多聚焦图像融合方法仿真研究

合集下载

多聚焦图像像素级融合算法研究

多聚焦图像像素级融合算法研究多聚焦图像融合是多源图像融合领域的一个重要分支,主要用于同一光学传感器在相同成像条件下获取的聚焦目标不同的多幅图像的融合处理。

由于聚焦范围有限,光学成像系统不能将焦点内外的所有目标同时清晰成像,导致图像分析时需要耗费大量时间和精力。

多聚焦图像融合是一种解决光学成像系统聚焦范围局限性问题的有效方法,可以有效提高图像信息的利用率,扩大系统工作范围,增强系统可靠性,更加准确的描述场景中的目标信息。

目前,该技术广泛应用于交通、医疗、物流、军事等领域。

多聚焦图像像素级融合是多聚焦图像融合的基础,它获得的原始信息最多,能够提供更多的细节信息。

如何准确定位并有效提取源图像中的聚焦区域是多聚焦图像像素级融合的关键。

由于受图像内容复杂性影响,传统的多聚焦图像像素级融合方法很难对源图像中聚焦区域准确定位,且融合图像质量并不理想。

本论文针对现有多聚焦图像像素级融合方法存在的不足,在空间域内对多聚焦图像像素级融合算法进行了深入研究。

论文主要研究内容如下：1、提出了基于鲁棒主成分分析(Robust Principal Component Analysis, RPCA)与脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)的多聚焦图像融合算法。

根据RPCA构建的低维线性子空间可表示高维图像数据,增强目标特征信息,对噪声具有鲁棒性的特点,将源图像在RPCA分解域的稀疏特征作为PCNN神经元的外部输入,并根据PCNN神经元的点火频率来定位源图像中的聚焦区域,增强了融合算法对噪声的鲁棒性,提高了融合图像质量。

2、提出了基于RPCA与四叉树分解相结合的多聚焦图像融合算法。

利用源图像稀疏矩阵的区域一致性进行块划分,有利于提高聚焦区域信息提取的完整性和准确性。

此外,四叉树分解用树结构存储图像块划分结果,有利于提高源图像递归剖分的效率。

该算法在自适应确定最优分块大小的基础上,利用稀疏矩阵各稀疏矩阵子块的局部特征检测源图像的聚焦区域,抑制了“块效应”对融合图像质量的影响,取得了良好的融合效果。

基于平均梯度的多聚焦图像融合方法研究_陈超

第24卷第2期2009年4月山东建筑大学学报J OURNA L OF S HANDONG JI AN Z HU UN I V ERS I TYV o.l 24N o .2A pr .2009收稿日期:2008-10-30作者简介:陈超(1982-),男,山东成武人,山东科技大学测绘科学与工程学院在读硕士,主要从事遥感图像处理与分析研究.文章编号:1673-7644(2009)02-0133-05基于平均梯度的多聚焦图像融合方法研究陈超1,江涛1,2,徐文学1(1.山东科技大学测绘科学与工程学院,山东青岛266510;2.山东科技大学基础地理与数字化技术山东重点实验室,山东青岛266510)摘要:平均梯度反映图像中微小细节反差和纹理变化特征。

本文针对光学成像系统聚焦范围有限,很难使得同一场景中所有物体都清晰显现这一特点,将平均梯度引入到多聚焦图像融合之中。

首先将图像进行分块,然后计算每一块的平均梯度,根据平均梯度大小对相应块的像素进行处理,最后得到同一场景中所有物体都能清楚显现的融合图像。

本文通过对多幅多聚焦图像进行融合和实验分析,以此来验证算法的有效性,对基于平均梯度的多聚焦图像融合算法性能进行了评价和分析,结果表明该算法是切实可行的,在多聚焦图像融合中可以取得较好的效果。

