情報のマルチスケール分解に基づくマルチフォーカス画像融合法

マルチフォーカス画像融合は、ソースマルチフォーカス画像のフォーカスパーツを単一のフルフォーカス画像に組み合わせるために使用される重要な方法です。現在、マルチフォーカス画像融合の問題に対処するために、特にカメラでキャプチャされたソース画像が異方性のぼかしと登録解除を生成する場合、焦点領域を正確に検出する方法が重要です。このペーパーでは、補完情報のマルチスケール分解に基づいた新しいマルチフォーカス画像融合法を提案します。第一に、この方法では、構造的に補完的な大規模および小規模分解スキームの2つのグループを使用して、画像の2つのスケールの二重層単数値分解を個別に実行し、低周波および高頻度のコンポーネントを取得します。次に、画像のローカルエネルギーとエッジエネルギーを統合するルールによって、低周波コンポーネントが融合されます。高周波コンポーネントは、パラメーターに適応するパルス結合ニューラルネットワークモデル（PA-PCNN）によって融合され、高周波コンポーネントの各分解層に含まれる特徴情報に従って、異なる詳細な特徴が外部として選択されます。PA-PCNNの刺激入力。最後に、構造相補的であるソース画像の2スケール分解、および高周波成分と低周波数成分の融合によれば、補完的な情報を含む2つの初期決定マップが取得されます。最初の決定グラフを改良することにより、画像融合を完了するために最終的な融合決定マップが取得されます。さらに、提案された方法は、その有効性を検証するための10の最先端のアプローチと比較されます。実験結果は、提案された方法が、画像の事前登録と非登録の場合に焦点を絞った領域と非焦点領域をより正確に区別できることを示しており、主観的および客観的評価指標は既存の方法のものよりもわずかに優れています。

Multi-focus image fusion is an important method used to combine the focused parts from source multi-focus images into a single full-focus image. Currently, to address the problem of multi-focus image fusion, the key is on how to accurately detect the focus regions, especially when the source images captured by cameras produce anisotropic blur and unregistration. This paper proposes a new multi-focus image fusion method based on the multi-scale decomposition of complementary information. Firstly, this method uses two groups of large-scale and small-scale decomposition schemes that are structurally complementary, to perform two-scale double-layer singular value decomposition of the image separately and obtain low-frequency and high-frequency components. Then, the low-frequency components are fused by a rule that integrates image local energy with edge energy. The high-frequency components are fused by the parameter-adaptive pulse-coupled neural network model (PA-PCNN), and according to the feature information contained in each decomposition layer of the high-frequency components, different detailed features are selected as the external stimulus input of the PA-PCNN. Finally, according to the two-scale decomposition of the source image that is structure complementary, and the fusion of high and low frequency components, two initial decision maps with complementary information are obtained. By refining the initial decision graph, the final fusion decision map is obtained to complete the image fusion. In addition, the proposed method is compared with 10 state-of-the-art approaches to verify its effectiveness. The experimental results show that the proposed method can more accurately distinguish the focused and non-focused areas in the case of image pre-registration and unregistration, and the subjective and objective evaluation indicators are slightly better than those of the existing methods.