部分多聚焦叠加方法在准噶尔盆地低信噪比地震资料中的应用

多聚焦叠加是目前已知的最佳零偏移距叠加成像方式。对多聚焦叠加方法做改进,利用得到的波场参数来提高叠前地震资料的质量。利用多聚焦波场参数做部分多聚焦叠加,对菲涅尔带内的多个相邻CMP(共中心点)道集做倾角、曲率等校正后合并为一个道集即多聚焦超道集(部分多聚焦叠加),可以补齐缺失地震道,实现叠前数据规则化,并提高信噪比,从而使得叠前道集中的同相轴尤其是来自深层的反射轴有更好的连续性,有利于识别和追踪。提高质量后的叠前道集可用于后续的速度分析、叠加、偏移等常规处理中,效果好于原始CMP道集。模型和实际地震数据的处理结果验证了该方法的正确性和有效性,该方法在低信噪比地震资料处理中将会有广阔的应用前景。

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。

细粒度全局感知多聚焦图像融合网络

多聚焦图像融合是图像融合的一个重要分支,在显微成像等方面具有广泛的应用.针对多聚焦融合中存在的纹理细节不清晰、聚焦区域误判等问题,本文从空间及通道信息全局关注的角度出发,结合Swin Transformer中的移动窗口自注意力机制和深度可分离卷积设计了一个全局信息编码-解码网络,采用综合损失函数进行图像重构任务的无监督学习;从特征邻域信息重要性的角度出发,引入了改进的拉普拉斯能量和函数在特征域进行图像聚焦属性的判别,增强图像聚焦区域判别的细粒度效果.与7种经典图像融合算法比较,本文算法在定性和定量分析中均取得了先进的融合性能表现,对原始图像的聚焦区域信息具有更高的保真效果.

基于超像素和引导波的多聚焦图像融合

针对多聚焦图像融合中存在的聚焦区域误判、纹理不清晰和伪影等问题,提出一种结合超像素和引导波的非下采样剪切波变换(Non-subsampled shearlet transform,NSST)融合方法。首先,在高频融合中使用三重引导滤波达到识别聚焦区域和光滑聚焦边界的效果,并通过中值去噪增强图像的抗噪性。其次,对基于超像素融合的低频子带进行伽马校正提升图像的对比度,保证图像纹理的连续性,超像素融合还可以保持区域色度一致性。最后,重构的亮度和色度子图通过逆Lab变换进行融合。在7组实验中,本算法的空间频率(Spatial frequency,SF)、标准差(Standard deviation,SD)、边缘强度(Edge intensity,EI)和视觉信息保真度(Visual information fidelity,VIF)都远大于对比算法的相应值,表明本算法能很好地保留纹理轮廓信息,提升图像对比度和清晰度。

多聚焦图像焦深扩展分解融合算法仿真

多聚焦图像在融合过程中,若源图像分辨率过低会直接影响图像的融合效果。为提升图像融合效果,提出基于焦深扩展的多聚焦图像融合算法。采用焦深扩展方法对光学系统实施优化,通过优化后的光学系统生成聚焦图像,并对获取的聚焦图像中的退化图像实施修复处理,提升源聚焦图像质量;使用双三次插值的单帧超分辨率法对图像实施分解处理,获取源聚焦图像的高分辨率图像,结合滤波处理算法,获取聚焦图像的细节系数;利用逆小波变换方法对图像细节系数,依据计算结果实现多聚焦图像融合。实验结果表明,使用上述方法开展图像融合时,融合效果较好,图像融合质量较高。

结合多聚焦融合和DSGEF双阶段网络重建太阳斑点图

太阳斑点图具有对比度较低、米粒结构相似、帧间差异较小的特点,现有重建网络在进行单帧去模糊时存在高频特征不足、局部细节难以恢复等问题。结合图像多聚焦融合,构建梯度增强与FPN双阶段网络实现太阳斑点图的高分辨率重建。首先,利用序列图像帧间相似信息互补特性,使用块聚焦图像融合算法,弥补图像丢失的高频细节;其次,以生成对抗网络GAN为框架,设计了一个双阶段重建网络DSGEF,联合梯度分支与结构特征分支增强高频细节,再利用FPN网络进行多尺度特征重建,改善米粒边缘清晰度;最后,引入一个包含对抗损失、像素损失和感知损失的联合损失函数,用于引导网络DSGEF进行训练,实现高分辨率太阳斑点图的重建。实验结果表明,该方法与现有深度学习方法相比,峰值信噪比(PSNR)和结构相似性(SSIM)指标均有明显提高,能够满足太阳观测图像高分辨率重建要求。