关键词:多聚焦图像;融合;平均梯度;质量评价中图分类号:T P391.4 文献标识码:AR esearch on mult-i focus i m age fusion m ethods based on m ean gradientCHEN Chao 1,JI A NG Tao 1,2,XU W en -xue1(1.Schoo l of G eoma ti cs ,Shandong U n i versity o f Sc ience and T echno l ogy ,Q i ngdao 266510,Ch i na ;2.L abo ra t o ry o f Funda m ental G eographic In f o r m ati on and D ig ital T echno logy ,K ey L aboratory of Shandong ,Q i ngdao 266510,Ch i na)A bstract :M ean gradient re flects d ifferences o f details and variations of characteristics o f tex t u re in the i m age .As the focusing range o f optica l i m ag i n g syste m is li m ited ,it is difficult to m ake all the ob jects clearly sho w ed i n the sa m e scene .So the m ean g radient is supposed to be applied in the f u si o n of mu lt-i focus i m age .First source i m ages are deco m posed i n to blocks by d ifference size ,and then each block s m ean grad ient is co mpu ted ,Further m ore ,p i x e l is processed by use of t h e size ofm ean grad-i en.t Fina ll y fusi o n i m age is obtained w ith all the ob j e cts clearl y sho w ed .In order to verify the effec -tiveness of this approach ,the au t h or m akes a study w ith fusion approach and experi m enta l analysis through m ult-i focus i m ages .Th is article stud i e s t h e perfo r m ance eva l u ation o f the proposed m ult-i focus i m age f u si o n algo rithm based on the m ean grad ien.t The result sho w s that th i s m e t h od i s practi c al wh ich can pr oduce good effect i n the m ult-i focus i m age .K ey words :m ult-i focus i m age ;fusion ;m ean grad ien;t qua lity m easure m ent0 简介光学传感器(数码相机等)对某一场景进行成像时,由于场景中不同目标与传感器的距离不同,要获取同一场景中所有物体都清晰的图像是很困难的。

视觉传感器网络中基于离散余弦变换的多聚焦图像融合

视觉传感器网络中基于离散余弦变换的多聚焦图像融合摘要本文明确提出了一个简单而有效的多聚焦图像融合方案，用于配备资源有限的无线视觉传感器系统，监控采用电池供电的图像传感器，像战场的危险环境等。

这里多聚焦图像融合是基于离散余弦变换(DCT)域计算更高值的交流电(AC)系数。

所提出的方法克服了低功率设备的计算和能量限制以及在图像质量和能量计算方面的研究。

仿真在Mica 2 mote中Atmel Atmega128处理器上完成节能结果的测定。

实验结果验证了与DCT域其他融合技术相比，该方法在输出质量和能量消耗上的效率有显著的提高。

关键字：图像融合；离散余弦变换；视觉传感器网络；融合指标1．介绍图像融合是从传感器网络中多个源图像组合成一个单一图像的过程，其中包含更精确的场景描述，更多的信息以及适合于视觉感知和进一步处理[1]。

多聚焦图像融合技术，重点在不同的物体所捕获场景的多个图像的融合，使得所有的物体清晰出现在合成的图像中到目前为止，一些研究也主要集中在空间和光谱领域[2-8]的图像进行图像融合。

文献[3-5]提到在小波域的各种多聚焦图像融合算法。

文献[3]基于小波系数分布的统计清晰度测量常用于在小波域的自适应图像融合。

为取代离散小波变换(DWT)将图像分解到频域，在[4]中离散平稳小波变换克服了缺乏离散小波变换的平移不变性。

然后融合变换系数和通过逆离散平稳小波变换构成融合图像。

小波并不代表融合结果的长边缘好，多聚焦图像融合是通过组合小波和曲波变换来提高质量[5]。

但限制它比基于小波的方法消耗更多的时间，因为应用了两个不同多尺度分解的过程。

然而基于DWT多聚焦图像融合有自己的缺点。

DWT需要大量的卷积计算，消耗太多的时间和内存资源，阻碍了在资源有限电池供电的视觉传感器节点上的应用。

与基于DWT的方法相比，基于DCT的融合所需能量少。

因此基于DCT的融合方法更适合于资源有限的设备。

由于计算能量比传输能量要少得多，在自动战场中，机器人从传感器网络收集的图像数据[9]传输之前，数据要压缩和融合。

差分演化算法实现多聚焦图像融合论文算法实现（算法实现）

差分演化算法实现多聚焦图像融合论⽂算法实现（算法实现）本⽂为上⼀篇⽂章的算法实现。

⾸先，我们来复习⼀下⽤matlab来显⽰图像，这个很简单，直接⽤imread就可以读取图像，然后⽤imshow显⽰就好了，如果想在⼀个figure中显⽰多个图⽚，可以⽤subplot。

