基于引导滤波的数字图像自动聚焦融合方法研究

张雷

基于引导滤波的数字图像自动聚焦融合方法研究

张雷

（安徽新闻出版职业学院 机电信息系，合肥 230601）

[1]：为了提高远程物探遥感数字图像的自动聚焦检测能力，提出基于引导滤波的数字图像自动聚焦融合方法。建立远程物探遥感数字图像滤波检测模型，在信息增强技术下进行数字图像的特征匹配，建立远程物探遥感数字图像三维重建模型，构建可见光数字图像的模糊特征检测算法，通过远程物探遥感特征匹配，进行数字图像RGB分解，获得远程物探遥感下数字图像的空间匹配函数，在视觉分布模型下，进行远程物探遥感信息融合，结合空间视觉信息增强的方法，进行数字图像的融合滤波检测，通过引导滤波方法，进行数字图像自动聚焦融合处理，提高图像的输出信噪比。仿真结果表明，采用该方法进行高远程物探遥感数字图像聚焦融合的输出质量较好，图像输出信噪比较高，自动匹配性能较好，提高了高远程物探遥感数字图像识别和聚焦成像质量。

引导滤波；数字图像；自动聚焦；融合

随着数字图像处理技术的发展，对远程物探遥感数字图像分析和重建模型，结合视觉信息跟踪识别的方法，进行远程物探遥感数字图像跟踪检测和识别，通过自动聚焦处理，提高远程物探遥感数字图像的成像质量水平，在进行远程物探遥感数字图像成像过程中，结合数字图像的三维信息特征，通过滤波检测方法，进行远程物探遥感数字图像处理[1]，通过虚拟信息化重建，采用远程物探遥感数字图像分解和测试技术，进行远程物探遥感数字图像自动聚焦融合，提高数字图像的成像质量，相关的图像自动聚焦融合方法研究受到人们的极大关注[2]。

对数字图像的自动聚焦融合方法是建立在对数字图像的融合处理基础上，进行图像滤波检测，提高数字图像的自动聚焦融合能力，传统方法中，数字图像的自动聚焦融合方法主要有模糊特征匹配方法、相空间组合的融合滤波检测方法和空间特征匹配方法等，建立数字图像的自动聚焦的特征匹配模型，结合信息融合和图像多尺度分解，进行数字图像的自动聚焦，但传统方法进行数字图像的自动聚焦融合的自适应不好[3-5]，特别是对远程物探遥感数字图像检测识别的准确性不好。针对上述问题，本文提出基于引导滤波的数字图像自动聚焦融合方法，首先建立远程物探遥感数字图像滤波检测模型，通过远程物探遥感特征匹配，进行数字图像RGB分解，获得远程物探遥感下数字图像的空间匹配函数，在视觉分布模型下，进行远程物探遥感信息融合，结合空间视觉信息增强的方法，进行数字图像的融合滤波检测，然后通过引导滤波方法，进行数字图像自动聚焦融合处理，最后进行仿真实验，展示本文方法在提高数字图像自动聚焦融合能力方面的优越性能。

1 数字图像滤波检测和特征匹配

1.1 数字图像滤波检测

图1 数字图像自动聚焦融合路线框图

分析图1可知，本文通过提取数字图像滤波，然后对图像特征进行比配，通过像素特征重构获得图像边缘尺度函数，经过计算后通过去除图像杂波，经过引导滤波检测后实现了数字图像聚焦自动融合。

1.2 数字图像的特征匹配

根据稀疏先验视觉特征提取方法，建立远程物探遥感数字图像的特征分割模型，在信息增强技术下进行数字图像的特征匹配[11]，建立远程物探遥感数字图像三维重建模型，得到远程物探遥感数字图像的灰度像素为

2 图像自动聚焦融合

2.1 图像引导滤波

2.2 图像自动聚焦融合输出

结合空间视觉信息增强的方法，进行数字图像的融合滤波检测[15]，通过引导滤波方法，得到图像检测的自适应匹配函数。在数字图像像素簇的形状分布区域，通过形状特征匹配，得到数字图像自动聚焦融合的分块函数为

图2 图像自动聚焦融合流程图

3 仿真实验

3.1 实验参数

为了验证本文方法在实现数字图像自动聚焦融合的应用性能，进行实验测试分析。相关参数如表1所示。

表1 实验数据

根据上述参数设定，取两组图像进行实验。

3.2 融合聚焦结果对比

采用装有MATLAB R2018b软件的PC机完成数字图像聚焦融合方法的仿真实验。仿真实验PC机的电脑配置为：2.42 GHz的Intel（R）Pentium CPU，电脑的内存RAM为4.00 GB，PC机的操作系统为Windows 8.1的64位系统。本文实验数据集选取VITO Vision数据库（http://www.vito-eodata.be/PDF/portal/Application.html#Home），得到融合聚焦结果及对比如图3和图4所示。

图3 SAR图像自动聚焦融合结果

图4 GIS图像自动聚焦融合结果

分析上述仿真结果得知，本文方法能有效实现远程物探遥感数字图像自动聚焦融合，提高了数字成像的质量。

3.3 输出信噪比对比

对比输出信噪比，得到结果如表2所示。

表2 信噪比对比测试 dB

分析表2得知，当迭代次数为50次时，BP方法的信噪比为12.33dB，小波方法的信噪比为23.36dB，本文方法的信噪比为32.12 dB。当迭代次数为200次时，BP方法的信噪比为21.15 dB，小波方法的信噪比为42.12 dB，本文方法的信噪比为54.34 dB。综合分析可知，本文方法进行远程物探遥感数字图像聚焦融合的输出信噪比较高，说明成像质量较好。

