自动图像聚焦判别的数字图像处理算法分析

自动聚焦技术能够有效保证光电成像系统精准的得到较高清晰度图像,在微电子技术及计算机技术不断发展的过程中,基于数字图像处理自动对焦技术逐渐将自身的优势充分的展现出来,其研究价值及发展空间都比较高。自动对焦技术重点为对焦算法,也就是清晰度评价函数。本文重点对自动图像聚焦判断的数字图像处理算法进行分析,希望能够为使用数字图像处理算法人员提供指导。另外,算法评价标准也能够为全新算法的设计人员提供参考,还能够为对焦程序设计人员提供解决方案。

基于稀疏表示的对抗网络图像聚焦形貌修复

传统方法在进行对抗网络图像聚焦形貌修复时,图像光影边缘修补效果不佳,图像去噪效果差,提出一种稀疏表示的对抗网络图像聚焦形貌修复方法。通过摄像机采集到基本的目标图像,利用计算机图像扫描程序对目标图像分别进行整体的与局部的图像扫描,采集需要修复的图像内部信息。使用图像融合法融合图像数据,提取特征点。通过预估字典矩阵确定字典类型,运用贪婪算法中的追踪匹配法,实现图像数据匹配与缺陷填补。使用平滑处理的方式改善线条与光影边缘部分,得到清晰的图像。实验结果表明,设计的图像聚焦形貌修复方法能够提高目标图像完整融合,提高图像修复清晰度,有效解决噪声问题。

基于数字处理的自动图像聚焦算法分析比较

随着时代不断发展,电子科学技术不断进步,计算机技术通过各种科技产品和技术的应用,逐渐越来越深入的渗透到各行各业,为整个世界带来了翻天覆地的变化。数字处理技术作为电子科学技术的重要发展成果,对很多领域都产生了深刻的影响,也为自动图像聚焦算法的发展完善做出了重大贡献。为了促进自动图像聚焦算法的进一步发展完善,对基于数字处理的自动图像聚焦算法进行分析比较。分析了灰度梯度函数、图像信息熵函数、频域评价函数等常见的基于数字处理的自动图像聚焦算法。

多景深图像聚焦信息的三维形貌重建:数据集与模型

受限于数据采集方式的多源异性与三维重建结果的昂贵标注,现有基于多景深图像聚焦信息的三维形貌重建方法通常需要根据具体应用场景设计,缺乏场景适应性.本文提出一种多景深图像数据集构建的理论与方法,并在此基础上设计具有良好鲁棒性的深度网络模型.构建的多景深图像数据集(MDFI Datasets)旨在剥离图像实际语义与深度信息的强关联性,通过联合输入图像序列的富纹理特性与三维形貌固有的同质与阶跃特性,提出形貌核函数非线性空间映射方法扩展数据集的多维性与多样性.设计的深度三维形貌重建网络模型(DSFF-Net)以U-Net为基础网络,添加可变形卷积模块(Deformable ConvNets v2)增强网络的特征提取能力,全新设计的局部-全局关系耦合模块(LGRCB)有助于提升模型全局聚焦信息的聚合能力.为验证MDFI Datasets的跨场景适用性和DSFF-Net模型的鲁棒性与泛化性,本文从四个不同方面进行实验对比分析.实验结果表明,相较于最先进的鲁棒聚焦体积正则化的聚焦形貌恢复算法(RFVR-SFF)和全聚焦深度网络(AiFDepth-Net),本文提出的DSFF-Net模型在RMSE指标上分别下降15%和29%;大景深场景实验表明,本文提出的数据集构建方法能够适应实际应用场景。

