基于小波变换的显微图像融合算法的研究(4)
2.1.3 决策级融合
决策级融合是一种高层次融合其结果为指挥控制决策提供依据在这一层次的融合过程中每个传感器先分别建立对同一目标的初步判决和结论然后对来自各传感器的决策进行相关处理最后进行决策级的融合处理从而获得最终的联合判决。此种融合实时性好，并且具有一定的容错能力，但其预处理代价较高，图像中原始信息的损失最多。决策级融合方法主要是基于认知模型的方法，需要大型数据库和专家决策系统进行分析、推理、识别和判决。
决策级图像融合的结构如图2-3 所示。
在实际应用中，要根据具体的需要选择及结合不同层次融合的特点，以获得最优的融合结果。
2.2 多聚焦图像融合算法
由于三种层次的融合方法中以像素级的融合精度较高，能够提供其它层次上的融合所不具备的细节信息，因此多聚焦图像融合也基本采用象素级融合法。常用的多聚焦图像融合算法有很多，大体上，可分为以下两大类：基于空间域的图像融合算法和基于变换域的图像融合算法：空间域上主要是基于图像清晰部分的提取，主要有基于区域特征的梯度差分法，基于区域分块法的算法等，其优点是速度快，方法简单，不过融合精确度相对较低，但边缘处理粗糙模糊是其最大缺点；频域上具有代表性的是多分辨率方法，有基于拉普拉斯金字塔算法，基于小波变换的算法，基于复杂小波变化算法等，多分辨率融合的优点是融合精度比较高，对位置信息的把握较好，不过算法比较复杂，处理速度比较慢。
2.2.1 空域融合算法
空间域图像融合算法不需要对配准后的源图像进行任何处理，直接对源图像的空间像素点进行融合，空间域融合是最简单的融合方法，主要有以下几种方法：
a. 简单加权平均法
这种方法是多聚焦图像融合法中最简单最直观的算法。在融合处理时，对应位置处像素的灰度值进行加权平均，得到融合图像在该位置处的像素值。这种算法计算简单，适合实时处理。但用这种算法融合后图像的对比度很差，融合结果差。当融合图像的灰度差异很大时，就会出现明显的拼接痕迹，效果不利于识别。其主要原因是该方法降低了融合图像的信噪比。因此实际应用中这种方法基本不采用。
b. 基于区域梯度特征的多聚焦图像融合法
很多时候图像的区域梯度特征是用来判断图像清晰特征的重要依据，所以可以通过区域梯度特征来确定融合结果图像中对应的像素点的值。该算法的基本思路为，先计算待融合的图像的像素在的某一区域内的梯度值，然后对该像素的梯度值在区域内加权，选取加权后梯度值中较大的那个像素的灰度值作为最后的融合图像的对应位置处的灰度值，经过一致性滤波，最后得到最终的融合图像，其流程图如图2-4所示。目前基于此法的算法有很多，所采用的区域梯度算子有简单梯度算子，sobel算子，拉普拉斯算子，canny算子等。该算法融合效果普遍较好，但是由于是基于像素的，计算量大，会对噪声敏感，而且在对象边沿处容易产生模糊效果。
c. 区域分块融合法
基于图像块的多聚焦图像融合法就是基于此思想：综合多个聚焦图像中的清晰部分，得到一个全景都清晰的融合图像。因此，对于明显的清晰和模糊区就直接选取源图像中清晰的部分；对于清晰和模糊交界的区域，对两幅输入图像中的对应部分进行加权组合来形成融合图像。其融合过程如图2-5所示。清晰度指标一般选择图像块的块均匀度、块区域局部对比度、块空间频率、边缘特征等。