3.4 图像直方图对比

为了进一步验证本文方法的图像聚焦融合效果，获得不同方法处理后的图像直方图，得到结果如图5所示。

图5 不同方法下图像直方图

分析图5可知，经过不同方法对图片进行处理，得到四种方法的图像直方图，分析图3可知，原图亮度较低，明暗度差；经过小波分析方法处理后，图像的亮度明显提升，但是亮度过亮；经过BP滤波方法处理后，图像亮度过于集中，图像的处理效果不好；而经过本文方法处理后，图像直方图分布较为均匀，说明本文方法的图像处理效果最好，既不过亮，又不过暗。

4 结束语

结合数字图像的三维信息特征，通过滤波检测方法，进行远程物探遥感数字图像处理，本文提出基于引导滤波的数字图像自动聚焦融合方法，在信息增强技术下进行数字图像的特征匹配，建立远程物探遥感数字图像的特征分割模型，在信息增强技术下进行数字图像的特征匹配，获得远程物探遥感下数字图像的空间匹配函数，在数字图像像素簇的形状分布区域，通过形状特征匹配，在多尺度输入图像中，得到远程物探遥感数字图像聚焦融合模型，实现数字图像的自动聚焦融合。分析得知，本文方法进行远程数字图像自动聚焦融合的质量较好，图像成像质量较高，输出信噪比较高。

[1] 赵坤，史学舜，刘长明，等. 用于探测器中红外绝对光谱响应度测量的激光源[J]. 红外与激光工程，2016, 45(7): 74-80

[2] 朱路，刘江锋，刘媛媛，等. 基于稀疏采样与级联字典的微波辐射图像重构方法[J]. 微波学报，2014, 30(6): 41-45

[3] 刘栋，周冬明，聂仁灿，等. NSCT域内结合相位一致性激励PCNN的多聚焦图像融合[J]. 计算机应用, 2018, 38(10): 3006-3012

[4] Lim B, Son S, Kim H, et al. Enhanced deep residual networks for single image super-resolution[C]//CVPRW 2017: Proceedings of the 2017 IEEE conference on computer vision and pattern recognition workshops. Washington, DC: IEEE Computer Society, 2017: 1132-1140

[5] Lei Y. Multi-focus image fusion method based on NSST and ⅡCM[C]//Proceedings of the 2017 International Conference on Emerging Internetworking, Data and Web Technologies. Berlin: Springer, 2017: 679-689

[6] Lei Y. Technique for image de-noising based on non-subsampled shearlet transform and improved intuitionistic fuzzy entropy[J]. Optik International Journal for Light and Electron Optics, 2015, 126(4): 446-453

[7] 刘春燕，邹承明. 基于Storm的城市智能交通规划方法[J]. 武汉大学学报：理学版，2019, 65(05): 450-456

[8] 陈超. 多阈值优化的运动图像轮廓特征提取方法[J]. 沈阳工业大学学报，2019, 41(03): 315-319

[9] 刘屿，孙坤，谢宏威，等. 基于形状上下文特征和ICP的高精度轮廓视觉检测算法[J]. 华南理工大学学报：自然科学版，2018, 46(01): 131-138, 144

[10] 侯守明，王阳，唐琪博，等. 一种基于偏微分方程和Canny算子的图像分割方法[J]. 山西大学学报：自然科学版，2017, 40(04): 676-682

[11] 司幸伟. 基于多尺度形态学图像的屈肘角度检测方法与实现[J]. 河南师范大学学报：自然科学版，2017, 45(05): 60-67

[12] 赵建君，闫石，陈红叶. 利用光栅探测激光信息的迭代算法研究[J]. 激光与红外，2015, 45(7): 770-774

[13] 李墨羽，焦瑞莉，朱云龙，等. GNSS-R SAR地面目标建模与成像[J]. 计算机工程与应用, 2019, 55(23): 265-270

[14] 张宇，王晓燕. 基于混合灰度差指标的低空目标图像检测方法[J]. 电子测量与仪器学报，2015, 29(8): 1196-1202

[15] 盛蕴霞，霍冠英，刘静. 基于超像素聚类的侧扫声呐图像分割算法[J]. 计算机工程，2018, 44(06): 219-225, 232

Research on automatic focus fusion of digital image based on guided filtering

ZHANG Lei

(Electrical and Mechanical Information Department, Anhui Vocational College of Press and Publishing, Hefei 230601, China)

In order to improve the auto-focus detection ability of remote sensing digital images in remote geophysical exploration, a digital image auto-focus fusion method based on guided filtering is proposed. Establishing a filtering detection model of remote geophysical remote sensing digital images, matching features of digital images under information enhancement technology, establishing a three-dimensional reconstruction model of remote geophysical remote sensing digital images, constructing a fuzzy feature detection algorithm of visible light digital images, performing RGB decomposition of digital images through remote geophysical remote sensing feature matching, obtaining a spatial matching function of digital images under remote geophysical remote sensing, and fusing remote geophysical remote sensing information under a visual distribution model. Combined with the method of spatial visual information enhancement, the digital image fusion filtering detection is carried out, and the digital image auto-focusing fusion processing is carried out by the guidance filtering method, so as to improve the output signal-to-noise ratio of the image. The simulation results show that this method has better output quality, higher image detection accuracy and better automatic matching performance, which improves the quality of high-distance geophysical remote sensing digital image recognition and focusing imaging.

guided filtering；digital image；auto-focusing；fusion

2020-08-21

张雷（1985-），男，安徽安庆人，讲师，本科，主要从事印刷工程、计算机应用技术研究，enail88856@163.com。

TP391.41

A

1007-984X(2021)01-0041-06