基于改進引導濾波和雙梯度信息的多聚焦圖像融合

劉夢瑤，周 詮

(西安空間無線電技術(shù)研究所 空間微波技術(shù)國家級重點實驗室，西安 710100)

0 引言

多聚焦圖像是由不同的聚焦區(qū)域，在相同的場景下拍攝的一系列圖片，具有冗余和互補的特性。由于硬件設備和成像條件的局限性，采集到的圖像信息可能無法滿足分辨率、信息量等方面的需求，而多聚焦圖像融合能夠把從不同空間或時間上獲得的多個來源的信息進行合并或集成，以得到有關實體、關系或事件的更完整、更精確、更可靠的信息或推論。

目前，多聚焦圖像融合算法主要分為三種類型：基于空域的方法[1-3]、基于變換域的方法[4-7]和基于深度學習的卷積神經(jīng)網(wǎng)絡方法[8]?；诳沼虻娜诤纤惴梢灾庇^地通過局域像素關系來確定聚焦區(qū)域，主要是通過對圖像的紋理特征進行定義，在精確提取出紋理特征后，計算邊緣特征的空間、頻率、能量、梯度等參數(shù)，作為聚焦區(qū)域的判定標準。因此，圖像紋理、邊緣的準確提取和聚焦區(qū)域判定的標準是基于空域的多聚焦圖像融合算法的關鍵。

引導濾波作為一種自適應線性濾波的方法，能夠準確地提取圖像邊緣信息，因此，有部分學者使用引導濾波作為圖像特征提取方法，應用于圖像融合算法中[9-10]。自2013年Li[11]首次使用引導濾波的方法進行多聚焦圖像融合后，部分學者提出了多種改進的引導濾波方法：Kou[12]通過局部方差加權(quán)來設定線性平滑的權(quán)值，可以得到更加清晰的物體邊緣。謝偉[13]通過聯(lián)合梯度信息對平滑系數(shù)進行加權(quán)，能夠在一定程度上減弱平滑后的光暈現(xiàn)象。郭劍橋等[14]在引導濾波中加入了內(nèi)容感知因子，但圖像的細節(jié)處理效果有待提高。李健等[15]為提高多聚焦圖像的融合性，加入了高頻自帶系數(shù)，使圖像信息更豐富。

基于能量、梯度和方差的聚焦區(qū)域判定標準廣泛應用于基于空域的融合算法和基于變換域的融合算法中。三種判定指標各有利弊：區(qū)域能量可以很好地反應圖像信息的豐富程度。但是細致紋理區(qū)域的能量值可能低于平坦區(qū)域，導致聚焦與離焦區(qū)域判定錯誤；方差考查圖像塊的像素波動情況，雖然能夠標定像素值波動的區(qū)域，但是邊緣的損耗較大；梯度對邊緣的變化程度敏感，是判定聚焦與否的重要參數(shù)。但是，梯度算法只考慮到系數(shù)的變化程度，容易造成圖像低頻有用信息的缺失。其中，梯度信息由于能夠更精確地判定物體邊緣，廣泛應用于多聚焦圖像的融合算法中。

有部分學者對基于梯度的判定準則進行了優(yōu)化。姚權(quán)等[16]將梯度、方差和能量信息進行結(jié)合，對圖像的高低頻Haar小波變換系數(shù)分別進行處理，融合效果優(yōu)于單一判斷標準的融合算法。楊桄等[17]針對各層曲波系數(shù)的特點，采用基于像素和基于區(qū)域特征加權(quán)的融合算法得到高頻系數(shù)，并將梯度特征自適應加權(quán)方法得到圖像的低頻系數(shù)，融合效果優(yōu)于平均的融合方法。方帥等[18]使用梯度加權(quán)對每層圖像系數(shù)進行融合，并使用圖像的自相似性來補充高頻細節(jié)，避免各層融合比例差距較大導致失真。