结合SML与差分图像的多聚焦图像融合算法

针对传统多聚焦图像融合算法中融合边缘出现模糊、伪影等问题,提出了一种结合改进拉普拉斯能量和(SML)与差分图像的多聚焦图像融合算法。首先,为了提取源图像的聚焦特征信息,分别通过SML和滤波差分进行聚焦度量,再采用引导滤波获得更多的细节特征;接着,利用像素最大值规则生成初始融合决策图,再对初始融合决策图进行小区域去除消除因聚焦和散焦区域相似造成的噪点,并对融合决策图进行不一致处理,获得更精确的聚焦区域;最后,由逐像素加权平均规则,得到融合图像。实验结果表明,所提出的算法在主观视觉效果和客观评价指标上均优于对比算法,互信息、特征互信息、图像梯度特征在彩色图像上分别提高了0.17%、0.38%和0.11%,在灰度图像上分别提高了0.7%、0.69%和0.33%,并且平均运行时间少于0.5 s,具有较高的计算效率。此外,该算法能够较好地保留源图像信息的完整性,融合图像边缘清晰、无伪影。

基于分数阶小波与引导滤波的多聚焦图像融合方法

针对多聚焦图像融合中存在易丢失细节信息、图像边缘处产生伪影等问题,提出了一种基于离散分数阶小波变换(DFRWT)结合引导滤波的多聚焦图像融合新方法。首先,采用DFRWT将多聚焦源图像进行多尺度分解,得到低频部分与高频部分。其次,为了使图像信息有效地融合,根据小波模系数的能量在不同阶数下的分布特征,选取最适合分数阶阶数,在低频部分应用拉普拉斯能量并获得初始决策,再用引导滤波修正决策图得到融合规则;高频部分采用分数阶空间频率的融合规则。最后,通过DFRWT逆变换获得融合后的图像。新方法与现有5种算法进行视觉对比和定量评估,仿真实验表明,本文方法有效抑制了Gibbs效应和边缘处的伪影效应,视觉效果和客观评价均令人满意,融合图像的质量优于已有的几类经典算法。

基于导向滤波和聚焦区域局部标准差的多聚焦图像融合

针对目前多聚焦图像融合存在着在融合图像边缘处容易出现伪影和光环等问题,提出了一种新的基于导向滤波和聚焦区域局部标准差的多聚焦图像融合方法。首先,设计了一种新的聚焦区域检测策略,它将导向滤波后的源图像与均值滤波后的源图像相减得到绝对差值图像,并以此作为高频信息而生成粗略聚焦图;粗略聚焦图进一步经过导向滤波增强其高频细节信息,从而得到对应源图像的聚焦区域。然后,根据聚焦区域的局部标准差,利用像素级最大化规则得到初始决策图。最后,通过小区域去除策略和导向滤波优化生成最终决策图,并据此利用像素加权平均规则得到融合后的图像。实验结果表明,论文提出的多聚焦图像融合方法在主观视觉效果和客观评价指标方面的综合性能都优于现有的典型融合方法,且其计算效率也较高。

基于改良SURF的多聚焦图像配准方法与模型

多聚焦图像配准是多聚焦图像融合、聚焦形貌恢复等应用必不可少的预处理步骤,配准精度决定了后续图像处理的精度。为解决常规方法配准精度较低的问题,本研究提出了一种基于改良SURF的多聚焦图像配准方法与模型。该方法通过黄金分割搜索对配准模型中唯一参数进行最优估计,以提高图像配准精度。实验结果表明,该方法的MSE均小于常规方法,NCC值更接近1,可以有效地提高多聚焦图像配准精度,能更好地应用于农业机械的智能自动驾驶、作业道路导航、工装作业状态监测等实际方面。

一种基于形态学梯度的多聚焦图像融合方法

多聚焦图像融合作为信息融合的一个重要分支,广泛应用于计算机视觉、医学诊断、数字成像等领域。文中针对现有融合算法存在融合图像易出现“块效应”等问题,提出了一种基于形态学梯度的多聚焦图像融合方法。该算法首先对源图像进行形态学梯度测量得到对应的得分矩阵,然后对得分矩阵进行四叉树分解得到初始分割图。进而利用形态学滤波和小区域滤波,除去边缘信息和小洞得到期望的决策图。实验测试表明,文中提出算法相对于现有的算法在结构相似度、峰值信噪比等定量指标上皆有较好的表现。

