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.     

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。     

基于区域分割和引导滤波的多聚焦图像融合

针对多聚焦图像可能出现局部配准不理想的情况,提出了一种基于区域分割和图像引导滤波的失配准鲁棒多聚焦图像融合算法. 首先通过构造基于结构张量的聚焦评价函数,对每幅输入图像进行聚焦度评价;然后建立包含图像聚焦度的全局能量函数,并通过Graph Cut算法分割出每幅图像的聚焦区域;最后利用图像引导滤波对每个聚焦区域进行细化得到每幅图像的融合权重,在梯度域上进行图像复原得到融合图像. 实验结果表明,该方法不仅可以在多聚焦图像失配准的情况下进行图像融合,而且有效地保持了图像的边缘,在主客观评价指标上均有较大的提升.      

基于区域能量的多聚焦图像融合算法

针对同一场景两幅严格配准的多聚焦图像的融合问题,设计了一种基于区域能量的多聚集图像融合算法。该算法利用金字塔变换得到图像的多分辨序列,采用基于区域能量的融合方法,在图像的相应层次序列的各级金字塔图像上进行融合,以获取最终的融合图像。从目视效果来看,采用本文算法进行图像融合,能够将两幅多聚焦图像融合成一幅比较清晰的单一聚焦图像。实验结果表明,本文算法与同类其它算法相比较,熵提高了0.01%～4.4%,交叉熵降低了52.93%～95.77%,互信息提高了3.13%～26.55%。     

基于块同化的空间频率多聚焦图像融合算法研究

本文阐述了一种基于块同化的空间频率多聚焦图像融合算法,对现有的多聚焦图像在空间频率上的融合算法进行了改进。首先对多聚焦图像在对应位置上计算出每个像素的空间频率,由空间频率来计算出它对融合图像的权值,进而决定选取某个源图的像素作为融合后的对应位置的像素,再对融合后的图像采用窗口同化的方法,达到滤波作用,减少偶然误差。通过仿真验证了该方案的有效性,结果表明该方法得到的融合图像优于传统的多聚焦图像融合方法。     

一种基于尺度变化的DCT自动聚焦算法

选取高频分量作为清晰度判据是自动聚焦的常用手段。在分析了镜头系统造成图像模糊的原理的基础上,对基于DCT(discretecosinetransform)变换的清晰度判据进行了讨论,把全局DCT算法的改进问题转化成窗口尺度大小选取的问题,进而分析了窗口的大小对于结果的影响。对于实际的自动聚焦系统,提出了窗口尺度选取的原则。该清晰度判据应用在作者开发的高清晰度图像采集系统中。实验结果证明,该文提出的判据可以用于实际聚焦系统。     

多尺度特征的深度学习及在多聚焦图像融合上的应用

【目的】多聚焦图像融合指的是从同一场景下不同的图像中提取各自的聚焦区域,得到一幅全聚焦的图像,是近些年来图像处理领域一个热门的研究方向。传统的图像融合技术存在融合区域不清晰、失真、存在伪影等情况。针对这一现象,提出了一种基于深度学习的图像融合方法。【方法】所提算法整体使用了孪生网络来对图像中的聚焦区域进行分类,同时还引入了GoogLeNet中的Inception模块来提高网络的特征提取能力,取得了良好的性能。为了充分利用源图像中的特征信息,提出的算法中使用了不同大小的子块来提取源图像中不同尺度的特征信息,获得源图像多个尺度的特征。此外,提出的方法获得的二值图能够精确反映出源图像的聚焦区域和非聚焦区域,因此不需要应用后处理步骤来对二值图进行优化,降低了网络的复杂度。【结果】在Lytro多聚焦图像集和其他常用的多聚焦灰度图像集上的实验结果表明：相比于其他经典算法,提出算法的融合结果从主观和客观两个维度上都拥有显著的优势。【结论】提出的算法很好地融合了源图像中的细节特征,融合边缘自然平滑、无伪影产生,取得了较传统算法更好的融合效果。     

