基于四叉樹分解和自適應(yīng)焦點(diǎn)測度的多聚焦圖像融合

王紀(jì)委，曲懷敬，魏亞南，謝 明，徐 佳，張志升，張漢元

(山東建筑大學(xué)信息與電氣工程學(xué)院，山東 濟(jì)南 250101)

0 引 言

多聚焦圖像融合(multi-focus image fusion, MFIF)是圖像融合領(lǐng)域一個(gè)重要的分支。因?yàn)橄鄼C(jī)成像系統(tǒng)的特點(diǎn)，很難獲得一幅完全聚焦的圖像。一種流行的解決這種問題的技術(shù)是針對(duì)同一場景將不同焦距下所獲取的多張?jiān)磮D像融合為一幅全聚焦圖像，稱為MFIF。目前，MFIF技術(shù)廣泛應(yīng)用于顯微成像、文物修復(fù)、遙感和計(jì)算機(jī)視覺等領(lǐng)域[1]。

傳統(tǒng)的MFIF方法一般可分為基于空域的方法和基于變換域的方法。具體而言，基于空域的方法是直接在空間域中操作，可以進(jìn)一步分為即基于像素[2]、基于塊[3]和基于區(qū)域[4]的3類方法。相比之下，基于變換域的方法首先將圖像變換到另一個(gè)域中，然后使用變換后的系數(shù)進(jìn)行融合，最后通過相應(yīng)的逆變換得到融合圖像。到目前為止，已經(jīng)提出了許多基于變換域的方法，如稀疏表示方法[5-7]、多尺度方法[8-10]、基于梯度域的方法[11]和混合方法[12]等。

近年來，研究者開始使用深度學(xué)習(xí)技術(shù)來解決MFIF的問題[13]。目前，基于深度學(xué)習(xí)的融合方法主要分為有監(jiān)督[13-15]和無監(jiān)督[16-18]2種類型的MFIF方法。更具體地說，許多深度學(xué)習(xí)模型，例如CNNs[13-16]、GANs[17]等，都已被用于MFIF領(lǐng)域。

現(xiàn)有的MFIF方法在一些方面仍需要改進(jìn)。首先，基于變換域的方法在融合變換域系數(shù)和逆變換時(shí)往往會(huì)丟失一些有用信息，從而導(dǎo)致在融合圖像中出現(xiàn)對(duì)比度降低和產(chǎn)生偽影等問題。其次，在基于空域的方法中廣泛使用基于固定大小塊的策略，而塊大小會(huì)影響融合質(zhì)量，往往還會(huì)出現(xiàn)塊效應(yīng)。另一方面，與傳統(tǒng)的MFIF方法相比，由于缺乏大型的訓(xùn)練數(shù)據(jù)庫，深度學(xué)習(xí)方法在融合性能和效率上目前還沒有優(yōu)勢[1]。因此，本文研究的重點(diǎn)是對(duì)傳統(tǒng)的MFIF方法進(jìn)行改進(jìn)。

針對(duì)上述問題，本文提出一種基于四叉樹(Quad-tree， QT)分解和自適應(yīng)焦點(diǎn)測度的MFIF方法。首先，設(shè)計(jì)一種新的基于SML和導(dǎo)向?yàn)V波的焦點(diǎn)測度，得到源圖像的焦點(diǎn)圖。然后，采取一種新的QT分解策略，將源圖像分解成最優(yōu)大小的樹塊對(duì)；由互補(bǔ)樹塊對(duì)的焦點(diǎn)信息確定初始決策圖；對(duì)初始決策圖進(jìn)行優(yōu)化和一致性驗(yàn)證后，構(gòu)成最終的決策圖。最后，根據(jù)最終決策圖，通過加權(quán)平均規(guī)則重構(gòu)出一幅全聚焦融合圖像。通過利用公共多聚焦圖像數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，并與11種先進(jìn)的MFIF方法進(jìn)行視覺質(zhì)量和客觀指標(biāo)比較，實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法的可行性和有效性；同時(shí)還表明，本文方法既克服了傳統(tǒng)基于塊方法對(duì)塊的大小敏感的問題，又基本消除了融合圖像中存在的邊界偽影，從而顯著地增強(qiáng)了融合圖像的質(zhì)量。