基于深度神经网络的多聚焦红外图像非线性增强

当红外图像中含有多个聚焦目标主体时,会导致红外图像质量下降,部分区域出现模糊,因此,提出基于深度神经网络的多聚焦红外图像非线性增强方法。在引导滤波的作用下,从红外图像中获取细节层图像和背景层图像,在细节层图像中建立局部清晰度评价函数,得到清晰的细节层和背景层并融合二者。利用构建的深度神经网络结构,建立非线性增益函数,通过设定阈值和调整子带系数,实现对多聚焦红外图像的非线性增强。测试结果表明,所提方法在增强图像过程中,并没有改变原始图像的亮度和纹理波动;增强后的图像信息熵比原图像提高了57%左右,图像抗噪性能值更高,平均为7.4 dB,图像更清晰,SSIM值更趋近于1,平均为0.98,增强后的图片与原图片图像相似度更高,更接近于真实图像。

基于目标图像先验信息的无监督多聚焦图像融合

多聚焦图像融合(MFIF)是从不同源图像中获取聚焦区域,以形成全清晰图像的一种图像增强方法。针对目前MFIF方法主要存在的两个方面问题,即传统的空间域方法在其融合边界存在较强的散焦扩散效应(DSE)以及伪影等问题;深度学习方法缺乏还原光场相机生成的数据集,并且因需要大量手动调参而存在训练过程耗时过多等问题,提出了一种基于目标图像先验信息的无监督多聚焦图像融合方法。首先,将源图像本身的内部先验信息和由空间域方法生成的初始融合图像所具有的外部先验信息分别用于G-Net和FNet输入,其中,G-Net和F-Net都是由U-Net组成的深度图像先验(DIP)网络;然后,引入一种由空间域方法生成的参考掩膜辅助G-Net生成引导决策图;最后,该决策图联合初始融合图像对F-Net进行优化,并生成最终的融合图像。验证实验基于具有真实参考图像的Lytro数据集和融合边界具有强DSE的MFFW数据集,并选用了5个广泛应用的客观指标进行性能评价。实验结果表明,该方法有效地减少了优化迭代次数,在主观和客观性能评价上优于8种目前最先进的MFIF方法,尤其在融合边界具有强DSE的数据集上表现得更有优势。

船舶多聚焦图像的融合方法研究

受到环境因素以及抖动等原因,船舶相机获取的图片存在模糊的现象,通过对多张图片进行融合可以有效解决这个问题。本文提出一种基于深度学习和多聚焦图像的融合方法,详细分析了多聚焦图像融合的过程,阐述了基于SIFT变换的特征提取原理,提出基于CNN的多聚焦图像融合训练阶段网络框架和图像融合网络框架,并进行实证研究,结果表明本文提出的多聚焦图像融合方法可以实现多张图片的有效融合,并在空间尺度上实现了坐标统一,输出图片具有较高的清晰度。

基于Transformer和生成对抗网络的多聚焦图像融合

针对多聚焦图像融合任务中聚焦与离焦边界区域处理不平滑的问题,基于Transformer的全局特征提取能力,提出了一种包含双判别器的生成对抗网络方案.生成器以端到端的形式完成多聚焦图像融合任务,借助Transformer获取全局依赖性和低频空间细节,通过跨域的交叉注意力机制帮助生成器模型的双分支达到信息交互的效果,获取另一通道上的冗余信息和互补信息.该模型在学习过程中结合图像的全局信息进行参数更新,从而克服上述问题,且尽可能保留多聚焦图像中聚焦区域的有效信息.通过对比实验表明,所提方法可行且具备竞争力.

基于纹理特征提取的多聚焦图像融合方法

针对多聚焦图像融合过程中可能出现的问题,如细节丢失、边缘伪影和区块效应等,提出了一种基于纹理特征提取的多聚焦图像融合方法。通过纹理特征提取算法获取图像纹理细节,用引导滤波对细节进行增强和细化处理。对滤波后特征图采用像素极大值策略生成初始决策图,利用小区域去噪方法得到准确的决策图。结合原始图像与最终决策图进行图像融合,生成全聚焦图像。结果表明,该方法融合的图像质量有显著提升,与其他方法相比,均方误差评价值降低了约37.14%,同时,基于归一化互信息度量、基于Tsallis熵度量和基于非线性相关信息熵度量的评价参数值分别提升了约26.1%、6.18%和13.2%。此外,该方法还可以充分保留图像细节信息且没有区块效应和边缘模糊的现象,具有较强的实际应用价值。

