摘  要： 針對(duì)彩色多聚焦融合圖像對(duì)比度和飽和度偏低以及色調(diào)變化緩慢問(wèn)題,，提出了一種基于HSV空間的圖像融合算法。首先對(duì)源圖像進(jìn)行RGB到HSV空間的變換,，分離H,、S、V分量,；然后對(duì)亮度分量進(jìn)行小波分解,，小波尺度系數(shù)采用塊自適應(yīng)加權(quán)融合，而高頻系數(shù)采用塊絕對(duì)值取大的融合規(guī)則之后進(jìn)行小波逆變換得到融合圖像亮度分量,；而色調(diào)分量與飽和度分量的獲取,，則是根據(jù)源圖像與融合圖像之間亮度分量的歐氏距離；最后進(jìn)行HSV逆變換得到融合圖像,。實(shí)驗(yàn)結(jié)果表明,，該算法有效提高了圖像的對(duì)比度、飽和度以及色調(diào)變化速度,。
關(guān)鍵詞： 彩色圖像,；圖像融合；彩色空間變換,；塊處理

     人類(lèi)視覺(jué)對(duì)色彩的敏感度和分辨率遠(yuǎn)高于灰度,，彩色圖像融合受到廣大學(xué)者的關(guān)注[1-2]。彩色多聚焦圖像融合通過(guò)處理聚焦于不同目標(biāo)的多幅源圖像,，得到一幅各個(gè)目標(biāo)都清晰的圖像,，有效提高了信息利用率，增強(qiáng)了目標(biāo)識(shí)別性,，廣泛應(yīng)用于數(shù)碼相機(jī),、機(jī)器視覺(jué)及目標(biāo)識(shí)別等領(lǐng)域。
    圖像融合分為像素級(jí),、特征級(jí)和決策級(jí)3個(gè)層次[3],。自1979年Daliy等人首次融合雷達(dá)圖像和Landsat-MT圖像發(fā)展至今，像素級(jí)融合形成了兩種研究路線(xiàn)：空間域(時(shí)間域)融合和多分辨分析(變換域)融合,。多分辨率分析因其分解過(guò)程與人類(lèi)視覺(jué)多通道特性相契合,，可獲得更符合視覺(jué)特性的融合效果而成為研究熱點(diǎn)[4-5],。本文針對(duì)灰度融合算法應(yīng)用于彩色圖像存在的問(wèn)題，提出一種基于HSV空間的彩色圖像融合新算法,。
1 彩色空間變換
　彩色與灰度圖像的根本區(qū)別是：彩色圖像像素點(diǎn)用矢量表示,，而灰度圖像像素點(diǎn)只用一個(gè)標(biāo)量表示。目前彩色圖像處理多數(shù)仍基于單色技術(shù),，忽略彩色分量間的聯(lián)系,，將灰度處理技術(shù)分別作用于各分量。于是選擇合適的彩色空間成為彩色圖像處理的重要前提,。
    RGB空間基本囊括了人類(lèi)視覺(jué)能感知的顏色,，但是各分量間相關(guān)性強(qiáng),該空間下融合的圖像飽和度偏低。HSV是目前最符合人類(lèi)視覺(jué)感知的模型,，H,、S、V分別代表色調(diào),、飽和度和亮度,。色調(diào)即顏色屬性，用角度度量,，取值范圍是0°~360°,；飽和度代表顏色純凈程度，亮度表示圖像明亮程度,，是對(duì)灰度的衡量,，它們的范圍都是0~1。RGB到HSV的轉(zhuǎn)換表達(dá)式為：

    Mallat算法的可逆性實(shí)現(xiàn)了圖像的小波分解與重構(gòu),。低頻分量頻率分辨率高而時(shí)間分辨率低,，高頻分量頻率分辨率低而時(shí)間分辨率高；低頻系數(shù)反映圖像輪廓信息,，高頻系數(shù)反映圖像細(xì)節(jié),，采用不同的融合規(guī)則可以提高信息利用率。
2.2 融合規(guī)則分析
    融合規(guī)則是影響融合圖像質(zhì)量的關(guān)鍵,，圖像信息一般同時(shí)來(lái)自相鄰的幾個(gè)像素點(diǎn),，因此分塊處理可比單像素處理獲得更多有效信息。分塊太小不能包含像素點(diǎn)的有效信息,，太大則會(huì)引入干擾信息,，經(jīng)仿真實(shí)驗(yàn)可知，圖像在5×5分塊時(shí)獲得的信息最大,。
　低頻系數(shù)決定了圖像整體輪廓,，合理地選擇可提高圖像視覺(jué)質(zhì)量。平均法能有效消除噪聲,，卻犧牲了對(duì)比度,。BURT P J曾提出平均與選擇相結(jié)合的算法[6],，但匹配矩陣的計(jì)算過(guò)程復(fù)雜;晁銳提出基于邊緣的選擇方案[7],，融合圖像細(xì)節(jié)保留更為豐富,，計(jì)算時(shí)卻需要3個(gè)模板算子參與卷積，運(yùn)算復(fù)雜,。為消除噪聲,，降低運(yùn)算量，同時(shí)盡可能少地犧牲對(duì)比度,，本文提出基于塊的自適應(yīng)加權(quán)規(guī)則,。將圖像I(x,y)的小波系數(shù)劃分為若干個(gè)大小為m×n的子塊，CA,k,、CB,k和CF,k分別表示源圖像A,、B和融合圖像F的第k個(gè)子塊的低頻系數(shù)，SA,k,、SB,k表示源圖像A,、B第k個(gè)子塊系數(shù)絕對(duì)值之和。低頻系數(shù)融合算法為：