從之前的研究可以看出，引導濾波是優(yōu)秀的保邊濾波方法，但是需要優(yōu)化參數(shù)來提升物體邊緣提取的質(zhì)量；梯度信息作為聚焦區(qū)域的判定標準，常應用于基于變換域的圖像融合方法，但是常需要輔助其他信息共同判定。針對上述融合算法的局限性，本文提出一種基于改進引導濾波和雙梯度信息的多聚焦圖像融合算法，能夠有效提取聚焦區(qū)域中的平坦區(qū)域的邊緣特征，抑制離焦區(qū)域的邊緣細節(jié)，提高部分聚焦圖像的紋理提取效果，同時優(yōu)化聚焦區(qū)域的判定結(jié)果，從而提升多聚焦圖像的融合質(zhì)量。

1 相關研究

1.1 基于引導濾波的圖像融合

引導濾波是根據(jù)圖像局部的相關性，使用自適應的濾波核進行濾波的具有良好保邊性能的濾波模型[11]。該模型假設，對于圖像的某個鄰域中的每個像素來說，其濾波輸出的結(jié)果和該像素相關的局部引導圖像是線性關系，其中的線性系數(shù)則由輸入圖像和引導圖像共同決定。

對于輸入圖像I來說，輸出的濾波圖像O是引導圖像P在以像素位置p為中心的局部窗口w中圖像的線性變換。即

Ow=apPw+bp

(1)

式中，線性變換系數(shù)ap和bp由最小二乘法根據(jù)輸入圖像Ii和引導圖像Pi得到，其代價函數(shù)為：

(2)

則對應的ap和bp分別為：

(3)

(4)

基于引導濾波的初始分割圖生成流程由圖1所示：使用不同的引導圖像來進行二次引導濾波，這兩次濾波結(jié)果的差值用來提取源圖像的細節(jié)特征并生成初始分割圖。首先使用原始源圖像作為一次引導濾波的引導圖像，得到的濾波結(jié)果作為二次引導濾波的引導圖像，最終得到源圖像的邊緣特征圖Ae為：

圖1 傳統(tǒng)基于引導濾波的初始分割圖生成

Ae=fg(A,A)-fg(A,fg(A,A))

(5)

式中，fg(A,A)表示以A為輸入圖像，且以A為引導圖像的引導濾波的結(jié)果；fg(A,fg(A,A))表示以A為輸入圖像，以fg(A,A)為引導圖像的引導濾波結(jié)果。

圖2為傳統(tǒng)的引導濾波提取圖像特征值的仿真結(jié)果，可以看出在使用不同引導圖像時，引導濾波可以對邊緣信息進行不同程度的平滑，由此來提取圖像的紋理部分。但是，聚焦區(qū)域的平坦部分在經(jīng)過兩次濾波前后改變不夠大，不能夠被提取出來，有可能會導致分類錯誤，例如下圖中的紅色框部分。而且對于某些紋理較復雜的圖像塊，即使處于離焦區(qū)域，在經(jīng)過兩次濾波后，改變也是非常大的，所以也可能會被錯認為是聚焦區(qū)域，例如下圖中的黃色框部分。

圖2 二次引導濾波結(jié)果及濾波差值結(jié)果

引導濾波之所以能夠有效地提取出聚焦區(qū)域的邊緣，抑制離焦區(qū)域的邊緣，是來自于不同程度的濾波結(jié)果之差。但是，將圖像進行了平滑操作后，會進一步縮小聚焦區(qū)域和離焦區(qū)域的像素差異，導致聚焦與離焦區(qū)域不易區(qū)分。然而，不同程度的平滑圖像之間的差值必然小于聚焦區(qū)域和離焦區(qū)域之間的差值，基于這個思想，本文提出了一種結(jié)合高斯濾波的改進引導濾波算法，通過增加聚焦區(qū)域像素灰度值與離焦區(qū)域像素灰度值之間的差異來提高聚焦區(qū)域的定位精度。

