5，1.7078，3.304和2.63，那么标准差最高的是第三张图像，在下图中可以看出，该图像具有锋利的边缘，而不是模糊的边缘。k×k矩阵的大小是从输入图像处得到的。在本文中，矩阵大小k要求尽可能的小，这里的建议是k等于2。

图1

另一个例子是，改变矩阵的大小，两个矩阵大小为10×10的时钟多聚焦图像，计算了它们的标准差分别为3.2489和1.8803。再次表明，锐化的边缘图像比模糊图像的标准差更大。

图2

4 实验结果

实验结果验证了本文提出的方法是有效的。用几个标准测试图像作为输入图像，根据提出的技术最高标准差值得方法实现了图像融合。显然，结果表明该技术得到的结果与其他方法是非常满意的，许多指标和小波变换与主成分分析（PCA）的比较中比如均方根误差（RMSE），峰值信噪比（PSNR），图像质量指标（IQI）和结构相似性指数（SSIM）。

表1 SSIM比较

[＼&小波＼&PCA＼&标准差＼&Lena图＼&0.8278＼&0.8274＼&0.7260＼&钟＼&0.9224＼&0.9222＼&0.8807＼&]

从表1可以看出，标准差值方法的SSIM值低于小波和PCA。这里，需要提到的是SSIM显示融合图像和输入图像之间的结构相似性。由于所有测试图像的输入图像的模糊大小只有一半，然后根据模糊输入图像中的锐化部分。因此，本文提出的标准差值技术的SSIM较小并不意味着它是不好的，相反，从肉眼可以看出，通过该技术获得的结果比小波和PCA有更多的的锐化细节。另一个性能指标信噪比，它是用于测试图像的失真性。PSNR必须是原始图像对比下才能够得到。因此，在本文中，PSNR不能计算所有测试图像。

根据表2，与小波和PCA 融合技术相比，本文的标准差技术的PSNR值较高。实际上，这就意味着使用该技术比小波和PCA技术与原始图像比较差异更小。说明该方法是有效的。

5 结论

标准差值方法和其他复杂的方法性能相比得到的结果是相同的，并且这个方法还具有简单性。但是这种方法的缺点是必须是几个标准差进行比较得到最佳标准差，也就是必须要有进行选择的条件。这可能是未来工作需要解决的问题。本文采用的是两个输入图像，但是应该是两个以上的图像，因为本文是多聚焦图像融合技术。

参考文献：

[1] 张汶钊，吴薇. 基于小波变换的图像融合算法[J]. 江苏科技信息，2013（20）.

[2] 黄卉. 基于小波变换的图像融合方法研究[D].合肥：合肥工业大学，2005.

[3] 刘志明. 数字图像融合新进展[J].电脑与电信，2013（4）：45-47.

[4] 侯庆岑，潘晨，杨勇.基于视觉显著度的多聚焦图像融合方法[J].计算机工程， 2015（41）：211-217.

[5] 韩瑜， 蔡云泽， 曾清. 图像融合的客观质量评估[J]. 指挥控制与仿真， 2013（35）：1-7.