基于优化分块的直觉模糊框架用于多聚焦图像融合

《Frontiers in Artificial Intelligence》:An optimized block-based intuitionistic fuzzy framework for multi-focus image fusion

【字体: 大 中 小 】 时间:2026年08月28日 来源:Frontiers in Artificial Intelligence 6.7

编辑推荐:

  引言:多聚焦图像融合(multi-focus image fusion)旨在通过组合在不同焦距下捕获的多幅图像,生成单一的全聚焦图像(all-in-focus image)。然而,由于真实世界中的焦点过渡以及清晰区域与散焦区域之间固有的不确定性,准确识别聚焦和

  
引言:多聚焦图像融合(multi-focus image fusion)旨在通过组合在不同焦距下捕获的多幅图像,生成单一的全聚焦图像(all-in-focus image)。然而,由于真实世界中的焦点过渡以及清晰区域与散焦区域之间固有的不确定性,准确识别聚焦和模糊区域仍然具有挑战性。方法:为解决上述局限,本文提出了一种采用新型直觉模糊生成器(intuitionistic fuzzy generator)的多聚焦图像融合方法。在所提出的框架中,输入图像首先被转换为直觉模糊图像(intuitionistic fuzzy image, IFI),随后采用一种称为优化分块与去聚焦合成算法(optimized block-based partitioning and defocusing synthesis algorithm)的融合规则来生成最终融合图像。利用直觉模糊图像有助于管理图像隶属度(membership)与非隶属度(non-membership)相关的不确定性。结果:与现有最先进方法相比,所提出的融合算法在熵(entropy)、平均梯度(average gradient)和空间频率(spatial frequency)方面表现出更优越的性能。讨论:分析实验与比较评估表明,所提出的方法实现了更好的视觉质量,并有效解决了多聚焦图像融合中聚焦与散焦区域相关的不确定性问题。
多聚焦图像融合是图像处理领域的重要研究方向,其目标是将不同焦距下拍摄的同一场景的多幅图像合成为一张全聚焦图像。然而,真实场景中焦点过渡区域的复杂性以及清晰与散焦区域之间的固有不确定性,使得准确区分聚焦与模糊区域依然困难。传统模糊集虽然能够描述像素归属的模糊性,但直觉模糊集(intuitionistic fuzzy set, IFS)通过同时引入隶属度、非隶属度与犹豫度,提供了更丰富的不确定性建模能力。现有基于直觉模糊集的融合方法通常依赖固定的直觉模糊生成函数(intuitionistic fuzzy generator, IFG),且分块策略缺乏自适应性,难以应对不同图像内容的差异。为此,研究人员提出了一种结合新型直觉模糊生成器(novel intuitionistic fuzzy generator, NIFG)与优化分块去聚焦合成(optimized block-based partitioning and defocusing synthesis, OBPDS)的融合框架。该研究首先将输入图像归一化为模糊图像,再利用NIFG将其转换为直觉模糊图像,通过熵最大化准则优化参数σ,并基于自适应分块、高斯去聚焦、结构相似性指数(structural similarity index measure, SSIM)比较以及块合成与去模糊化过程生成最终融合图像。在Multi-Focus Image Fusion Dataset(Zafar et al., 2020)的10对代表性图像上,与主成分分析(PCA)、小波变换(WT)、平稳小波变换(SWT)、两尺度(TS)、像素平均(PA)、Ananthi's IFI及Reegan's IVT2IFI等方法进行了比较,采用熵、平均梯度(average gradient, AG)和空间频率(spatial frequency, SF)作为评价指标,并进行了均值、中位数、标准差、方差与极差的统计分析。结果表明,所提方法在大多数图像上均取得最高或次高的指标值,显著优于现有方法,能够有效保留聚焦区域的细节信息并抑制融合伪影。这项工作验证了NIFG与OBPDS在处理图像不确定性和提升融合视觉质量方面的有效性,为医学影像、遥感等多源图像融合应用提供了更稳健的解决方案。论文发表于《Frontiers in Artificial Intelligence》。

在关键技术方面,研究人员主要采用了以下方法:一是提出新型直觉模糊生成器(NIFG),将模糊图像转换为直觉模糊图像(IFI),并通过在[0,1]范围内均匀采样100个σ值生成候选IFI,以熵最大化为准则选取最优参数;二是采用自适应优化分块策略,根据图像尺寸、归一化平均强度和熵确定水平和垂直分块数,使分块密度与图像信息分布相匹配;三是对各分块施加高斯模糊实现去聚焦操作,并利用结构相似性指数(SSIM)定量比较原始分块与模糊分块之间的结构变化,从而判别聚焦与散焦区域;四是依据最大SSIM准则选择最优分块并进行空间合成,最后通过去模糊化恢复为清晰图像。实验数据来源于多聚焦图像融合数据集(Zafar et al., 2020),共选取10对RGB彩色图像用于性能评估。

在结果部分,原文标题为“4 性能指标与结果意义”(Performance metrics and result implications)。研究人员首先通过视觉比较展示了所提方法与各对比方法在10对图像上的融合输出。从放大区域与Canny边缘图可以看出,OBPDS方法保留了更丰富的纹理细节、更锐利的结构信息以及更连续的边缘,表明其具有良好的边缘保持能力。在定量指标方面,熵(E)的对比结果(表1)显示,S1~S7及S10共8幅图像的融合结果取得了最高熵值,S8和S9取得次高熵值,说明所提方法能从源图像中保留更多信息量。平均梯度(AG)的对比结果(表2)中,S1、S3、S5~S10取得最大AG值,S2和S4为次高,整体平均AG值达到52.0640,表明融合图像具有更陡峭的强度变化和更清晰的细节。空间频率(SF)的对比结果(表3)中,S1~S7、S9取得最高SF值,S8和S10为次高,证明融合图像的像素级空间变化更丰富、噪声水平更低。进一步地,研究人员对三个指标进行了统计特性分析(表4~6),结果显示所提方法在均值和上普遍优于对比方法,在标准差、方差和极差上也表现出合理的一致性,说明该算法能够在高细节保留与输出稳定性之间取得较好平衡。综合视觉与定量评估,OBPDS方法在熵、平均梯度和空间频率三个维度均优于现有方法。

在讨论部分,研究人员指出,所提出的基于直觉模糊的OBPDS算法通过将输入图像依次转换为模糊图像和直觉模糊图像,再经过优化分块、去聚焦、分块合成与去模糊化,形成了一套系统的融合策略。与多种现有融合算法相比,所提方法在熵、平均梯度和空间频率上均表现出更优的性能,并通过统计特性分析进一步验证了其有效性和稳健性。研究结论翻译如下:与现有最先进的方法相比,所提出的基于直觉模糊的OBPDS算法形成了一种系统的图像融合策略。在本研究中,首先将输入图像从清晰图像转换为模糊图像,再将模糊图像转换为直觉模糊图像。随后,通过优化分块将图像分割为多个块,并利用图像去聚焦操作将它们转换为模糊的GIFI。最后,通过分块合成过程及去模糊化步骤生成融合输出图像{S1, S2, S3, ?}。此外,研究人员将输出图像与多种融合算法(如Ananthi and Balasubramaniam, 2015; Bavirisetti and Dhuli, 2016; Chai et al., 2017; Diwakar et al., 2021; Jebadass and Balasubramaniam, 2023; Kaur et al., 2021; Li et al., 2018)进行了比较,并通过熵、平均梯度和空间频率指标及其均值和离散度统计分析评估了性能,结果证实了所提方法的优越性。未来工作中,可进一步利用直觉模糊集的扩展形式来处理更复杂的图像融合任务。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号