基于二维经验模式分解（BEMD）的显微图像融合算法的研究(3)
作为图像融合研究重要内容之一的多聚焦图像融合，他是指在相同的成像条件下，由于摄影装置的景深有限，所以无法得到一副全聚焦的图像，但是我们可以通过改变镜头的焦距，以得到聚焦面不同的多个图像，然后通过对这些图像的融合就可以得到一个完全聚焦的清晰图像。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。在显微光学成像中，低倍显微镜工作距离长，景深比较大，由于显微镜物镜焦深范围小，随着放大倍数的增大，景深会相应减小。只有那些在聚焦平面或其附近的结构才是可见的，这使得即便是结构最简单的、三文深度相对平坦的物体也不可能在一幅图像中完全聚焦清晰。而生物医学及材料科学等学科的发展要求显微镜成像既要有高的分辨率又要有足够的景深，这是传统光学硬件的矛盾，所以要解决此问题的一个有效方法是利用数字图像处理技术，对序列图像进行合成，即多层聚焦(multi－focus)。长期以来，学者们一直致力于扩大显微镜的焦深技术的研究。
但是图像融合技术也存在着许多需要解决的问题，由于图像是一种特殊形式的信号，图像融合有其自身的特殊性和复杂性。其特殊性和复杂性主要表现为：通常，图像是二文信号，图像信息数据量很大。例如，仅一幅256*256，256级灰度的黑白图像，就要求512kb的数据量。因此，图像融合所面临的数据量是一般要比数据融合大很多。由于图像的特征往往是由多个像素“集中”体现出来的，因此，在某一特定局部区域内的像素间往往具有相关性。例如，就电视画面而言，同一行中相邻两个像素或相邻两行间的像素，其相关系数有时可达0.88以上。因此，图像融合并非是简单的大量“单独”像素间的融合。此外，图像融合对待融合图像的配准精度要求很高(尤其是像素级图像融合)，例如像素级图像融合的配准精度最好能达到像素级。而一般数据融合(如位置融合等)的配准精度要求就低的多。一般数据融合中，若传感器的分辨率不同，对融合处理的处理过程或许不会增加太多的负担(不少情况下仍可直接融合)；而在像素级图像融合的处理中，若两传感器图像的分辨率不同，则图像不能直接融合，必须进行提前处理后方可融合。
此外图像中包含了大量的信息，据估计，人类从外界获取的信息中，约有百分之八十的信息是通过视觉(以图像的形式)获得的，这就意着图像融合的潜力很大，如何从图像中提取更多的有用信息，对图像融合技术提出了更高的要求。而且我们还可以看到，不同应用场合对图像融合的要求是不同的。在不同应用场合可以采用不同的融合方法和融合规则，有时对图像的不同区域也可采用不同的融合方法及融合规则。那么，如何去评价某种融合方法的融合性能呢?这就需要建立合理的融合性能与融合效果的评价方法和准则。然而，这一问题至今仍未得到较好地解决。正是由于图像融合技术的复杂性，目前，对图像融合技术研究开展的广泛性和深入性都远不及对一般数据融合技术的研究。
1.4 本文的主要研究内容
1.4.1 图像分解的算法研究即二文经验模式分解的实现
分解算法研究到如今，涌现出多种多样的各式算法，有空间域的也有频率域的，其各有各的优缺点。本文主要实现了一种新的图像分解方法：二文经验模式分解，这种方法的理论基础还不是很坚实，但是对于图像分解这方面来说还是一条具有创新的路子。利用二文经验模式分解，首先对图像进行分解，提取出图像的高频IMF分量，这里的高频分量包含了图像的细节信息，所以提取出来带有足够高频信息，就可以将融合图像的细节效果展现的非常清晰。