考虑图像融合，最简单的，直接像素相加，也可以完成两张图像的融合，但是很显然相同位置的像素值变⼤了，因此融合图像整体会⽐较亮。

如下：I = imread('clock1.jpg');J = imread('clock2.jpg');K = imadd(I,J);figure;subplot(131),imshow(I);subplot(132),imshow(J);subplot(133),imshow(K); 效果如图：但是根据之前的分析，我们要做的是将源图像分块再融合，选两张原图像块中⽐较清晰的块放在融合图像中，⽤DE算法来确定最优块⼤⼩。

⼀步⼀步来吧，我们可以这样分解⼀下任务：1、求⼀个图像的分块。

2、⽤⽂章中推荐的SF算法当作清晰度函数来计算块和全局的清晰度。

3、先任意设定块的⼤⼩，然后设计融合算法来完成图像的融合。

4、找到DE算法（⽹上应该有，但是没有针对图像融合的），⽤DE算法求图像的最优块⼤⼩。

1、⽹上可以找到⼀些不错的图像分块算法，⽐如：clc;clear all;close all;I1 = imread('football.jpg');rs = size(I1,1);cs = size(I1,2); %rs：表⽰图像的⾏；cs：图像的列sz = 64; %按64个像素进⾏分块，可⾃⾏设置numr = rs/sz; %图像分块的⾏numc = cs/sz; %图像分快的列ch = sz; cw = sz;t1 = (0:numr-1)*ch + 1; t2 = (1:numr)*ch; %分别求得每⼀块图像的起始⾏的像素值t3 = (0:numc-1)*cw + 1; t4 = (1:numc)*cw; %分别求得每⼀块图像的起始列的像素值%figure;k=0; %开始分块for i =1 : numrfor j = 1 : numctemp = I1(t1(i):t2(i),t3(j):t4(j),:);%暂存分块图像为tempk = k + 1;subplot(numr,numc,k);%显⽰分块图像imshow(temp);pause(0.5);endend 效果如下图：这个算法还是不错的，但是不能直接⽤到我们的程序中，因为我们不需要显⽰出来（这不是重点），主要是我们分块后需要求每⼀⼩块图像的清晰度值，和另外的源图像相应的位置的图像块⽐较，然后选择清晰度值较⼤的作为融合图像的分块。

多聚焦图像融合算法研究答辩稿-毕业论文-

其中RF和CF分别代表行频率和列频率，M×N为图像的大小。
3 .清晰度图像在人眼中的清晰程度就是清晰度。
四、实验仿真与主客观评价
1. 基于小波变换的低频取平均值、高频取绝对值最大的算法步骤1 对各源图像进行DWT分解，得到各源图像的低频分量和高频分量。步骤2 对各源图像的低频分量取均值、高频分量取绝对值最大。步骤3 对以上得到的高低频分量，经过小波逆变换得到最终融合图像。
4. 客观评价（如表4-1）
由表中所得仿真数据可知，本章主要研究的基于DWT分解多聚焦图像融合算法无论在信息熵、空间频率还是清晰度上都大于平均法及加权平均法，融合效果较为理想，达到了预期的效果。
结论：经小波变换后所得的融合图像较好地保存了原始图像中的清晰区域，较单纯的加权平均法取得了较为满意的效果。
随着科技的进步，多聚焦图像融合技术越来越多地用于多频谱图像理解、目标识别、机器视觉及医学图像处理等领域。这一技术定将在现代医疗、军事侦查、产品防伪及文化艺术方面发挥愈发重要的作用。
二、融合算法分类与概述
◆ 算法分类与描述目前像素级多聚焦图像融合算法主要分为两
类：空间域多聚焦图像融合算法和变换域多聚焦图像融合算法。 1.空间域多聚焦图像融合算法
论文题目:多聚焦图像融合算法研究
指导教师：
■ 班级： ■ 学生：学号：
♦ ♦
16日
日期：2014L年O6G月O
一、研究概述
◆ 研究背景与意义自第有一台具光学镜头相机的出现开始，便
出现了能生成场景中物体信息的图像。由于光学镜头的景深有限，使得在拍摄时很难获取一幅所有景物都聚焦清晰的图像。这样，多聚焦图像融合技术应用而生。
（1）基于像素点的融合

