基于小波变换的显微图像融合算法的研究(3)
第二章概述了像素级多聚焦图像融合的各种方法，详细阐述了空域与频域中的几种常用算法，并对这几种方法进行比较，分析各图像融合算法的优缺点，最后还对融合结果评价规则进行了简述。
第三章针对多聚焦图像，对小波变换实现显微图像融合的算法进行了详细的介绍，从理论上表明该算法课在保证融合质量的前提下减少较多计算量，对于显微成像系统有着较好的实用性。
第四章介绍了显微景深对实验的影响，然后采用前三章提出的融合算法以及融合对多显微图像进行融合，进行实例分析，得出融合结果，并对结果进行分析及评价。
第二章 多聚焦图像融合方法
2.1 多聚焦图像融合方法概述
作为图像融合研究重要内容之一的多聚焦图像融合，多聚焦图像指的是由同一传感器得到的成像条件相同，而镜头聚焦目标不同的多个图像。由于成像系统的聚焦范围有限，在一幅图像中，除聚焦良好的物体外，该物体前后一定距离外的所有目标都将呈现不同程度的模糊。为了获得场景内所有物体都清晰的图像，可将成像系统先聚焦在一部分对象上，得到其清晰的图像；然后再聚焦在另一部分对象上，得到另一幅清晰的图像。通过多聚焦图像融合技术将这些图像加以融合，得到所有物体都清晰的图像。在本文中，显微图像融合是指对高倍显微镜下取得的同一对象不同焦距的系列图像进行综合处理，由局部清晰的系列图像提取得到整幅清晰的图像的过程。多聚焦图像融合的方法依据融合层次的不同大体可以分为像素级，特征级和决策级三种。
2.1.1 像素级融合
像素级融合是直接在原始数据层上进行的融合，在各种传感器的原始数据未经预处理之前就进行数据的综合和分析，这是最低层次的融合。这种融合的主要优点是能保持尽可能多的现场数据，提供其它融合层次所不能提供的更丰富、精确、可靠的信息，有利于图像的进一步分析、处理与理解(如场景分析/监视图像分割特征提取目标识别图像恢复等等)， 像素级图像融合可能提供最优决策和识别性能。根据对原始图像是否进行变换分解，我们可以把像素级图像融合的方法分为基于多尺度分解和基于非多尺度分解这两类。在进行像素级图像融合之前，必须对参加融合的各图像进行精确的配准，其配准精度一般应达到像素级这也是像素级融合所具有的局限性，除此之外，像素级融合处理的数据量太大，处理时间长，实时性较差
像素级图像融合结构如图 2-1 所示。
2.1.2 特征级融合
特征级融合属于中间层次，它先对来自各传感器的原始信息进行特征提取(特征可以是目标的边缘、方向、速度等)， 然后对特征信息进行综合分析和处理。一般来说，提取的特征信息应是像素信息的充分统计量，然后按特征信息对多传感器数据进行分类、汇集和综合。若传感器获得的数据是图像数据，则特征就是从图像像素信息中抽象提取出来的，典型的特征信息有线型、边缘、纹理、光谱、相似亮度区域、相似景深区域等，然后实现多传感器图像特征融合及分类。特征级融合的优点在于实现了可观的信息压缩有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息。特征级融合可划分为两大类:目标状态数据融合和目标特性融合特征级目标状态数据融合主要用于多传感器目标跟踪领域，融合系统主要实现参数相关和状态向量估计。特征级融合与像素级融合相比信息丢失较多，计算量较小。
特征级融合处理结构如图2-2 所示。