本文研究主要的工作包括以下4個(gè)方面：

1)提出一種分區(qū)域處理的基于SML與導(dǎo)向?yàn)V波的焦點(diǎn)測度。

2)根據(jù)多聚焦圖像的特點(diǎn)，提出一種有效的QT分解策略。

3)通過將QT分解策略與焦點(diǎn)測度有機(jī)結(jié)合，提出一種有效的MFIF算法。

4)通過大量實(shí)驗(yàn)驗(yàn)證本文方法在定性和定量方面都優(yōu)于其他11種最新的MFIF方法。

1 相關(guān)工作

1.1 導(dǎo)向?yàn)V波

導(dǎo)向?yàn)V波由He等人[19]提出。導(dǎo)向?yàn)V波的工作原理簡述如下。對(duì)于半徑為r的滑動(dòng)窗口wk，引導(dǎo)圖像I和輸出圖像q存在著如式(1)的局部線性關(guān)系：

qi=akIi+bk,i∈wk

(1)

其中，ak、bk為待求系數(shù)。

根據(jù)式(1)，定義一個(gè)如式(2)的損失函數(shù)：

(2)

這是一個(gè)求解最優(yōu)值的問題。其中，為了防止ak過大，引入一個(gè)正則化參數(shù)ε。運(yùn)用最小二乘法求解極小值，并利用極小值處偏導(dǎo)數(shù)為0，得式(2)的解為：

(3)

(4)

最后，將線性模型(1)應(yīng)用于整個(gè)圖像的所有局部窗口，得到如式(5)的輸出：

(5)

1.2 修正的拉普拉斯能量和

修正的拉普拉斯能量和(Sum-modified-Laplacian, SML)是一種有效的焦點(diǎn)測度[20]。為了防止計(jì)算圖像f的拉普拉斯變換時(shí)，x和y方向的二階導(dǎo)數(shù)可能出現(xiàn)因相反的符號(hào)而相互抵消現(xiàn)象，Nayar等人[21]提出了修正拉普拉斯，它取拉普拉斯變換中二階導(dǎo)數(shù)的絕對(duì)值。修正拉普拉斯的離散形式近似可以表示為：

ML(i,j)=|2f(i,j)-f(i-s,j)-f(i+s,j)|+

|2f(i,j)-f(i,j-s)-f(i,j+s)|

(6)

其中，s表示像素間的可變間距，用于適應(yīng)圖像的紋理基元大小的可能變化。

這樣，在圖像位置(i,j)附近的一個(gè)小窗口內(nèi)可計(jì)算出位置(i,j)處的SML，如式(7)：

(7)

其中，T為設(shè)定的閾值，用于計(jì)算SML的窗口大小為(2N+1)×(2N+1)。

2 提出的方法

MFIF的目標(biāo)是從互補(bǔ)的多聚焦源圖像中生成一幅全聚焦融合圖像。為了實(shí)現(xiàn)這一目標(biāo)，本文提出一種基于QT分解和自適應(yīng)焦點(diǎn)測度的MFIF方法，其融合過程如圖1所示。下面對(duì)具體的內(nèi)容進(jìn)行詳細(xì)的描述。

圖1 本文方法流程圖

2.1 聚焦區(qū)域檢測

為了精確地檢測出聚焦區(qū)域，本文提出一種分塊處理的焦點(diǎn)測度，即基于SML與導(dǎo)向?yàn)V波的焦點(diǎn)測度。與傳統(tǒng)的焦點(diǎn)測度相比，本文提出的焦點(diǎn)測度的不同之處在于，它通過充分考慮圖像的不同區(qū)域之間像素聚焦情況的差異，對(duì)這些區(qū)域分開進(jìn)行焦點(diǎn)判別處理，這樣可以得到源圖像中更為精確的焦點(diǎn)信息，從而更準(zhǔn)確地檢測出聚焦區(qū)域。

2.1.1 基于SML與導(dǎo)向?yàn)V波的焦點(diǎn)測度

焦點(diǎn)測度在區(qū)分聚焦區(qū)域和散焦區(qū)域方面起著至關(guān)重要的作用。目前，廣泛采用的焦點(diǎn)測度包括：圖像梯度能量(EOG)、圖像拉普拉斯能量(EOL)、修正拉普拉斯能量和(SML)等。在文獻(xiàn)[20]中，實(shí)驗(yàn)結(jié)果表明SML優(yōu)于其他焦點(diǎn)測度。但在一些平坦區(qū)域，SML無法準(zhǔn)確地區(qū)分出聚焦區(qū)域與相應(yīng)的散焦區(qū)域的像素。此外，SML對(duì)噪聲較為敏感。