1.2 基于梯度信息的圖像融合

圖像的梯度信息可以描述像素灰度值的變化劇烈程度，是多聚焦圖像融合中判定物體邊緣強弱的常用參數(shù)標準。融合算法可以通過參考不同尺度下圖像變換域系數(shù)的梯度信息來判定聚焦區(qū)域。對于圖像塊w來說，假設其以(x,y)為中心，尺寸為m×n，則該像素點(x,y)的平均梯度[16]為：

G(x,y)

(6)

式中，I(x,y)是像素點的小波變換系數(shù)。圖3為以Haar小波為小波基，分解2層的小波系數(shù)在計算梯度信息后的仿真結(jié)果。

圖3 小波系數(shù)維度的梯度信息

以往的算法通常將基于梯度的聚焦區(qū)域判定準則應用于小波、剪切波等變換域系數(shù)[16]，可以看出由于系數(shù)方向的不完整性，系數(shù)梯度無法準確描述物體邊緣。因此，本文對基于空域的梯度信息進行分析。

圖4和圖5為像素灰度值維度下的梯度信息示例。可以看出，相比較于變換域系數(shù)維度下的梯度信息來說，像素灰度值作為梯度測量維度時，聚焦區(qū)域的圖像邊緣和紋理處對局部梯度信息有極大響應，可以更清晰地描述物體的邊緣和紋理。

圖4 像素維度的梯度信息

由圖4(c)、(d)可以看出，物體邊緣周邊的細小紋理處，兩張源圖像的梯度有明顯差別，聚焦區(qū)域的梯度信息可以更細致地描述整個聚焦物體的邊緣和內(nèi)部紋理。但是，由圖5可以看出，雖然兩幅圖像塊的梯度信息極大值是相同的，為64。但是均為花盆中明暗交界明顯的物體邊緣，也就是說，物體的關鍵邊緣無法通過兩幅源圖像的梯度值區(qū)別來進行判定，需要輔助其他的信息，否則很難將聚焦區(qū)域判定準確。

圖5 源圖像局部的像素個數(shù)直方圖

由此，為了能削弱模糊邊緣對梯度信息造成的干擾，我們可以同時借助圖像的邊緣特征作為梯度的另一個測量維度，因為邊緣特征已經(jīng)將較平滑區(qū)域進行了篩選，去除了相關干擾，因此可以使得聚焦物體邊緣更容易被提取出來?；谏鲜鰞晒?jié)的分析，我們提出了結(jié)合雙梯度信息的改進引導濾波圖像融合算法。

2 算法流程

針對引導濾波提取圖像邊緣信息流程上的固有缺陷，和梯度信息無法有效區(qū)分離焦與聚焦區(qū)域的物體邊緣的特性，我們提出了基于改進引導濾波和雙梯度信息的多聚焦融合算法。該算法打破了傳統(tǒng)的濾波結(jié)果相差分的流程，增強了圖像的邊緣特征，對聚焦區(qū)域的平坦部分也能夠極好地保留下來，同時結(jié)合源圖像與邊緣特征圖的梯度信息，優(yōu)化聚焦區(qū)域的特征邊緣，能夠生成分區(qū)精確的區(qū)域分割圖，根據(jù)分割圖即可對多聚焦源圖像進行融合。結(jié)合雙梯度信息的改進引導濾波多聚焦融合算法的具體流程如圖6所示。本節(jié)將對算法的每個步驟進行詳細說明。

圖6 結(jié)合雙梯度信息的改進引導濾波融合算法流程圖

2.1 結(jié)合高斯濾波的改進引導濾波

由1.1節(jié)分析結(jié)果可知，物體邊緣的差值會因為引導濾波的平滑操作而減小。所以我們需要盡可能地增強離焦與聚焦區(qū)域關于物體邊緣的差異，盡可能減小結(jié)構(gòu)清晰物體對區(qū)域分割的影響?；谶@種思想，我們提出了使用源圖像代替引導圖像進行差分提取特征的改進引導濾波算法。