    (4)得到HSV空間的彩色圖像后進(jìn)行HSV逆變換,， 獲得各個(gè)目標(biāo)都清晰的RGB空間融合圖像,完成彩色多聚焦圖像融合,。
3 實(shí)驗(yàn)結(jié)果和評(píng)價(jià)
3.1 融合結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)選取
    一般采用主觀與客觀相結(jié)合的方式對(duì)融合圖像進(jìn)行質(zhì)量評(píng)價(jià)[8]。主觀評(píng)價(jià)對(duì)圖像全局效果進(jìn)行評(píng)定,，簡(jiǎn)單快捷,，但容易因個(gè)體差異而出現(xiàn)評(píng)價(jià)不一的情況，常作為輔助參考,?？陀^評(píng)價(jià)是進(jìn)行定量分析，被作為算法性能比較的參考指標(biāo),?；叶榷嗑劢谷诤蠄D像常用的客觀評(píng)價(jià)指標(biāo)有平均梯度、方差,、空間頻率和交叉熵,，而本試驗(yàn)對(duì)象為彩色圖像，對(duì)空間頻率進(jìn)行擴(kuò)展,，同時(shí)引入了平均飽和度,。為方便表述，進(jìn)行以下定義：M,、N表示圖像行,、列像素?cái)?shù)，V(x,y),、H(x,y),、S(x,y)依次表示點(diǎn)(x,y)處的亮度,、色調(diào)、飽和度,，L表示灰度級(jí)數(shù),，pA(i)、pB(i),、pF(i)表示第i灰度級(jí)的概率,，亮度分量在計(jì)算時(shí)已將其調(diào)整至0~255。
    平均梯度反映圖像微小細(xì)節(jié)部分的反差與紋理變換特征,，值越大圖像越清晰,。計(jì)算公式為：

3.2 實(shí)驗(yàn)分析
    本實(shí)驗(yàn)圖像配準(zhǔn)和融合均在MATLAB R2010b環(huán)境下進(jìn)行，原始圖像由佳能EOS 550D單反相機(jī)拍攝而得,，圖像大小為768×512,。實(shí)驗(yàn)進(jìn)行了3組仿真：第1組是在RGB空間下采用參考文獻(xiàn)[7]中低頻系數(shù)取平均，高頻系數(shù)絕對(duì)值取大的融合規(guī)則,；第2組在HSV空間下采用與第1組相同的融合規(guī)則,；第3組是在HSV空間下采用本文提出的算法。3組仿真均選取bior2.2小波基,。經(jīng)仿真比較發(fā)現(xiàn),前兩組在兩層分解時(shí)融合效果最佳,，而第3組在3層分解時(shí)融合效果最佳。源圖像和3組最佳融合效果圖如圖1所示,。
    從圖1可以看出：圖1(d)質(zhì)量最差,，說(shuō)明對(duì)顏色信息進(jìn)行多分辨分析會(huì)引起色調(diào)失真而且還會(huì)產(chǎn)生“色斑”；圖1(c),、圖1(e)模糊區(qū)域清晰度均得到提高,，但是與源圖像清晰部分相比,融合圖像卻是模糊的。比較3幅圖發(fā)現(xiàn)圖1(e)左邊字體更清晰,，可見(jiàn)本文所提出的融合算法具有一定的優(yōu)勢(shì),。為客觀地進(jìn)行比較，將源圖像和3組融合圖像的客觀評(píng)價(jià)指標(biāo)列于表1中,。

    從表1可以看出,，采用新提出算法的第3組實(shí)驗(yàn)梯度、方差,、空間頻率,、交叉熵優(yōu)于另外兩組實(shí)驗(yàn)，飽和度則介于兩者之間,且優(yōu)于第1組RGB空間融合19.516 5%,。
    本文簡(jiǎn)單介紹了HSV顏色空間及小波變換,，通過(guò)實(shí)驗(yàn)驗(yàn)證圖像灰度信息和顏色信息分離處理的合理性，提出一種彩色多聚焦圖像融合算法：亮度分量進(jìn)行小波多分辨分析,，而色調(diào)與飽和度分量則采用歐氏距離法,。經(jīng)MATLAB仿真可知,，本文算法有效改善了彩色圖像融合中圖像色調(diào)變化緩慢、對(duì)比度及飽和度偏低的問(wèn)題,。
參考文獻(xiàn)
[1] NUNEZ J,OTAZU X,FORS O,et al. Multiresolution-based  image fusion with additive wavelet decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999,37(3):1204-1211.
[2] 李光鑫,，徐抒巖，董吉洪. 結(jié)構(gòu)優(yōu)化型顏色傳遞融合方法[J].電子學(xué)報(bào),，2011,39(1)：213-218.
[3] 毛士藝,，趙巍. 多傳感器圖像融合技術(shù)綜述[J]. 北京航空航天大學(xué)學(xué)報(bào),，2002,，28(25)：512-518.
[4] 施文娟.基于NSCT的自適應(yīng)多聚焦圖像融合算法[J].微型機(jī)與應(yīng)用，2012,，31(19)：45-47.
[5] 高穎,，王阿敏，王鳳華,，等.改進(jìn)的小波變換算法在圖像融合中的應(yīng)用[J].激光技術(shù),，2013,37(5)：690-695.
[6] BURT P J, KOLCZYNSKI R J. Enhanced image capture through fusion[C]. Proceedings of 4th International Conference on Computer Vision, 1993:173-182.
[7] 晁銳， 張科,， 李言俊. 一種基于小波變換的圖像融合算法[J].電子學(xué)報(bào),，2004,32(5)：750-753.
[8] 南棟，畢篤彥,，查宇飛,，等.基于參數(shù)估計(jì)的無(wú)參考型圖像質(zhì)量評(píng)價(jià)算法[J].電子與信息學(xué)報(bào)，2013,35(9)：2066-2072.