多聚焦图像融合算法的研究

多聚焦图像融合算法的研究分类号：********U D C：******-***-(20**)****-0密级：公开编号：********************⼤学学位论⽂多聚焦图像融合算法研究论⽂作者姓名：申请学位专业：申请学位类别：指导教师姓名（职称）：论⽂提交⽇期：多聚焦图像融合算法研究摘要光学成像系统焦距确定后，只有成像在景深区间内的空间点能够清晰成像。

实际应⽤中对某个场景的物体成像时，由于被照场景中各物体与成像镜头的物距各异，所成的像不是全都清晰的。

为了获取清晰的全场景图像，需要对场景中不同的物体分别聚焦，获取每个物体的图像，并将其融合在⼀起，即多聚焦图像融合技术。

研究了多聚焦图像融合的基本理论，特别是空间域和变换域的融合⽅法；阐述了有关⼩波变换（WT）的融合理论，该办法通过对原始图像实施⼩波分解，将解析后的低、⾼频区域作相应的变换，⾼低频区域分别使⽤不同的融合规则，然后⽤修正后的⼩波⼦区域融合成新图像。

设计了计算机模拟实验，对⼏种基于⼩波的多聚焦图像融合算法进⾏了模拟并给出了结果评价，实验结果证实了⽂中⽅法的有效性。

关键词：多聚焦图像融合；⼩波变换；图像重构；质量评价；融合规则The research on multi-focus image fusion algorithmAbstractAfter determining the focal length of the optical imaging system, only when imaging in the space point of the depth of focus can be clearly imaged. In the real process of the image-forming, because of the difference of the object distance between the things and imaging lens in the scene which be focused, the image-forming to certain scene is not all clear. To obtain clear panorama, we can respectively focus on the different objects in the scene, get all the images of the object and mix them together, this is so-called multi-focus image fusion technology. The basic theory of multi-focus image fusion, especially the spatial domain and transform domain fusion method;Expounded about the wavelet transform(WT) fusion theory, the approach, the original image by wavelet differentiation, will be resolved after the low-frequency region for the corresponding conversion, high-frequency regions are using different fusion rules, then corrected wavelet sub-regional integration into a new image.Design of computer simulation experiments, several fusion algorithm based on wavelet multi-focus images are simulated and gives the results of the evaluation, experimental results confirmed the validity of the method.Keywords:multi-focus image fusion;wavelet transform; image reconstruction; quality evaluation; fusion rule⽬录论⽂总页数：33页1 引⾔ (1)1.1 课题研究背景及意义 (1)1.2 图像融合技术的研究现状及问题 (1)1.3 图像融合的层次 (2)1.4 论⽂的内容结构安排 (4)2 多聚焦图像的融合算法 (4)2.1 多聚焦图像成像理论基础 (4)2.2 多聚焦图像的融合⽅法 (5)2.2.1 ⼀般常⽤的融合算法简介 (5)2.2.1.1 IHS彩⾊空间的融合算法 (5)2.2.1.2 Brovey变换算法 (8)2.2.1.3 加权平均图像融合算法 (9)2.2.1.4 采⽤PCA算法的图像融合⽅法 (9) 2.2.1.5 智能图像融合算法 (11)2.2.2 图像的变换域融合⽅法 (12)2.2.2.1 ⾦字塔融合⽅法 (13)2.2.2.2 基于⼩波变换的算法 (15)3 ⼩波变换融合算法 (15)3.1 ⼩波变换概述 (15)3.2 ⼩波变换分析 (16)3.2.1 连续⼩波变换 (17)3.2.2 离散⼩波变换 (17)3.3 ⼆维离散⼩波变换及其Mallat算法 (17) 3.4 图像融合的离散多⼩波变换 (18)3.4.1 多⼩波概念简述 (18)3.4.2 多⼩波变换 (18)3.5 ⼩波包算法 (19)3.5.1 ⼩波包的定义 (19)3.5.2 ⼩波包的分解与重构算法 (20)3.5.3 ⼩波包的融合思想 (20)3.6 各种⽅法⽐较 (21)3.7 多聚焦图像融合的规则 (21)3.7.1 低频系数融合规则 (21)3.7.2 ⾼频系数融合规则 (21)4 多聚焦图像融合质量的评价 (22)4.1 融合图像质量的定性评价 (22)4.2 融合图像质量的定量评价 (23)5 理论模拟实验结果及分析 (24)5.1 不同⼩波分解⽅法⽐较 (24)5.2不同分解层数的⽐较 (25)5.3 不同⽬标图像⽐较 (27)6 总结 (29)参考⽂献 (30)致谢 (32)声明 (33)1引⾔1.1课题研究背景及意义随着经济的发展，科技的⽇新⽉异，各种不同传感器的使⽤范围逐渐扩⼤。