基于小波变换与块分割的多聚焦图像融合

 提出了1种新的多聚焦图像融合方法.首先,对2幅源图像采用小波变换的方法进行图像融合,得到初始的融合图像;其次,针对多聚焦图像的特点,采用块区域局部小波空间频率将图像划分为3部分:聚焦清晰区域、聚焦模糊区域以及两者的交界区域.对于聚焦清晰和模糊区域,直接选取清晰区域作为融合后的相应块区域;对于边界区域,则选取小波融合的图像块区域.实验对比结果表明,该方法的融合效果明显优于常见的融合方法,并消除了块效应.     

基于非下采样Contourlet变换的 SVM多聚焦图像融合

提出基于非下采样Contourlet变换的支持向量机(SVM)多聚焦图像融合算法. 采用非下采样Contourlet变换分解图像得到不同频域子带系数. 针对直接取系数绝对值最大融合规则不能反映图像区域的缺点,提出SVM分类系数融合规则. 根据各子带系数物理意义将区域方差、区域能量作为SVM核函数参考量来选择清晰像素点系数,根据融合系数重构得到融合图像. 结果证明该算法能有效并准确地融合图像中的信息.     

基于小波变换的镁合金双弧焊多聚焦熔池图像融合算法

摘要： 针对镁合金双弧焊多聚焦熔池图像融合规则的选择,提出了基于窗口化小波低频系数的融合规则.该融合规则考虑了低频分量对融合后图像的贡献和图像像素间的相关性.由实验结果及客观评价数据表明,该算法能够得到较好的融合效果,增加了镁合金双弧焊多聚焦熔池图像中的清晰目标和融合熔池边缘信息.     

基于亮度感知的前景提取

前景提取是在图像整体认知基础上将感兴趣对象分离出来,本文联合图像亮度视觉感知和水平集方法提出了一种基于亮度感知的前景提取模型。该模型依据像素对的亮度视觉相关性,联合视觉区域内相似性和区域间的差异性,设计了亮度感知能量泛函,运用瑞利熵求解能量泛函得到视觉区域,利用视觉区域特征驱使初始曲线演化至前景轮廓。相对于传统算法,该模型运用图像视觉特征有利于从图像的整体认知上提取前景,提高了水平集方法的前景提取质量。     

基于图像分析的显微视觉自动调焦方法研究

定义了一种基于边缘灰度的显微图像清晰度评价函数,该函数采用改进的线性微分拉普拉斯算子和阈值滤波的方法以减少图像聚焦的误差.将该函数用于显微镜的自动调焦中,具体方法包括:对显微图像的噪声进行中值和同态滤波以提高显微图像的质量;通过带门限的帧差技术以区分背景与前景,同时,为减少噪声和图像前景变化的影响,在评价函数中引入了阈值参数.实验结果表明,该方法准确、稳定和可靠,精度较高.     

Fingerprint Core Location Algorithm Based on Sliding Window

In order to improve the efficiency of the fingerprint core location algorithm, a fingerprint core location method using sliding window on the basis of core location algorithm with the complex filter was proposed. The local region of the fingerprint image was extracted by a fixed-size window sliding in the region of the fingerprint image, and the selected local region by window as the calculation object is used to detect the core. The experiment results show that the method cannot only effectively detect fingerprint core, but also improve the efficiency of the detection algorithm comparing with the global fingerprint core location detection algorithm.     

Foreground Detection Based on Nonlinear Independent Component Analysis

Motionless foreground objects are key targets in applications of home care monitoring and abandoned object detection,and pose a great challenge to foreground detection.Most algorithms incorporate the motionless foreground objects into their background models because they have to adapt to environmental changes.To overcome this challenge,a foreground detection method based on nonlinear independent component analysis(ICA) was proposed.Considering that each video frame was actually a nonlinear mixture of the background image and the foreground image,the nonlinear ICA was employed to accurately separate the independent components from each frame.Then,the entropy of grayscale image was calculated to classify which resulting independent component was the foreground image.The proposed nonlinear ICA model was trained offline and this model was not updated online,so the method can cope with the motionless foreground objects.Experimental results demonstrate that,the method achieves remarkable results and outperforms several advanced methods in dealing with the motionless foreground objects.     

