基于二维经验模式分解（BEMD）的显微图像融合算法的研究(5)
2.1.2 特征级融合
特征级融合即从多幅原始图像中提取有用的特征如形状、边缘、轮廓以及区域等信息进行综合与处理。特征级融合是在中间层次上进行的信息融合，它既保留了足够数量的重要信息，又可对信息进行压缩，有利于实时处理。它使用参数模板、统计分析、模式相关等方法完成几何关联、特征提取和目标识别等功能，以利于系统判决。一般从源图像中提取的典型特征信息有：线型、边缘、纹理、光谱、相似亮度区域、相似景深区域等。在特征级图像融合过程中，由于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。尽管在模式识别、图像处理和计算机视觉等领域，已经对特征提取和基于特征的图像分类、分割等问题进行了深入的研究，但是这一问题至今仍是困扰计算机视觉研究领域的一个难题，有待于从融合角度进一步研究和提高。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3所示。
图3.特征级融合处理示意图
2.1.3 决策级融合
决策级多聚焦图像融合是根据一定的准则以及每个决策的可信度做出最优决策的融合方法。决策级融合是高层次的信息融合，在每个传感器已完成了目标提取与分类之后，融合系统根据一定的准则以及每个决策的可信度做出决策融合处理。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。
决策级融合的结构如图4所示。
图4.决策级融合处理示意图
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。当然还有一些基于神经网络，模式识别，支持向量机，马尔可夫随机场，以及基于调制，统计学等融合方法，但其大部分还不是研究的很成熟，基本都处于理论分析阶段。
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融合算法。在融合处理时，比较源图像 A，B（假设对两幅图像进行融合）中对应位置处像素的灰度值的大小，然后对对应像素灰度值进行加权平均，得到融合图像F 在该位置处的像素值。这种方法计算最为简单，适合实时处理。但用这种方法融合后图像的对比度很差，融合结果无法令人满意。其主要原因是该方法降低了融合图像的信噪比，当融合图像的灰度差异很大时，就会出现明显的拼接痕迹，不利于人眼识别和后续的目标识别过程，因此实际应用中这种方法基本不采用。