為了克服這些問題，本文將SML和導(dǎo)向?yàn)V波相結(jié)合設(shè)計(jì)一種新的焦點(diǎn)測度。首先，將源圖像進(jìn)行分塊處理，利用圖像塊對(duì)的梯度信息(本文使用的是SML)，判斷圖像塊對(duì)的類型。然后，根據(jù)不同類型的圖像塊對(duì)，利用SML和導(dǎo)向?yàn)V波器自身的特點(diǎn)，對(duì)提出的焦點(diǎn)測度進(jìn)行自適應(yīng)的調(diào)整。實(shí)現(xiàn)的步驟描述如下：

1)將源圖像變換為灰度圖像，并將灰度圖像分成大小相同的子塊。然后，采用一個(gè)遍歷窗口從源圖像左上角開始直至遍歷整個(gè)源圖像，將得到的每個(gè)子塊圖像作為下一階段的輸入。

(8)

(9)

(10)

3)定義一個(gè)元素都為1，大小與對(duì)應(yīng)子塊相同的矩陣FFMB，即：

(11)

其中，H和W分別為子塊的高度和寬度。FFMB表示一個(gè)理想的全聚焦與全散焦互補(bǔ)子塊對(duì)經(jīng)過式(9)和式(10)得到的二值圖。

4)定義一個(gè)子塊的全聚焦焦點(diǎn)圖的和(SFFMB)與焦點(diǎn)圖的和(SFMB)，分別由式(12)～式(14)計(jì)算得到。即

SFFMB=∑∑FFMB(x,y)

(12)

(13)

(14)

5)根據(jù)SFFMB與SFMB，由式(15)求得閾值S。

S=SFMB/SFFMB

(15)

由于SFMB表示一對(duì)圖像子塊整體的聚焦情況；而SFFMB表示圖像子塊對(duì)在一種理想情況下(即一個(gè)塊為全聚焦，另一個(gè)塊為全散焦)SFMB的最大值，因此兩者的比值可以作為判斷圖像塊對(duì)聚焦情況的條件。

(16)

(17)

(18)

9)將各子塊圖像的粗略焦點(diǎn)圖按原位置重組，從而得到與源圖像大小相同的粗略焦點(diǎn)圖RFGi。

10)導(dǎo)向?yàn)V波中引導(dǎo)圖像的高頻信息可以有效地遷移到輸出圖像中。因此，用源圖像Ii作為引導(dǎo)圖像、以粗略焦點(diǎn)圖RFGi為輸入圖像的導(dǎo)向?yàn)V波輸出圖像可以增強(qiáng)粗略焦點(diǎn)圖的高頻信息、細(xì)化粗略焦點(diǎn)圖的顯著結(jié)構(gòu)。本文將此輸出圖像作為最終焦點(diǎn)圖FGi。即：

FGi=Gf(r0,ε0)(Ii(x,y),RFGi(x,y))，i=1,2

(19)

其中，Gf(r0,ε0)為導(dǎo)向?yàn)V波算子，其中r0、ε0為導(dǎo)向?yàn)V波的2個(gè)參數(shù)，在本文中分別設(shè)置為3和0.05。

2.1.2 參數(shù)選擇

這一節(jié)將確定相關(guān)參數(shù)的選擇原則，依此提高焦點(diǎn)測度的精度。

1)參數(shù)p的選擇。

圖像塊對(duì)一般分為2種情況:1)一個(gè)塊完全聚焦，另一個(gè)塊完全散焦，稱為情形1；2)兩者都是部分聚焦，稱為情形2。從源圖像得到的子塊中，包含“平坦”區(qū)域的子塊大都屬于情形1，而包含聚焦與散焦區(qū)域邊界的子塊屬于情形2。這2種情形的子塊圖像對(duì)應(yīng)著聚焦區(qū)域檢測的2個(gè)難點(diǎn)。因此，為了更準(zhǔn)確地檢測聚焦區(qū)域，本文將子塊圖像分為上述2種情形進(jìn)行不同的處理。對(duì)于情形1的子塊圖像，由于包含了較多的“平坦”區(qū)域，因此基于梯度的焦點(diǎn)測度SML對(duì)于它們的敏感性較差。換言之，對(duì)屬于情形1的子塊圖像，參數(shù)p設(shè)置為0，依此可更精確地檢測出聚焦區(qū)域。

