图像融合在微体古生物分析领域的研究与应用张龙，滕奇志，唐棠，任磊，罗代升ZHANGLong，TENGQi-zhi，TANGTang，RENLei，LUODai-sheng四川大学电子信息学院，成都School ofElectronics andInformationEngineering，SichuanUniversity，Chengdu，ChinaE-mail：zaohua—long@163．cornZItANGLong，TENGQi—zlli，TANGTang，et a1．Research and application of image fusion in field of micropaleontology analysis．ComputerEngineering andApplications，2009。45(5)：239-242．Abstract：An image fusion method based onHSI transform andLaplace decomposition is proposed for multi-focus micropaleon— tology image fusion．Firstly images to be fused are transfomaed intoHSI，then the，component is decomposed by usingLaplacian．The high-frequency and low-frequency images are fused respectively based onRobert grads and region weighted average．Last the fused image is obtained by inversingHSI transformation．The fusion structure is also considered during the process．The experimen— tal resuhs show that the proposed method is not only efficient，but also superior to the other methods mentioned in this paper according to some image evaluating standards．Key words：micropaleontology；image fusion；HSI transform；Laplace decomposition；fusion structure摘要：针对多聚焦微体古生物图像的融合，提出了基于HSI变换和Laplace分解的融合方法。首先对待融合的图像进行HSI变换，用Laplace算子对图像的，分量进行多级分解，分解后的低频分量和高频分量分别采用基于Robert梯度和区域加权均值的融合规则进行融合，最后再进行HSI反变换得到融合图像。在融合过程中，同时考虑了融合结构的影响。实验结果表明，该方法不但高效，而且根据多种图像评价标准，融合图像均优于文中提到的其他方法。关键词：微体古生物；图像融合；HSI变换；Laplace分解；融合结构DOI：10．3778／j．issn．1002—8331．2009．05．070文章编号：1002—8331(2009)05—0239—04文献标识码：A中图分类号：TP3911引言古生物是指在地质历史时期，在地球上生存过的各类生物，一般已经绝灭，它们的少量遗体和遗迹形成化石保存在地层中。通过对保存于地层中的各类化石的形态、结构、生态、分类、演化及地史分布等特征的分析，可以了解地质历史上生物的形态、构造和活动情况。对各种古生物进行分类，可以认识生物的演化关系；依据地层中所含化石，可以断定地层的层序，生物演化的不可逆|生和阶段性，使这种判断具有可靠的根据；古生物的分布和生活习性，还反映出当时地理环境的特点。特别地，在油气地质勘探的基础性工作研究领域，关于孢粉、轮藻、介形类和牙形石等微体化石的研究，对进行含油气盆地的地层分析、沉积环境分析与古气候分析等具有十分重要的基础理论研究意义和实用价值。现代微体古生物学通常借助光学显微成像技术获得样本的显微图像以便存储与分析。由于所使用的光学系统受到景深小的物理性能限制，加之样本自身表面不平整或者样本薄片磨制有一定的厚度，纵向变化范围较大，在成像时，同一视场的物体不在同一聚焦平面，难以使各个层面都清晰，且增大放大倍数时更加明显。