基于区域特征优化及边缘增强的多聚焦图像融合

针对多聚焦图像融合中存在的聚焦信息缺失、边缘特征表达不充分的问题,提出了一种基于聚焦区域特征优化及边缘增强的多聚焦图像融合方法。首先,提出了一种四流向的聚焦特征增强网络,在图像编码过程中实现聚焦特征的增强与补全;其次,提出了一种新的基于空间频率(NSF)的聚焦区域提取策略,实现对聚焦区域特征的高效提取;最后,提出了一种边缘特征增强模块,通过计算图像边缘梯度,实现对目标区域的边缘信息增强。在Lytro数据集与MFFW数据集中与8种融合方法进行定性与定量对比。实验结果表明,该融合方法较好地解决了多聚焦融合图像中聚焦特征表达不充分、纹理细节不完整和边缘模糊等问题,视觉效果显著。

改进径向基函数插值法的多聚焦图像滤波融合

由于受到拍摄设备、光学镜头景深以及噪声等不同因素的影响,多聚焦图像往往存在边缘弱化问题。为了使多聚焦图像更加清晰,提出基于改进径向基函数插值法的多聚焦图像滤波融合方法。通过能量函数计算图像边缘细节估计误差,建立空间同性误差准则,去除图像边缘噪声,实行滤波保护。利用径向基函数各层网络建立多聚焦图像抑噪模型,减少图像的噪声污染。通过非线性函数恢复像素,在图像空间坐标下分离图像纹理、清晰程度和图像局部特征,提取图像高频信息。利用径向基函数插值引导高频信息,在决策引导下实现图像滤波融合。经过实验证明,所提方法的多聚焦图像融合效果较好,减少了残余噪声,能够实现图像去噪和边缘特征保护,清晰度较高,图像结构性相似度高。

基于深度卷积网络的多聚焦图像自动融合方法

不同聚焦状态的图像融合易产生模糊的问题,因此提出基于深度卷积网络的多聚焦图像自动融合方法。首先检测图像的多聚焦区域,利用深度卷积网络选择图像块的大小,以便于后续的图像融合。选取好图像块大小后,通过小波变换进一步确定频子带系数。最后,结合深度卷积网络的自动融合方法,融合不同聚焦状态的图像,得到一幅完整、视觉效果好的融合图像。实验证明,在融合过程中使用深度卷积网络的多聚焦图像自动融合方法可以得到清晰的图像,具有良好的应用效果。

基于多级分块迭代法的不同聚焦图像融合

提出了一种基于多级分块迭代法的不同聚焦图像融合方法.首先,通过采用高斯函数对图像进行多次卷积以模拟图像的再次成像系统,对原始图像和再次成像采用不同的块大小进行多级划分,在不同的级别上比较原始图像和再次成像的灰度差平均值判断子块清晰与否.接着,根据一致性检验原则对图像块进行隶属情况判断.然后,采用迭代法将图像划分成三个区域:清晰区域、模糊区域、交界区域.最后,选择其中的清晰区域形成融合图像.文中给出了融合实验结果,结果表明该方法与传统融合方法相比性能优越,能够大幅度提高融合图像的质量.

一种基于图像块分割的多聚焦图像融合方法

针对多聚焦图像,提出了一种基于图像块分割的图像融合方法.采用块区域局部对比度将多聚焦图像分割成三部分:聚焦清晰区域、聚焦模糊区域以及两者之间的边界区域.对于清晰区域和模糊区域,直接选取清晰块区域作为融合后相应块区域;对于边界区域,建立了基于对比度的像素选取方法进行融合处理.实验对比结果表明,该方法明显优于拉普拉斯金字塔融合算法和离散小波变换融合算法.