另一方面，對(duì)于情形2的圖像塊，由于含有聚焦與散焦區(qū)域的邊界，一般具有較大的梯度信息，SML對(duì)于它們具有較高的敏感性。通常，SML能夠準(zhǔn)確地刻畫圖像的梯度信息，此時(shí)再結(jié)合導(dǎo)向?yàn)V波保持邊緣的效果，就可以更準(zhǔn)確地得到圖像的焦點(diǎn)信息。綜上所述，對(duì)屬于情形2的子塊圖像，參數(shù)p的值應(yīng)設(shè)置為1。

考慮式(15)的閾值S等于SFMB與SFFMB的比值，它反映一般圖像的聚焦信息，可以根據(jù)S的大小來判斷圖像塊是屬于情形1，還是屬于情形2。通常，SFMB總是小于等于SFFMB，當(dāng)兩者較為接近時(shí)，代表圖像塊屬于情形1。綜上分析，并結(jié)合實(shí)驗(yàn)驗(yàn)證，本文將參數(shù)p設(shè)置為：

(20)

2)參數(shù)r和ε的選擇。

r和ε是導(dǎo)向?yàn)V波的2個(gè)可調(diào)節(jié)參數(shù)。根據(jù)1.1節(jié)的內(nèi)容可知，當(dāng)假設(shè)輸入圖像p與引導(dǎo)圖像I相同時(shí)，導(dǎo)向?yàn)V波為一個(gè)保邊濾波器。相應(yīng)地，參數(shù)(ak,bk)的計(jì)算公式變?yōu)椋?/p>

(21)

bk=(1-ak)pk

(22)

(23)

(24)

3)參數(shù)w的選擇。

w為均值濾波的濾波半徑。w需要結(jié)合上述導(dǎo)向?yàn)V波參數(shù)r和ε的設(shè)置情況而進(jìn)行設(shè)置。結(jié)合實(shí)驗(yàn)驗(yàn)證，當(dāng)w取以下值時(shí)，融合實(shí)驗(yàn)取得最優(yōu)的結(jié)果。即：

(25)

4)其他參數(shù)的選擇。

在本文中，式(6)和式(7)中的參數(shù)s和T分別設(shè)置為1和3；窗口大小設(shè)置為3×3。另外，本文將圖像子塊大小設(shè)置為32×32。

2.2 提出的QT分解策略

本文設(shè)計(jì)一種有效策略用于圖像的QT分解。前述，對(duì)于多聚焦圖像塊對(duì)只可能出現(xiàn)2種情形，其中對(duì)于情形1，全聚焦的塊和全散焦的塊是完全可區(qū)分的。因此，塊對(duì)的分解準(zhǔn)則可以根據(jù)塊對(duì)的2種情形簡單地描述為：如果塊對(duì)符合情形1，則在該塊對(duì)中可以找到完全聚焦的塊；否則，如果塊對(duì)符合情形2，則其中每個(gè)塊再分別細(xì)分為4個(gè)子塊。下面對(duì)本文提出的分解策略進(jìn)行詳細(xì)的描述。

1)根據(jù)2.1節(jié)中提出的焦點(diǎn)測度，計(jì)算出每個(gè)源圖像的焦點(diǎn)圖{FGi,i=1,2}。

(26)

需要強(qiáng)調(diào)的是，在實(shí)際源圖像中，樹塊對(duì)中任何一個(gè)塊都可能存在一些噪聲。因此，對(duì)于情形1中樹塊對(duì)的SFMB通常比相應(yīng)的SFFMB略小一些?？紤]這種情況，以及通過實(shí)驗(yàn)驗(yàn)證，本文選擇0.99作為這種情形的判別閾值。即對(duì)于一個(gè)樹塊對(duì)，如果SFMB>0.99×SFFMB，則它屬于情形1；否則，這個(gè)樹塊對(duì)屬于情形2。

圖2為一個(gè)多聚焦圖像的QT分解示例。由圖2可見，本文提出的分解策略能夠很好地將源圖像分解成最優(yōu)大小的塊，這也驗(yàn)證了所提出的QT分解策略的有效性。

