本发明专利技术涉及一种利用多尺度形态学特征的图像清晰度度量方法，它包括以下步骤：1：利用高帽变换通过多尺度结构元素分别提取图像的多尺度亮特征和暗特征；2：利用提取的多尺度亮特征和暗特征计算综合多尺度特征的最终亮特征和暗特征；3：通过最大值运算由最终亮特征和暗特征得到用于清晰度计算的最终多尺度特征；4：计算最终多尺度特征的灰度均值，并将之作为图像清晰度的度量。本发明专利技术不仅可以正确度量图像的清晰度，而且对清晰度的变化更为敏感，具有更好的清晰度分辨能力，本发明专利技术可以广泛应用于各类基于图像的应用系统，具有广阔的市场与应用价值。
【技术实现步骤摘要】
本专利技术涉及，属于数字图像处理领域，它主要涉及数学形态学和图像清晰度度量技术。并在各类基于图像的应用系统中有广阔的应用前景。
技术介绍
清晰的图像是大量基于图像的应用的关键，尤其是在基于图像的自动化应用领域，图像清晰度的自动判断至关重要。一个有效的图像清晰度度量应该不仅能够正确地度量图像的清晰度，而且能够对图像清晰度的变化具有良好的分辨能力。为了能够有效地度量图像的清晰度，研究人员提出了各种图像清晰度度量。标准差是衡量图像灰度变化的重要指标，也可以用来衡量图像的清晰度。不过，标准差对图像清晰度的变化不敏感。基于熵的度量也被用于度量图像的清晰度。参见文献白相志等，利用多尺度中心环绕高帽变换提取图像区域的红外与可见光图像融合，光学快讯，19卷，(2011)8444-8457. (Xiangzhi Bai,Fugen Zhou,Bindang Xue. Fusion of infrared and visual images through region extraction by using multi scale center-surround top-hat transform. Optics Express 19(2011)8444-8457)但是，其对图像清晰度的变化仍然不够敏感，而且图像大小对基于熵的度量也会产生影响。利用图像灰度的空间分布信息是构造图像清晰度度量的有效方法。线形模糊度是其中的一种度量，参见文献莱锐等，基于红外图像增强的利用隐性直方图的量化度量，光学通讯，16(2) (2007)310-316。(Rui Lai,Yin-tang Yang,Bing-jian Wang, Hui—xin Zhou, A quantitative measure based infrared image enhancement algorithm using plateau histogram, Optics Commun. 283 OOIO) 4283-4288)但该度量同样对图像清晰度变化的响应不够灵敏。平均梯度，参见文献王伟杰等，基于小波变换的图像融合方法，图像图形杂志，6(11M2001) 1130-1136。(ffeijie Wang，Ping Tang, and Chongguang Zhu, A Wavelet Transform Based Image Fusion Method, Journal of Image and Graphics 6(11) (2001) 1130-1136)和空间分辨率，参见文献埃斯兰塔斯等，变焦含噪声图像融合准则比较，光学通讯，282 0009)3231-3242。(V. Aslantas and R. Kurban, A comparison of criterion functions for fusion of multi-focus noisy images,Optics Communications 282(2009)3231-3242)是两个有效的图像清晰度度量。但是，这两种度量不能很好利用低对比度的图像梯度信息，使得其对图像清晰度的变化不够敏感。事实上，清晰的图像通常包含丰富的图像细节信息，这些细节信息是图像清晰度度量的重要可用特征。合理地提取这些重要的图像特征是构造有效图像清晰度度量的关键。而形态学的高帽变换是提取图像特征的重要工具，可有效提取图像中的有用特征，参见文献塞瓦等，图像分析与数学形态学，科学出版社，纽约，1982。(J. Serra, Image Analysis and Mathematical Morphology, Academic Press, New York, 1982)同 ，ilil禾Uffi度理论，参见文献杰克维等，多尺度形态学膨胀腐蚀的尺度空间特性，美国电子电气工程师协会模式分析与机器智能汇刊，18(1996)38-51。(P. Jackway，M. Deriche, Scale-spaceproperties of the multiscale morphological dilation-erosion, IEEE Transactions on Pattern Analysis and Machine Intelligencel8(1996)38-51)形态学高帽变换可以提取图像中的多尺度信息。合理利用这些多尺度信息不仅可以构造有效的图像清晰度度量， 而且能够提高清晰度度量对图像清晰度变化的分辨能力。为了构造更加有效的图像清晰度度量并提高其对图像清晰度变化的分辨能力，基于形态学多尺度高帽变换，本专利技术提出了。
技术实现思路