基于NSST的SPCNN多聚焦图像融合算法研究

基于NSST的SPCNN多聚焦图像融合算法研究基于NSST的SPCNN多聚焦图像融合算法研究随着科学技术的快速发展，数字图像处理领域得到了广泛的应用和关注。

在实际应用中，多聚焦图像融合技术是一项重要的任务，它能够将多幅聚焦图像融合为一幅全局清晰的图像，提高图像的质量和细节丰富性。

相比于传统的多聚焦图像融合算法，基于NSST的SPCNN多聚焦图像融合算法是一种较为先进和有效的方法。

本文就基于NSST的SPCNN多聚焦图像融合算法进行了详细的研究和分析。

首先，我们需要了解什么是多聚焦图像。

多聚焦图像是指在同一场景下，通过不同的焦距或焦平面位置所拍摄得到的图像。

这些图像在某些区域具有较高的清晰度，而在其他区域具有较低的清晰度。

我们的目标就是将这些图像融合成一幅全局清晰度较高的图像。

传统的多聚焦图像融合算法主要有基于像素的方法和基于频域的方法。

基于像素的方法将多幅图像的像素进行加权平均得到最终图像，而基于频域的方法则是将多幅图像的频域信息进行加权平均。

虽然这些方法在一定程度上可以实现图像融合，但是由于无法准确提取不同焦距下的图像细节信息，其融合结果可能会产生模糊或边缘不清晰的问题。

基于NSST的SPCNN多聚焦图像融合算法能够有效地解决传统方法的问题。

NSST是一种非平稳信号的局部时频变换方法，它能够提取出图像的局部时频信息，从而得到更加准确的图像分析结果。

SPCNN是指分割模型与卷积神经网络相结合的一种图像处理方法，它能够有效地捕捉图像的纹理和细节特征。

基于NSST的SPCNN多聚焦图像融合算法将这两种方法相结合，能够充分利用图像的时频信息和纹理特征，得到更加清晰、细节丰富的融合结果。

具体来说，基于NSST的SPCNN多聚焦图像融合算法主要分为以下几个步骤：首先，对多幅聚焦图像进行NSST变换，得到图像的局部时频信息。

然后，利用SPCNN模型对每个时频区域进行图像分割，得到每个区域的纹理特征。

接下来，将分割和纹理特征信息输入到卷积神经网络中，进行特征提取和融合。

基于深度学习的多聚焦图像融合算法研究

基于深度学习的多聚焦图像融合算法研究基于深度学习的多聚焦图像融合算法研究摘要：随着数字图像技术的快速发展，人们对于图像质量和清晰度的要求越来越高。

然而，在真实世界中，由于拍摄环境、设备限制以及摄影师技术等因素的影响，很难获得完美的图像。

因此，图像融合技术应运而生。

本文基于深度学习的多聚焦图像融合算法进行了研究。

通过在多聚焦图像中融入深度学习的方法，提出了一种有效的图像融合算法，可以提高图像的质量和清晰度。

1.引言在数字摄影技术中，多聚焦图像是指通过不同焦距或焦点设置，拍摄到同一场景的一系列图像。

每张图像都有不同的焦点，导致其中一部分图像清晰而其他部分模糊。

图像融合技术旨在将这些不同焦点的图像合成一张清晰的图像，从而提高图像的质量和清晰度。

2.传统的图像融合算法传统的图像融合算法主要基于局部特征提取和加权融合的方式进行，例如像素级、小波变换和拉普拉斯金字塔等方法。

这些方法多数是基于特定的图像统计学和人类视觉机理，对于一些场景和图像的复杂性无法适应，导致图像融合质量有限。

3.深度学习在图像融合中的应用深度学习作为一种强大的机器学习方法，在图像处理领域取得了显著的成果。

它可以通过学习数据的非线性特征，提取图像的高层次语义信息。

在图像融合中，深度学习可以通过训练神经网络来学习图像的细节和结构信息，从而实现更好的图像合成效果。

4.多聚焦图像融合算法基于深度学习的多聚焦图像融合算法主要包括以下几个步骤：（1）数据预处理：对多聚焦图像进行预处理，包括去噪、图像增强和对齐等操作，以提高后续算法的性能。

（2）特征提取：利用深度学习中的卷积神经网络（CNN）提取每张图像的特征表示，以获取图像的高层次语义信息。

（3）特征融合：将不同焦点的图像特征进行融合，以得到更全面的图像信息。

（4）重建图像：利用卷积神经网络通过图像特征进行重建，得到一张清晰的图像。

5.实验结果与分析本文针对多聚焦图像融合问题进行了一系列实验，并采用PSNR和SSIM指标评估了算法的性能。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