一种基于小波变换的多聚焦图像融合方法

提出了一种改进的基于小波变换的多聚焦图像融合方法。该方法采用小波变换对源图像进行多尺度分解,得到高频和低频图像;对高频分量采用基于邻域方差加权平均的方法得到高频融合系数,对低频分量采用基于局部区域梯度信息的方法得到低频融合系数;进行小波反变换得到融合图像。采用均方根误差、信息熵以及峰值信噪比等评价标准,将该方法与传统融合方法的融合效果进行了比较。实验结果表明,该方法所得融合图像的效果和质量均有明显提高。

小波域多聚焦图像融合算法

研究了小波域多聚焦图像融合方法中滤波器、分解层数、融合规则的选取问题,提出一种基于小波变换的简单融合规则。利用小波变换将图像分解成最低频逼近和不同尺度、不同方向的高频细节信息,最低频逼近反映图像的平均信息,细节包含图像的边缘。根据多聚焦图像中细节信息互补的特点,对多个待融合图像简单地取模值较大的小波系数,得到了很好的融合图像。详细讨论了不同的小波滤波器、分解深度、融合算子对融合结果的影响。对小波域图像融合算法与其它一些多分辨图像融合算法:如Laplace塔、比率塔、对比度塔、梯度塔等进行比较,得到了一些定性结论,对该领域的研究和实验有一定的指导意义。

改进拉普拉斯能量和的尖锐频率局部化Contourlet域多聚焦图像融合方法

为了克服Contourlet融合在远离支撑区间上出现的混叠成分,抑制融合图像在奇异处产生伪吉布斯现象,提出了改进拉普拉斯能量和的尖锐频率局部化Contourlet(SFLCT)域多聚焦图像融合方法。采用SFLCT而不是原始的Cont-ourlet对多聚焦图像进行分解,并将多聚焦图像空域融合方法中评价图像清晰度的指标引入到SFLCT变换域,用拉普拉斯能量来选择变换域系数。然后,逆SFLCT重构得到融合结果。最后,采用循环平移来提高SFLCT的平移不变性,有效抑制融合图像在奇异处产生伪吉布斯现象。实验结果表明:对于多聚焦图像,所提方法比循环平移小波变换法的互信息提高了5.87%,QAB/F提高了2.70%,比循环平移Contourlet方法的互信息提高了1.77%,QAB/F提高了1.29%;视觉效果优于典型的空域分块拉普拉斯能量方法和平移不变小波变换方法。

基于视觉特性的多聚焦图像融合新算法

提出了一种基于视觉特性的快速、高精度的多聚焦图像融合新算法。根据多聚焦图像的特点,采用基于视觉对比度的快速间隔块扫描算法对聚焦离焦区域在整幅图像内进行粗定位,然后在粗定位的基础上通过基于块视觉对比度的比对进行聚焦离焦区域的精确定位,并且将图像划分为3个部分:聚焦区、离焦区与边界。取两幅图像各自的聚焦区,而后将两幅图像离焦与聚焦的边界区域加权融合即得融合图像。实验结果证明,该算法与基于小波分解的融合算法和基于视觉的块分解融合算法相比不仅速度快而且效果好。

基于小波变换和邻域特征的多聚焦图像融合算法

提出了一种基于小波变换和邻域特征的多聚焦图像融合算法。该算法首先采用小波变换对源图像进行多尺度分解,得到低频和高频子图像;然后对低频子图像采用基于邻域归一化梯度的方法得到低频融合系数,对高频子图像采用基于邻域方差的方法得到高频融合系数;最后进行小波重构得到融合图像。采用均方根误差、信息熵以及峰值信噪比等评价标准,将该算法与传统融合方法的融合效果进行了比较。实验结果表明,该算法所得融合图像的效果和质量均有明显提高。

基于多小波分析的多聚焦图像融合

多聚焦图像融合的关键问题是如何保持原始图像的细节。基于多小波分析具有多个分析基函数和产生更多分解子图像的特点,本文提出1种基于多小波分析的多聚焦图像融合方法。根据小波变换域分解信号的特点,分别对细节信号采用基于局部区域能量指导下的融合规则和对粗大信号采用局部均方误差加权均衡的融合规则,最后考虑了焦点区域的一致性调整。通过实验证明,在采用空间频率和清晰度作为客观评价条件之下,该方法比基于单小波分解、塔式分解和其它的融合方法都具有更好的融合效果。