图像清晰度度量是基于图像的各种应用中的重要关键技术，虽然现有的各种度量方法比较有效，但现有的度量方法对图像清晰度的变化不够敏感，其对图像清晰度变化的分辨能力还不够好，不能被有效应用于对清晰度要求较高的场合，如显微镜自动聚焦、图像增强与融和效果的自动判定等。为了解决上述问题并弥补传统方法的不足，本专利技术提出了。本专利技术的技术方案如下，首先，利用高帽变换通过多尺度结构元素分别提取图像的多尺度亮特征和暗特征；然后，利用提取的多尺度亮特征和暗特征计算综合多尺度特征的最终亮特征和暗特征；其次，通过最大值运算由最终亮特征和暗特征得到用于清晰度计算的最终多尺度特征；最后，计算最终多尺度特征的灰度均值，并将之作为图像清晰度的度量。本专利技术，它包含以下具体步骤步骤一提取多尺度亮、暗特征设用于特征提取的尺度数为n，则有η个尺度的结构元素B1, B2,...，Bn参与计算， Br B, B,... B1 ‘^ ^no利用高帽变换提取每个尺度i (1彡i彡η)下原始图像f中dilation i times的多尺度亮区域(WFi)和暗区域(BFi)如下WFi (X，y) = f (x, y) -f 〇 Bi (χ, y)，BFi (χ, y) = f · Bi (x，y)-f (x，y)。其中，ρΒ={/ΘΒ、 Β, f*B=(f E)eB， f B=max(f(x-u,y-v)), ^5=^1^^+^+1^0，眷，@和0分别为形态学开、闭、膨胀和腐蚀运算符号；(X，y)和 (u，ν)分别为图像f和结构元素Β的像素坐标。步骤二 计算综合多尺度特征的最终亮特征和暗特征按下式计算综合所有η尺度特征的最终亮特征(FWF)和暗特征(FBF) 「00141 FWF= max [WF7),LJOSiSn 1‘FBF= max [BF1}。」OSiSn v ，步骤三计算最终多尺度特征按下式通过最大值运算由最终亮特征(FWF)和暗特征(FBF)获取用于清晰度度量的最终多尺度特征(FIF)FIF = max {FWF, FBF}。步骤四计算清晰度度量按下式将最终多尺度特征(FIF)的均值作为图像的清晰度度量(MCM) MCM = mean {FIF)。本专利技术的优点及功效在于本专利技术利用多尺度高帽变换有效提取图像中的多尺度特征，为构造更好的清晰度度量提供了更多的可用信息；通过合理组合多尺度特征并利用其最终特征的均值作为度量值可以有效利用提取的多尺度特征中的有用信息。因此，由于本专利技术可以有效提取更多有用信息并合理利用这些有本文档来自技高网...
【技术保护点】
ｗ）?（／ｍａｔｈ））ｍｅａｎ（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｙ（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｕｎｄｅｒ）?（ｍｏ）｛（／ｍｏ）?（ｍｉ）ＦＩＦ（／ｍｉ）?（ｍｏ）｝（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（／ｍｒｏ度特征即ＦＩＦ：ＦＩＦ＝ｍａｘ｛ＦＷＦ，ＦＢＦ｝；步骤四：计算清晰度度量按下式将最终多尺度特征即ＦＩＦ的均值作为图像的清晰度度量即ＭＣＭ：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）ＭＣＭ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｕｎｄｅｒ）?（ｍｉ）ＢＦ（／ｍｉ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）｝（／ｍｏ）?（ｍｏ）；（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）步骤三：计算最终多尺度特征按下式通过最大值运算由最终亮特征即ＦＷＦ和暗特征即ＦＢＦ获取用于清晰度度量的最终多尺（ｍｉ）ｍａｘ（／ｍｉ）?（ｍｒｏｗ）?（ｍｎ）０（／ｍｎ）?（ｍｏ）＆ｌｅ；（／ｍｏ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＆ｌｅ；（／ｍｏ）?（ｍｉ）ｎ（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｕｎｄｅｒ）?（ｍｏ）｛（／ｍｏ）?（ｍｓｕｂ）?（ｍｉｕｂ）?（ｍｉ）ＷＦ（／ｍｉ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）｝（／ｍｏ）?（ｍｏ），（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）ＦＢＦ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｕｎｄｅｒ）?ｕｎｄｅｒ）?（ｍｉ）ｍａｘ（／ｍｉ）?（ｍｒｏｗ）?（ｍｎ）０（／ｍｎ）?（ｍｏ）＆ｌｅ；（／ｍｏ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＆ｌｅ；（／ｍｏ）?（ｍｉ）ｎ（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｕｎｄｅｒ）?（ｍｏ）｛（／ｍｏ）?（ｍｓ（ｕ，ｖ）分别为图像ｆ和结构元素Ｂ的像素坐标；步骤二：计算综合多尺度特征的最终亮特征和暗特征按下式计算综合所有ｎ尺度特征的最终亮特征即ＦＷＦ和暗特征即ＦＢＦ：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）ＦＷＦ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍ≤ｉ≤ｎ）下原始图像ｆ中的多尺度亮区域即ＷＦｉ和暗区域即ＢＦｉ如下：ＷＦｉ（ｘ，ｙ）＝ｆ（ｘ，ｙ）－ｆ○Ｂｉ（ｘ，ｙ），ＢＦｉ（ｘ，ｙ）＝ｆ●Ｂｉ（ｘ，ｙ）－ｆ（ｘ，ｙ）；其中，○，●，和分别为形态学开、闭、膨胀和腐蚀运算符号；（ｘ，ｙ）和１．一种利用多尺度形态学特征的图像清晰度度量方法，其特征在于：该方法包括以下具体步骤：步骤一：提取多尺度亮、暗特征设用于特征提取的尺度数为ｎ，则有ｎ个尺度的结构元素Ｂ１，Ｂ２，．．．，Ｂｎ参与计算，１≤ｉ≤ｎ；利用高帽变换提取每个尺度ｉ（１...
【技术特征摘要】
【专利技术属性】
技术研发人员：白相志，周付根，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。