度不高等问题，为了提高图像的清晰度，提出了一种改进的多小波变换多聚焦图像融合算法。首先利用不同的小波对待融合图像进行小波分解，采用多尺度双结构元对输入图像进行滤波，在融合规则选择中，采用加权平均法选择高频系数，采用绝对值取大方法选择低频系数。对多组多聚焦图像进行实验，实验表明采用该方法能够更好的保留图像边缘信息，融合效果明显优于传统的图像融合方法。关键词：图像融合；边缘检测算子；多小波变换；熵值
图像融合 …是信息融合的重要分支和研究热点。其目的是对多幅源图像的信息进行提取和综合，以获得对某一地
区或目标更准确、更全面和更可靠的描述，而实现对图像从的进一步分析和理解，目标的检测、或识别与跟踪。目前图
ｆｒｔｎｗｉｅｔｒｅｅｔ，ａｄｔｅｉｇｕｉｎｒｓｌｒｅｔｒｔａｈｒｄｔｎｌｉｇｅｆｓｏｔｏｓｏｍａｉｔｂｔｆｃｓｎｈｍａｅｆｓｅｕｔａｅｂｔｎｔｅｔａｉｏａｍａｕｉｎｍｅｈｄ．ｏｈｅｏｓｅｈｉ
中图分类号：Ｔ３Байду номын сангаас１Ｐ９文献标识码：Ｂ
Ｍｕｔ —ｆｃｓＩｇｓｏｉｌｔｎｌ — ｏｕｍａｅＦｕｉｎＳｍｕａｉｉｏ
Ｂｉｎ—ｃｅｇ，ＩｉＡＯＪａｈｎＤＮＧＷｅ
（．ｉｇｕＭｒｉｅＩｓｔｔ，ｅａｍｎｆｎｏｍｔｎＥｇｅｒｇＴｉｏｉｇｕ２１０Ｃｉａ１ＪｎｓａｔｎｔｕｅＤｐｒｅｔｆｒａｏｎｉｅｎ，ａｈｕＪｎｓ１，ｈｎ；ａｉｍｉｔｏＩｉｎｉｚａ１７
２ａｙｎｓｔｔｏＴｃｎｌｙＮｎａｇＨｎｎ４３０，ｈａ．ＮｎａｇＩｔｕｆｅｈｏｏ，ａｙｎｅａ７０４Ｃｉ）ｎｉｅｇｎ