圖2 本文提出的QT分解策略示例

2.3 初始決策圖的構(gòu)造

利用本文提出的QT分解策略可以從源圖像中有效地檢測出聚焦塊，最后由聚焦塊組合成初始決策圖。具體做法為：首先，將2幅源圖像以及對(duì)應(yīng)于源圖像的焦點(diǎn)圖作為輸入；將源圖像設(shè)置為QT結(jié)構(gòu)的第1級(jí)的樹塊對(duì)；對(duì)于當(dāng)前樹塊對(duì)，如果SFMB>0.99×SFFMB，則該塊對(duì)屬于情形1，可通過計(jì)算塊對(duì)的聚焦度量值，找到聚焦度量值較大的樹塊標(biāo)記為聚焦區(qū)域，否則該塊對(duì)屬于情形2，每個(gè)樹塊將進(jìn)一步被分為4個(gè)子樹塊。然后，上述過程在較小的塊對(duì)上重復(fù)進(jìn)行，直到所有樹塊對(duì)滿足聚焦條件或達(dá)到分解條件的最大級(jí)別。最后，對(duì)標(biāo)記的聚焦塊進(jìn)行組合，構(gòu)成初始決策圖。

2.4 決策圖優(yōu)化與一致性驗(yàn)證

為了去除噪聲像素，本文采用小區(qū)域去除策略。即，如果某一區(qū)域的像素?cái)?shù)小于N，則該區(qū)域被視為小區(qū)域。在本文中，將N小于源圖像總像素?cái)?shù)的1%的區(qū)域視為小區(qū)域。

2.5 融合

根據(jù)最終決策圖FDM，通過對(duì)應(yīng)像素的加權(quán)平均將源圖像I1、I2融合在一起，得到最終的融合圖像F,即:

F(x,y)=FDM(x,y)I1(x,y)+(1-FDM(x,y))I2(x,y)

(27)

此外，為了消除融合圖像中潛在的偽影，本文利用導(dǎo)向?yàn)V波對(duì)優(yōu)化決策圖進(jìn)行一致性驗(yàn)證，得到最終決策圖FDM。FDM能夠較好地保真聚焦區(qū)與散焦區(qū)的邊界信息，并能有效地減少邊界偽影。

3 實(shí)驗(yàn)與分析

本文將所提出的方法與其他11種先進(jìn)的MFIF方法進(jìn)行了比較。其中，傳統(tǒng)方法包括DTCWT[8]、NSCT[9]、GFF[10]、ASR[5]、MWGF[11]、ICA[22]和NSCT-SR[12]；深度學(xué)習(xí)的方法包括CNN[13]、MADCNN[14]、MFF-GAN[17]和SESF[18]。實(shí)驗(yàn)在Lytro數(shù)據(jù)集[23]上進(jìn)行，并利用5個(gè)廣泛使用的客觀指標(biāo)進(jìn)行性能評(píng)估。具體而言，它們是歸一化互信息QMI[24]、非線性相關(guān)信息熵QNCIE[25]、基于梯度的度量QG[26]、基于結(jié)構(gòu)相似性的度量QY[27]、基于人類感知的度量QCB[28]。對(duì)于這些指標(biāo)，其值越大表示融合效果越好。

3.1 定性比較

各種融合方法在Lytro-1圖像對(duì)中的融合結(jié)果如圖3所示。為了進(jìn)行更好的觀察，在融合圖像中聚焦和散焦部分邊界附近的區(qū)域被放大并顯示在圖像的右下角。由圖3可知，對(duì)于DTCWT、ASR、MADCNN和MFF-GAN方法的融合圖像放大區(qū)域，在肩膀邊緣處明顯地呈現(xiàn)出不希望的偽影；MWGF方法的融合圖像在放大區(qū)域處的“高爾夫球”完全模糊了；而DTCWT、ASR、MWGF、ICA、NSCT-SR和SESF方法在融合圖像的“人物”的左手臂和“球桿”邊緣出現(xiàn)不同程度的光環(huán)和偽影?？偟貋碚f，NSCT、GFF和CNN的融合結(jié)果整體觀感較好，但在它們?nèi)诤蠄D像的放大區(qū)域可以看出整體的清晰度較低。而本文方法相比于其他方法，能夠產(chǎn)生更自然清晰的視覺效果。