部分聚焦的源圖像1在引導濾波操作后，離焦區(qū)域變得更加平滑，我們使用另一幅部分聚焦的源圖像2與其做差，從而保留了源圖像2更顯著的物體邊緣特征。由于源圖像1的離焦區(qū)域幾乎是源圖像2的聚焦區(qū)域，因此源圖像1的離焦區(qū)域在平滑后，和源圖像2的聚焦區(qū)域差距更大，特征提取更加明顯；同時，源圖像1的聚焦區(qū)域在平滑后，和源圖像2的離焦區(qū)域差異變小，因此可以抑制進一步這部分像素的干擾。如此得到的結(jié)果優(yōu)于同一張源圖像進行2次引導濾波并差分之后的結(jié)果。

為了進一步增加離焦區(qū)域和聚焦區(qū)域的差異，我們對部分聚焦圖像進行高斯模糊，再進行引導濾波，這樣對離焦區(qū)域可以進一步平滑，對聚焦區(qū)域進一步抑制，能夠更加突出圖像的聚焦區(qū)域特征?？梢钥闯?，高斯平滑且引導濾波的源圖像1可以看做是源圖像2的結(jié)構(gòu)部分，源圖像2通過對結(jié)構(gòu)部分進行差分，得到聚焦區(qū)域的紋理特征圖，源圖像1的紋理特征圖同理可得。由此，多聚焦圖像的紋理特征圖分別為：

M1=A1-f(g(A2),g(A2))

(7)

M2=A2-f(g(A1),g(A1))

(8)

式(7)中的f(g(A2),g(A2))為以g(A2)為輸入圖像和引導圖像的引導濾波結(jié)果；式(8)中的f(g(A1),g(A1))為以g(A1)為輸入圖像和引導圖像的引導濾波結(jié)果；g(A1)、g(A2)分別為A1、A2高斯濾波的結(jié)果。M1為源圖像1的邊緣特征圖，M2為源圖像2的邊緣特征圖。

圖7(c)、(f)為基于改進引導濾波的邊緣特征圖結(jié)果，可以看出，本算法不僅可以有效地提取出小字母和條紋圖像塊，桌面倒影的部分也能夠提取出來；并且可以有效地提取出前景的物體，桌面邊緣這種較平滑的聚焦區(qū)域也能夠正確判定。

圖7 改進引導濾波的圖像邊緣特征圖

2.2 結(jié)合雙梯度信息的初始分割圖生成

在得到源圖像的邊緣特征圖之后，我們需要準確地劃分源圖像的聚焦區(qū)域。從1.2節(jié)分析可得，圖像特征維度下的梯度信息是常用的聚焦區(qū)域判定參數(shù)，而像素值維度下的梯度信息也可以對聚焦區(qū)域的判定提供一定的參考?；诖耍覀兲岢鼋Y(jié)合像素灰度值和邊緣特征值的雙梯度分割圖生成算法。

由圖8(a)、(b)可以看出，源圖像聚焦區(qū)域的物體邊緣相對于離焦區(qū)域來說，線條更清晰且和周邊像素對比度更明顯。圖8(c)、(d)為源圖像的邊緣特征圖，可以看出，物體形狀明顯的離焦區(qū)域會被提取出來，但是特征邊緣是模糊的，同時，聚焦區(qū)域的特征邊緣是清晰的，且較為連續(xù)。

圖8 源圖像與其邊緣特征圖

接下來我們分別對圖像灰度值和邊緣特征圖進行局部梯度信息的計算。局部范圍w均為3×3，公式如式(6)所示。

圖9為兩幅源圖像邊緣特征圖的梯度，可以看出，在不連續(xù)的離焦特征邊緣處，梯度信息是不連續(xù)的，因為它的邊緣特征值是由光暈產(chǎn)生的，光暈本身是模糊且不連續(xù)的，導致其梯度也是模糊不連續(xù)的。而對于聚焦區(qū)域，圖像邊緣特征圖的梯度可以準確地判定物體邊緣形狀，是由于聚焦區(qū)域的邊緣特征值梯度由清晰的物體邊緣提取。