ＡＢＳＲＡＣＴ：ｎｔｅｔａｓｔｎｒｃｓ，ｌｗｄｆｎｔｎｍａｅｃｕｅｙｎｉｅ．ＩｒｅｏｉｒｖｈｍａｅＴＩｈｒｎｍｉｉｇｐｏｅｓｏｅｉｏｙｂａｓｄｂｏｓｓｎｏｄｒｔｍｐｏｅｔｅｉｇｔｉｉｃａｔ，ａｍｐｏｅｌ —ｆｃｓｉｇｕｉｎａｇｒｈｂｓｄｏｌ —ｗａｅｅａｓｒｗａｒｐｓｄｌｒｙｎｉｒｖｄｍｕｔｏｕｍａｅｆｓｏｌｏｔｍａｅｎｍｕｔｉｉｉｉｖｌｔｒｎｆｍｓｐｏｅ．Ｂｓｎｔｏｏｙｕｉｇｄｆｒｎａｅｅｓｈｅｏｏｉｏｒａｒｄｏｔｗｔｈｍａｅｏｂｕｅｉｅｅｔｗｖｌｔ，ｔｅｄｃｍｐｓｉｎｗｅｅｃｒｅｕｉｔｅｉｇｓｔｅｆｓｄ，ａｄｍｕｔｓａｅａｄｄｕｌｔｉｈｎｌｉ— ｃｎｏｂｅｌｓｒｃｕｎｌｍｅｔｗｓｕｅｎｆｔｒｇｏｅｉｐｔｉｇ．Ｆｒｔｅｆｓｎｒｌｓｈｉｈｅｖｒｅｍｅｏｓｔｕｔｒｇｅｅｎａｓｄｉｌｉｆｔｎｕｍａｅｉｉｅｎｈｏｈｕｉｕｅ，ｔｅｗｅｇｔｄａｅａｔｄｗａｏｇｈ
ＫＥＹＷＯＲＤＳ：ｍａｅｆｓｏＩｇｕｉｎ；Ｅｄｅｄｔｃｉｎｏｅａｏ；Ｍｕｉｖｌｔｎｒｐｇｅｅｔｐｒｔｒｏｈｗａｅｅ；Ｅｔｙｏ
的应用价值，但是小波系数的选择是融合技术的核心问题。
ｌ引言
第８第１期２卷２
文章编号：０６—９４（０１１１０３８２１）２—０４０２０— ４
计
算
机
仿
真
２１２０年１月１
多聚焦图像融合方法仿真研究
鲍建成丁，伟
（．江苏海事职业技术学院信息工程系，１江苏南京２１７；１１０２．南阳理工学院，河南南阳４３０７０４）摘要：研究了多聚焦图像融合问题。针对焦点不同的图像融合后，在传输过程中由于受到不同的噪声的干扰造成结果清晰
ｕｅｏｃｏｓｈｉｈｆｑｅｃｏｆｃｅｔ，ａｄｔｅｌｒｅｔａｓｌｔａｕｓｕｅｏｅｌｗ —ｆｑｅｃｏｆ — ｓｄｔｈｏｅｔｅｈｇｅｕｎｙｃｅｉｎｓｎｈａｇｓｂｏｕｅｖｌｅｗａｓｄｆｒｔｒｉｈｏｒｕｎｙｃｅｅｉｃｅｔ．Ｔｅｅｐｒｎｓｏｌｐｅｓｔｆｍｕｔ —ｆｃｓｉｇｓｓｏｈｔｈｓｍｅｈｄｃｎｂｓｄｔｅａｎｅｇ－ｉｎｓｈｘｅｍｅｔｆｍｕｔｌｅｓｏｌｉｉｉｏｕｍａｅｈｗｔａｉｔｔｏａｅｕｅｏｒｔｉｄｅｉｎ