基于增量学习的关节式目标跟踪算法

为实现对关节式目标的稳定跟踪,提出了基于增量学习的关节式目标跟踪算法.该算法应用图割法对目标矩形窗进行前景与背景分割,得到前景图像;然后对前景图像进行快速傅里叶变换,得到傅里叶系数矩阵,进而得到振幅图像,并将振幅图像作为跟踪目标的描述;最后将多个目标描述进行奇异值分解和主元分析,实现对跟踪目标的低维子空间描述.文中在粒子滤波框架下实现了整个跟踪算法.实验结果表明,该算法具有较稳定的关节式目标跟踪效果.     

阈值取值对CT影像边缘提取的效果研究

阈值选取是图像边缘提取过程中必不可少的步骤,适当的阈值取值使得CT影像边缘部分准确明显地表示出来,可为医学影像的后续处理分析提供好的素材.本实验从二值化图像函数入手,通过计算医学影像均值、标准差、显示灰度直方图,求取影像前景面积和图像逻辑运算分析不同阈值对医学影像边缘提取效果的影响,并使用通用的边缘提取算法对不同阈值影像提取边缘,实验结果发现值为0.2时边缘效果最佳.     

基于区域标注的车牌提取算法研究

提出了一种基于区域标注的方法来实现静态图像中的车牌提取。车牌提取的主要步骤由以下几步构成:原始图像灰度化、数学形态学处理(前景图像处理)、图像二值化(阈值法)、图像滤波处理、特征区域标注,车牌特征提取、采用matlab进行实验仿真。在实验中,通过对各种场景下采集到1 000幅图像做测试,车牌定位率为98%。实验结果表明基于区域标注的车牌提取算法运算快,对背景较为复杂的图像中车牌的提取有良好的效果。     

用于步态识别的行人轮廓提取

采用针对静态背景下的基于Surendra背景更新算法的背景减除法对运动人体进行检测.为视频场景建立自适应的背景模型,通过原始图像和背景模型差分获得前景图像,再对检测出来的图像进行了二值化、数学形态学分析、连通分析、尺度归一等一系列图像预处理工作,为跟踪与识别奠定了基础.重点讨论了二值化自适应阈值选择的多种方法,总结出Kapur熵阈值选取法的优越性.     

交通监控系统中基于多源信息融合的运动阴影检测

针对目前运动提取算法常将运动阴影错误检测为前景目标的问题，提出了一种交通监控系统中基于多源信息融合的运动阴影检测算法．在颜色空间中利用亮度、色度和边缘信息检测阴影的可能区域，使用逻辑“与”操作融合多源检测结果得到最终的阴影区域．与其他算法相比，新算法能更好地区分前景尤其是暗色前景及其阴影，提高了阴影区域的检测精度，更准确地实现了运动目标的提取．仿真实验表明，对不同颜色和尺寸的前景引起的阴影，算法都能鲁棒地分离目标及其阴影区域，前景提取效果好．     

基于优化查询的改进显著性检测算法

传统的基于图的流行排序算法,仅利用图像的边界作为背景查询,其查询选择的准确率直接影响算法的 结果,为此提出一种改进算法,利用现有算法的检测结果为基础,对前景与背景种子点的选取进行优化。 首先,对图像进行超像素分割,充分利用图像的中层信息; 其次,对图像利用流行排序算法计算图像显著图; 最后,对显著性结果进行处理,选取更优的查询点,得到最终显著图。在CSSD( Complex Scene Saliency Datase) 和ECSSD( Extended Complex Scene Saliency Datese) 数据集上与8 种算法进行比较,实验结果表明,该算法具有 更高的检测准确率。