圖9 源圖像邊緣特征圖的梯度

計算源圖像的梯度信息如圖10所示?？梢钥闯?，對于聚焦區(qū)域來說，源圖像的梯度可以指示物體邊緣范圍，因為清晰邊緣和紋理對梯度的響應是很大的。對于離焦區(qū)域來說，源圖像的梯度只在物體的最顯著的邊緣處響應較大，其他細致紋理等區(qū)域響應均極小，由此可以清晰地區(qū)分源圖像的離焦區(qū)域與聚焦區(qū)域。

圖10 源圖像的梯度

因此將源圖像邊緣特征圖梯度和源圖像的梯度進行結(jié)合，可以作為初始分割圖的輔助判定依據(jù)。

由此，我們通過源圖像的梯度來確定邊緣特征圖的梯度范圍，再根據(jù)優(yōu)化后的邊緣特征圖梯度來生成初始分割圖。

令U1和U2分別為兩幅源圖像的梯度圖，W1和W2分別為兩幅源圖像邊緣特征圖的梯度圖。若U1(i,j)>U2(i,j)，則W1(i,j)保留，令W2(i,j)=0；若U1(i,j)

圖11 優(yōu)化后的邊緣特征圖梯度T1、T2

再將梯度差異圖與各自的邊緣特征圖進行點積，得到優(yōu)化后的邊緣特征圖H1、H2，然后使用基于能量的區(qū)域判定準則來確定初始分割圖。

2.3 二次形態(tài)學濾波

初步分割后，我們通過閉運算來消除分割圖中的孔洞，并平滑分界線。但是初始分割圖中的部分孔洞較大，如果使用更大的結(jié)構(gòu)元素進行操作，可能破壞部分邊緣特性，所以將膨脹和腐蝕分別進行兩次，這樣可以有效地消除物體形狀內(nèi)部的孔洞，并且保持物體的圖像邊緣，從而得到最終分割特征圖。

3 實驗結(jié)果與分析

為了驗證本文所提算法的可行性與有效性，本節(jié)選用4組多聚焦灰度圖像組作為測試圖像，從主客觀兩方面進行評價。測試圖片均來自標準多聚焦融合圖像集Lytro Multi-focus Dataset[19]，測試圖像均已經(jīng)經(jīng)過精確配準。

對比算法中，我們選擇經(jīng)典的基于小波變換的融合算法[6]、基于引導濾波的多聚焦融合算法[11]、基于區(qū)域能量的加權(quán)融合算法[20]作為對比算法。這三種算法為現(xiàn)在多聚焦融合圖像算法[21-25]中優(yōu)先采用的對比算法。因此，本節(jié)我們選取這3種經(jīng)典多聚焦融合算法進行對比研究，并對本文算法的性能進行主觀和客觀分析。

3.1 算法測試結(jié)果的主觀分析

我們選用Pepsi、Clocks、Lab、Calendar這4組多聚焦灰度圖像組作為測試圖像，下面分別對每組圖像在不同算法下的融合結(jié)果進行主觀層面的分析。

(a)、(b)組分別為源圖像。

(c)組為基于小波變換的融合方法，可以看出重構(gòu)的融合圖像邊緣會存在部分偽影，導致整個融合圖像的物體邊緣都不清晰。視覺效果不佳。

(d)組為基于區(qū)域能量的加權(quán)融合算法，可以看出，對比度較大的物體邊緣和平坦又模糊的邊緣，都會出現(xiàn)分區(qū)錯誤的現(xiàn)象。

(e)組為基于引導濾波的融合算法，存在由于像素灰度擴散導致的分區(qū)錯誤的問題。

(f)為本文算法結(jié)果，可以看出，本文算法在保持了引導濾波融合算法優(yōu)勢的同時，能夠正確地提取出光線不足、紋理灰度對比度較小的區(qū)域特征，并進行正確分區(qū)。融合效果優(yōu)于其他的3種算法。