圖3 針對(duì)圖像Lytro-1不同融合方法得到的融合圖像

圖4和圖5分別是各種融合方法針對(duì)Lytro-10圖像對(duì)的融合圖像與圖4中源圖像A和源圖B之間的殘差圖。它們是通過從每個(gè)融合圖像分別減去源圖像A和B而生成的差值圖像。由圖4和圖5可以觀察到，圖4和圖5呈現(xiàn)出了相似的實(shí)驗(yàn)結(jié)果。其中DTCWT、NSCT、ICA、MADCNN和MFF-GAN方法的殘差圖中呈現(xiàn)出大量的噪聲像素，這說明這些方法沒有將源圖像A和源圖像B的聚焦區(qū)域信息很好地轉(zhuǎn)移到融合圖像中。此外，由圖4和圖5還可見，來自GFF、ASR、MWGF、NSCT-SR和SESF方法的殘差圖呈現(xiàn)出較多的偽影，這意味著這些方法的融合圖像沒有在這些區(qū)域或邊界中融合足夠多的聚焦信息?？偟貋碚f，CNN方法和本文提出的方法獲得了不錯(cuò)的結(jié)果；通過仔細(xì)觀察圖4和圖5的源圖像和殘差圖，可以看出提出的方法在聚焦與散焦區(qū)域的交界處過渡得更加自然，因此本文方法可以提供更好的融合效果。

圖4 由不同融合方法得到的Lytro-10融合圖像與源圖像A之間的殘差圖

圖5 由不同融合方法得到的Lytro-10融合圖像與源圖像B之間的殘差圖

此外，有關(guān)由本文方法所得到的更多圖像融合結(jié)果如圖6所示。由圖6可知，針對(duì)廣泛使用的多聚焦源圖像對(duì)，本文方法在QT分解、最終決策圖和融合圖像等方面均取得了較好的結(jié)果，這充分地驗(yàn)證了其有效性和可行性。

圖6 提出方法的更多圖像融合結(jié)果

3.2 定量比較

表1中的結(jié)果顯示了不同融合方法在Lytro數(shù)據(jù)集的20對(duì)圖像中每個(gè)客觀評(píng)價(jià)指標(biāo)得分的平均值。對(duì)于每個(gè)指標(biāo)，性能表現(xiàn)最好的結(jié)果以粗體顯示，括號(hào)中顯示了一種方法優(yōu)于其他所有方法的圖像對(duì)的數(shù)量。由表1數(shù)據(jù)可知，在12種融合方法中，本文所提出的方法在所有指標(biāo)都顯著優(yōu)于其他融合方法。綜合考慮上述定性和定量的比較結(jié)果，它們都充分地說明了本文方法的性能總體上優(yōu)于其他方法，從而驗(yàn)證了其有效性和先進(jìn)性。

表1 不同融合方法對(duì)Lytro數(shù)據(jù)集的平均實(shí)驗(yàn)結(jié)果

3.3 計(jì)算效率的分析

表2列出了在融合2幅大小為520×520像素的灰度源圖像時(shí)，不同方法的平均花費(fèi)時(shí)間。由表2的數(shù)據(jù)可以看出，本文方法在計(jì)算效率上達(dá)到了較好的一檔。雖然本文方法的計(jì)算成本略高于某些變換域方法和一些深度學(xué)習(xí)的方法，但從定性和定量綜合評(píng)價(jià)上看，本文方法都優(yōu)于這些方法。綜上所述，本文提出的方法能夠很好地實(shí)現(xiàn)多聚焦圖像的融合。

表2 不同融合方法的平均運(yùn)行時(shí)間

4 結(jié)束語

本文提出了一種新的基于QT分解和自適應(yīng)焦點(diǎn)測度的MFIF方法。首先，根據(jù)一種新的焦點(diǎn)測度，較精確地得到了源圖像的焦點(diǎn)圖。然后，采用一種有效的QT分解策略，檢測出了源圖像的聚焦區(qū)域，構(gòu)成了初始決策圖。最后，通過對(duì)初始決策圖進(jìn)行優(yōu)化和一致性驗(yàn)證，重構(gòu)出了一幅全聚焦的融合圖像。本文方法既有效地克服了基于塊方法對(duì)塊大小敏感的問題，又基本消除了融合圖像中存在的邊界偽影，從而顯著地增強(qiáng)了融合圖像的質(zhì)量。通過對(duì)公共多聚焦圖像數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，并與11種先進(jìn)的MFIF方法進(jìn)行視覺質(zhì)量和客觀指標(biāo)比較，實(shí)驗(yàn)結(jié)果表明，本文所提出的融合方法取得了更好的性能。