基于高阶奇异值分解与梯度-奇异值活动度量的多焦点图像融合方法

《Systems and Soft Computing》：Gradient-singular value duality and its application in multi-focus image fusion via HOSVD and CNN

　　

摘要

多焦点图像融合旨在将同一场景的部分聚焦图像整合为一张全局清晰的融合图像。然而，现有方法面临两个根本性挑战：（1）在复杂场景中准确区分清晰区域与模糊区域；（2）在融合结果中保持锐利的边缘细节和结构连贯性，因为基于单一特征的常规活动度量往往无法充分捕捉图像结构的丰富信息。为应对这些挑战，本文提出了一种新型多焦点图像融合框架，该框架集成了高阶奇异值分解（HOSVD）、梯度-奇异值（GSV）活动度量以及卷积神经网络（CNN）。具体而言，HOSVD用于以完全数据驱动的方式捕捉图像块之间的高阶结构相关性，从而实现无需人工调参的精确纹理提取。所提出的GSV度量通过将方向梯度信息与奇异值分解相结合，联合刻画局部边缘强度和全局结构显著性，有效地区分清晰区域与模糊区域并保持结构连贯性。随后引入一个轻量级CNN，对HOSVD-GSV特征表示执行自适应深度融合与重建，生成具有增强边缘细节的融合图像。在三个公开多焦点数据集上的大量实验表明，所提方法始终优于九种最先进的方法，在全面的主客观评价指标上均取得了更优的性能，同时具备良好的主观视觉效果。

宋智军 | 刘芳 | 张文凯 | 朱会生 | 白鲁锋