從以上測試圖像組的結(jié)果可以看出，雖然引導濾波對比傳統(tǒng)的基于空域、變換域的融合算法，能夠更準確地劃分多聚焦圖像的聚焦與離焦區(qū)域，但是對于平坦區(qū)域和對比度較低的紋理區(qū)域，無法通過濾波結(jié)果差值來有效提取特征。本文算法通過增大弱紋理的對比度差異，使得引導濾波差值能夠更好地提取物體邊緣特征，同時結(jié)合梯度信息消除邊緣特征圖中的光暈，能夠有效提升引導濾波算法的融合質(zhì)量。

3.2 算法測試結(jié)果的客觀分析

本文選取邊緣梯度算子QAB/F、互信息MI、結(jié)構(gòu)相似度SSIM、空間頻率SF作為算法評價指標。邊緣梯度算子通過度量融合結(jié)果包含的圖像邊緣信息量來評估融合的性能，值越大表明融合圖像保留源圖像的邊緣信息越多，融合效果越好；互信息量表明了源圖像和已融合圖像之間的信息傳遞情況，值越大表明有越多信息量從源圖像傳遞至融合圖像；結(jié)構(gòu)相似度表明2幅源圖像與已融合圖像的結(jié)構(gòu)相似之和，值越大說明融合效果越好；空間頻率表明圖像灰度的變化率，空間頻率越大表示圖像越梯度越大，邊緣越清晰。表1為幾種算法的評價指標結(jié)果。

表1 4組測試圖像的客觀評價指標對比

從邊緣梯度算子這個指標項中可以看出，本文算法可以更加精確地選擇像素邊緣對比度高的區(qū)域作為融合結(jié)果，因此本文算法的效果更加優(yōu)于其他算法的融合效果。

從互信息這個指標項中可以看出，基于小波的融合算法由于影響了高頻系數(shù)的相關性，部分像素灰度值有所變化，融合圖像中保留的來自源圖像的信息量是最少的；基于區(qū)域能量加權(quán)算法需要加權(quán)的部分較少，因此信息量保留較多；基于引導濾波的算法區(qū)域劃分也較為準確，因此指標優(yōu)于基于能量加權(quán)的算法；本文算法可以更好地保留源圖像的信息量，指標優(yōu)于其他三種對比算法。

從結(jié)構(gòu)相似度這個指標項中可以看出，本文算法略優(yōu)于其他三種對比算法。說明更能夠保持源圖像和已融合圖像的灰度分布的一致性。

空間頻率屬于評價圖像空間水平和垂直梯度的指標。clocks組的基于區(qū)域能量加權(quán)的空間頻率最高，是因為基于區(qū)域能量加權(quán)的融合結(jié)果中有部分紋理融合錯誤，導致邊緣線條增多，梯度較大。本文算法保留的聚焦區(qū)域紋理較多，因此空間頻率指標高于其他三種對比算法。

為了更加客觀地分析本文算法的融合結(jié)果，我們對數(shù)據(jù)集Lytro Multi-focus Dataset中的全部27組圖像進行對比測試。這27組圖像包含了紋理較多的圖像、不規(guī)則結(jié)構(gòu)較多的圖像、平坦區(qū)域占比較大的圖像等等，且其中聚焦區(qū)域和離焦區(qū)域的模糊程度差異多樣，涵蓋了多聚焦圖像組的各種情況。對比算法采用經(jīng)典的基于小波變換、區(qū)域能量加權(quán)、引導濾波的融合算法，評價指標采用邊緣梯度算子QAB/F、互信息MI、結(jié)構(gòu)相似度SSIM、空間頻率SF。測試結(jié)果如圖12所示。圖中，x軸代表測試圖像序號。