为了解决传统光学显微镜成像时高倍数与大景深不能共存的矛盾，获得清晰的全景深显微图像，可以采用图像融合的方法。图像融合是当前图像处理技术研究的一个热点，目的是将不同源或不同焦的两幅或多幅图像的有用信息在一幅图像中表现出来【l】。景深扩展便是针对多聚焦显微图像融合而发展起来的一项技术。通过对同一对象进行变焦多帧显微图像采集，然后进行景深扩展，即提取这些图像的清晰部分，合成出一幅全局清晰的图像，实现多聚焦显微图像的融合。图像融合可分为3个层次：像素级融合、特征级融合和决策级融合。像素级融合是对原始图像数据直接进行融合，可以保持尽可能多的细微信息。本文针对多聚焦微体古生物图像展开像素级融合研究。在像素级融合中的方法主要有加权平均法、HSI变换法、Laplacian金字塔算法和小波变换法等[21。加权平均法是最简单的多聚焦图像融合方法，但是融合结果的清晰度和对比度不高。近年来小波变换以其良好的时频分析特性在图像融合领域得到了人们的关注。虽然该方法融合效果相对比较理想，但其分解重构实际是一个高通和低通滤波的过程，与Laplacian金字塔算法类似，多尺度分解过程进行了下采样，不可避免地在一定程度上丢失了原始图像的一些边缘信息，从而使融合图像作者简介：张龙(1984一)，男，硕士研究生，主要研究方向：数字图像处理；滕奇志(1961一)，通信作者，女，博士，教授，主要研究方向：数字图像处理、模式识别、计算机应用、生物医学图像等。收稿日期：2008—01—04修回13期：2008—04—，45(5)ComputerEngineering andApplications计算机工程与应用出现明显的边缘失真闭。为此，本文提出了一种非下采样的多级∥i√)分解方法，即拉氏多级分解方法，在其基础上进行多聚焦微体古生物图像融合。文中所述的融合过程和融合算法均是假定待融合图像已经配准。2多聚焦微体古生物图像融合算法首先对已配准的待融合的全彩色图像进行HSI变换；再对变换后的，分量进行拉氏多级分解；分解后的不同分量，选用不同的融合规则，即低频图像根据Robert算子得到的梯度值绝对值进行融合，各级高频图像按照区域加权绝对值进行融合；最后通过HSI反变换得到融合后的图像。具体过程如图l所示。图1融合算法原理框图2．1彩色图像HSI变换全彩色图像的数据量比较大，直接在RGB空间处理会占用较多的运算资源。当人观察一个彩色物体时，用色调(H)、饱和度(s)和亮度(I)来描述一个彩色物体更符合人眼的视觉特性(4】。将彩色图像从RGB空间变换到HSI空间，日、s分量仅仅表征了图像的色彩信息，，分量则包含了图像的纹理和细节信息。只对图像的，分量进行分解融合，再进行反HSI变换得到融合结果。这样既尽可能地保持了融合后图像的色彩信息，又减少了运算量，提高了融合的效率。将图像的RGB分量转换为H、s和，分量，转换公式如下：日：『?日≤G(1)日={(1)【360—0B>G f旦『(R—G)+(尺一B)11此处，0=arccos{兰：：} l[(只一G)2+(R—G)(G一曰)]1彪J5=1一了赤甜rain(R，G，日)](2)，=当(尺+G+B)(3) j2．2拉氏分解与重构，近年来，诸多图像融合的研究和实验结果均表明：在频率域比直接在空间域对图像进行融合可取得更好的结果。主要方法都是将图像的高频与低频分离开来，分别进行融合然后再重构出结果图像。问题的关键就是如何更有效地提取出图像的高频和低频成分，同时又不丢失其他信息。高频和低频的分离其实就是一个高通和低通的滤波过程。拉普拉斯算子是一个各向同性的高通滤波器，其滤波器响应与滤波器作用的图像的突变方向无关【4】，并且操作简单，运算量小。因此可以使用拉普拉斯算子提取出图像的高频分量，再用原图减去高频分量，即可得到图像的低频分量。继续对图像的低频分量进行分解，可实现拉氏多级分解。按照相反过程，即可实现图像的重构。以三级拉氏分解与重构为例，过程如图2所示。八i√)表示原图第i行j列的像素值，hk(i，j)、lk(i,j)分别表示第％级拉氏分解的高频和低频图像第i行i列的像素值。 hk'(t纵如‰，j)分别表示按照一定的融合规则融合得到的第k厂—■—]1一竺剑叫可习__而LJ12(i，，)h—h3(i√)}L一／3(i√)(a)分解一一恒!!兰!h+，7(吲)匦丑r匪匦丑T型而一(b)重构图2Laplace三级分解与重构级高频和低频图像的第i行．j列的像素值，．厂’(i，．j)则表示重构后的图像第i行J列的像素值。