多聚焦图像离焦模糊区域的SIFT特征提取

常规的尺度不变特征变换(SIFT)图像特征提取方法难以提取多聚焦图像离焦模糊区域的特征,使得图像间存在局部、少量的公共特征,导致多聚焦图像配准精度差,严重影响后续图像融合和三维重建质量。在分析图像离焦模糊区域特征提取不确定性的基础上,提出了一种多聚焦图像离焦模糊区域的SIFT特征提取方法。首先提取多聚焦图像聚焦清晰区域的SIFT特征,再利用光流跟踪提取对应离焦模糊区域的SIFT特征,避免了在离焦模糊区域直接提取SIFT特征的不确定性。实验结果表明:提出的方法在离焦模糊区域具有良好的SIFT特征提取能力和提取精度,能实现多聚焦图像SIFT特征匹配数量显著增长,SIFT特征提取的误差为0.03~0.39 pixels,优于现有方法的0.21~1.71 pixels。降低了离焦模糊区域SIFT特征提取的不确定性,为多聚焦图像精确配准奠定了基础。

基于潜在低秩表示的多聚焦图像融合方法

低秩表示(LRR)侧重于图像主要特征表示,在实现多焦距图像融合中容易造成细节信息模糊。鉴于此,本文在LRR的基础上对细节信息进一步分解,提出了一种基于潜在LRR(LatLRR)的多聚焦图像融合方法。该方法首先通过预先训练产生一个潜在低秩字典矩阵,以用于后续细节信息的分解并减少运算量。采用滑动窗口将待融合图像分割成多个图像块并构建成一个源矩阵,采用LatLRR对源矩阵进行分解得到低秩部分和细节部分。最后,对低秩部分和细节部分分别采用加权平均与核函数的奇异值分解策略进行融合。对比实验结果表明:在主客观评价中,本文提出的LatLRR的多聚焦图像融合方法获得更好的性能,更好的多焦距图像融合性能。

非织造图像多聚焦图像融合算法及其应用

非织造布的厚度大于显微镜的景深会造成采集到的显微图像存在部分区域模糊的多焦面问题。结合图像的空间域和频率域特征,提出了一种基于空间域清晰度评价和频率域小波变换的多聚焦图像融合算法,旨在获得清晰的全聚焦非织造图像,并基于此融合结果测量非织造布内纤维直径分布。通过与单一的空间域、频率域以及一种基于优化的多聚焦图像融合方法比较,结果表明,所提出的多聚焦图像融合方法在人类视觉特性和客观评价方面都能获得良好的效果。

多聚焦图像融合研究

多聚焦图像融合是指将多幅聚焦区域不一的原始图像融合成一张全局聚焦图像的技术。融合后的图像一般进一步传递到下游分析,如监控、图像追踪、图像识别等机器视觉应用。从20世纪开始技术算法就不断发展。本文主要整理其宏观研究轨迹,使感兴趣的学者能快速上手。研究方法主要可分为多尺度分析法、稀疏表示法、区域分割法、深度学习以及其他法。

多聚焦成像技术及应用研究

多聚焦技术是一组以“巨模型-独立成像”为特征的地震成像方法.该技术实现了二维多次覆盖叠前数据到零偏移距剖面的转换,并用聚焦参数的最优化过程代替了传统偏移方法中的速度模型修正.避免了“速度难题”。首先介绍了多聚焦技术的基本原理和确定多聚焦参数的方法;然后利用多聚焦成像技术对理论模型的正演模拟记录进行了时差校正和叠加,正演模拟记录是用射线追踪和有限差分法获得的;最后用实际数据进行了试算。将多聚焦叠加结果与理论记录以及试算结果与常规叠加剖面进行了对比分析.分析结果表明,多聚焦成像方法的成像效果很好。

基于NSST和稀疏表示的多聚焦图像融合方法

为使融合图像保留丰富的细节和纹理信息,提出了一种基于非下采样剪切波变换(NSST)和稀疏表示的多聚焦图像融合方法。鉴于稀疏表示能够有效地捕捉图像中的结构信息这一优势,并充分考虑像素间的区域相关性,低频子带系数采用稀疏表示和区域能量相结合的融合策略,以及加权平均的融合规则,高频子带系数采用区域能量取大的融合规则。实验结果表明,该方法融合图像清晰度高,能够更好地保留图像细节信息。