圖12 各算法對4組測試圖像的結(jié)果

從圖13可以看出，本文算法的融合效果比較穩(wěn)定，對于所有的測試圖像，本文算法均有一定程度優(yōu)于傳統(tǒng)算法。本文的平均邊緣檢測算子指標為0.6725，平均高出小波變換算法0.1164，高出區(qū)域能量算法0.0572，高出引導濾波算法0.0276，說明本文算法對物體結(jié)構(gòu)邊緣的提取和融合有較好的效果；結(jié)構(gòu)相似度的平均值為2.3216，高出小波變換算法0.5322，高出能量加權(quán)算法0.2569，高出引導濾波0.1393，說明本文算法和引導濾波均能夠較好地保持圖像邊緣和結(jié)構(gòu)，而本文算法對于不明晰的結(jié)構(gòu)邊緣仍舊有極好的提取效果；空間頻率優(yōu)勢不明確，因為基于能量加權(quán)的算法可能會因為梯度反轉(zhuǎn)而融合出錯誤邊緣，從而增加空間頻率；從互信息量指標來看，本文算法的平均互信息量為4.9276，本文算法的互信息量平均高出小波變換2.1357，高出能量加權(quán)0.7692，高出引導濾波0.3524，說明本文算法可以有效地保留源圖像信息量。

圖13 數(shù)據(jù)集所有圖像的客觀指標對比結(jié)果

從上面實驗分析結(jié)果可以看出，本文算法對于紋理較多的圖像、不規(guī)則結(jié)構(gòu)較多的圖像、平坦區(qū)域占比較大的圖像均能較好地提取物體邊緣，更精確地劃分出聚焦區(qū)域與離焦區(qū)域，有較好的融合結(jié)果。

為了進一步說明本文算法的融合效果，本文選擇與近年發(fā)表的改進多聚焦融合算法[21-22]進行部分客觀指標的對比。本文與文獻[21]共同使用了Lab圖像進行算法融合效果測試，且共同使用互信息量MI、空間頻率SF作為客觀指標，為了更全面地對比客觀指標上的差異，本文另計算了測試圖像的平均梯度AG進行指標比對。表2列出了兩種算法針對測試圖像Lab共同使用的客觀指標對比，可以看出，本文算法能夠更好地保留源圖像的信息量，對于細致紋理保留效果更好，因此互信息量和平均梯度的指標較高。

表2 Lab測試圖像的客觀評價指標對比

本文與文獻[22]共同使用了Pepsi圖像進行算法融合效果測試，并且都使用互信息量MI、邊緣檢測算子QAB/F、空間頻率SF作為客觀評價指標。表3列出了兩種算法針對測試圖像Pepsi共同使用的3類客觀指標對比?？梢钥闯觯疚乃惴軌蚋玫乇Ａ粼磮D像的信息量，邊緣信息保留的更加完整，保留細節(jié)更多，空間頻率更高。

表3 Pepsi測試圖像的客觀評價指標對比

4 結(jié)論

本文提出一種結(jié)合雙梯度信息的基于引導濾波的多聚焦圖像融合算法。本算法采用改進的引導濾波提取源圖像邊緣特征，可以在提升聚焦與離焦圖像邊緣特征差異后，使得邊緣紋理效果更加明顯，從而更精確地提取出圖像的各種紋理信息；其次，根據(jù)源圖像和邊緣特征圖的梯度的不同特性，可以削弱高對比度大面積的離焦區(qū)域圖像對分割區(qū)域準確度造成的影響，從而進一步精確確定邊緣特征圖中聚焦區(qū)域的范圍。實驗方面，現(xiàn)有文獻中大都只用了Lytro Multi-focus Dataset數(shù)據(jù)集中的4組數(shù)據(jù)，統(tǒng)計意義不足，而本文使用了該數(shù)據(jù)集中全部27組數(shù)據(jù)，研究結(jié)果更有普遍性和統(tǒng)計意義。因此，從實驗結(jié)果可以看出，本文算法融合效果的主客觀評價明顯優(yōu)于其他算法。