与小波多尺度变换和Laplace塔式分解不同，拉氏分解各级图像大小一致，分解过程不存在下采样，有效地避免了由于下采样所造成的边缘信息丢失的问题。文中，使用的二维拉普拉斯算子为：V净趴i，，)砜i-1，j-1)矾i-1√)砜i-1，j+1)-f(i，j一1)一八i，j+1)-Ai+1，j-1)欹i+1，，)书i+1，j+1)(4)式(4)所用的滤波器掩模如图3所示。田(d)第三级高频图像(e)第三级低频图像(f)重构图像图4蕨类植物孢粉硅微图像的拉氏三级分懈与重构2．3融合结构图像融合的结果不仅跟融合算法有关，还跟融合结构有关IS]。融合结构大致可分为层次融合结构、总体融合结构和两者相结合的融合结构。如图5所示，层次融合结构按照一定的顺序，每次只有两幅图像被融合；而总体融合结构一次可以融合多幅图像。当待张龙，滕奇志，唐棠，等：图像融合在微体古生物分析领域的研究与应用(a)层次融合结构(b)总体融合结构图5融合结构原理框图融合图像只有两幅时，两者并无区别。多聚焦显微图像一般都需要采集多幅图像，所以应该而且必须考虑到融合结构对融合结果的影响。2．4融合规则分解得到的高频图像和低频图像，由于高频成分包含了原图的细节信息，而低频成分包含了图像的亮度信息，是原图的近似，可以按照高频和低频的不同特性采用不同的融合规则分别进行融合，重构出结果图像。2．4．1低频分量的融合分解的低频分量，包含了原图的亮度信息，它相当于原图的近似，拥有原图的大部分能量。传统的对低频成分采用的求平均值的融合方法没有充分利用低频成分中的有用信息，因而不能取得很好的效果。考虑到人眼的视觉特性，文中采用Robert交叉梯度算子衡量低频图像的清晰度。低频图像像素点 f(i，i)处的梯度Grad㈦i i)定义为：Grad(i，，)=1l(i+1，j+1)一l(i，j)l+ll(i+l，，)一l(i，j+1)I(5)根据像素点处的梯度值的大小Grad(i，i)进行融合，融合规则如下： f“(i√)Grad“(i，J)≥Grad“(i，J)+ThL(i，j)=妒(i，J)Grad“(i√)≤Grad“(i，j)一弛(6)【(f”(i√)+驴(!√))／2 otherwise其中，豫为阈值参数，是个经验因子。2．4．2高频分量的融合图像的高频分量包含了图像的细节部分，高频分量越大，图像在该处的边界越清晰。文中采用基于区域的高频分量绝对值加权作为衡量标准。高频图像h㈦i j)处的权重因子定义如下： w(i，．7)=jj业正L一(7)2。l^(i+x√+石)I其中，区域的窗口大小为(2x／+1)x(2x／+1)，文中取1=1。可得以 h(i，i)为中心的8邻域加权和为： sum(i,j)=艺w(i+x，j+x)+Ih(i+x√+并)l(8)融合规则如下：嘶)=鬻∥纛“√净5啪吖‘"(9)3融合效果的客观评价图像融合结果的好坏，除了通过主观观察外，还经常选用以下通用的i平价标准客观、定量地评价[61：3．1熵图像熵值的大小反映了图像所包含的平均信息量的多少。熵值越大，携带的信息越多，说明融合效果也相对越好。图像的熵定义为：L—lH=-艺P。logp；(10) i=0其中P：为图像第i级灰度值的概率密度，L为图像的总的灰度级。3．2标准差．图像的标准差反映了各像素灰度相对于该图像灰度均值的离散情况。标准差越大，则图像的对比度越大，图像包含更多的细节、纹理和边缘信息。标准差STD定义如下：其中，肘、Ⅳ分别为图像的行数和列数Z、，表示图像(i，，)处像素点的灰度值，尹是图像的灰度均值。3．3平均梯度平均梯度反映了图像中的微小细节反差与纹理变化特征，通常用它来评价图像的清晰度。平均梯度越大，图像就越清晰。平均梯度计算方法如下：否：赢薯薯＼／鼍生△t：弧i+1，，)-f(i√)(12)△厶可(i，j+1)砜i，j)其中，M、，v分别为图像的行数和列数以i，j)为图像(i，，)处像素点的灰度值。4实验结果及分析4．1不同的分解级数与不同的融合结构用图6所示的裸子植物的三幅显微图像作为融合对象。三幅图像均有不同程度的失焦现象，第一幅图像右边小部分比较模糊，第二幅图像整体均比较模糊，而第三幅图像除中间部分和左边边缘模糊外，其他地方均比较清晰。掣穆?!蠹图6不同聚焦的裸予植物显微图像对上述三幅图像进行1、2、3级拉氏分解，分别使用层次融合结构和总体融合结构，按照前面所述的融合规则进行融合。结果图像如图7所示。由表1可见，当分解级数相同时，层次融合结构比总体融表l不同分解级数与融合结构的结果评价标准参数统计一一了一霉√V