.246 智能系统学报 第11卷 (e)图(a)与图3b)的差 ()图(b)与图3(b)的差(g)图(c)与图3(b)的差(h)图(d)与图3(b)的差 图5Disk图像融合实验 Fig.5 Image fusion experiment on Disk image 由于MI和Q这两种图像融合评价方法仅 表2不同融合方法的客观评价 仅衡量融合中的信息量和边缘保留量。为了对 Table 2 Objective evaluation of fused images with dif- 融合结果图像的灰度失真、结构畸变等方面进行 ferent methods 评估，本文另外采用了SSM1]和VIF20]两个指 图像 评价指标Das方法 Kumar方法 本文方法 标进行了客观评价。鉴于上述两个指标为有参 SSIM 0.9875 0.9879 0.9913 考图像评价方法，利用了的Lena、Barbara、Peppers VIF 0.9334 0.8949 0.9459 3幅测试图像，对这3幅图像的左右两个部分分 Lena MI 5.9953 6.2832 6.5310 别进行高斯模糊，结果如图6所示。对图6中3 OARF 0.6876 0.7158 0.7181 对源图像采用本文方法、Das方法和Kumar方法 SSIM 0.9957 0.9966 0.9987 分别进行融合，融合结果的客观评价结果如表2 VIF 0.9770 0.9588 0.9926 所示，由表2可知，本文方法相对于另外两种方 Barbara M 6.2859 6.6144 6.7473 法来说，不仅MI和QF这两个指标取得较大值， OARE 0.7582 0.7691 0.7734 SSIM和VIF两个指标也得到最大值。 SSIM 0.9940 0.9935 0.9941 VIF 0.9712 0.9431 0.9775 Peppers M 6.7859 7.0801 7.4432 DAWE 0.6739 0.6848 0.6876 最后，表3给出了本文提出的MNSDFB变换方 法和NSCT方法在融合不同大小图像的运行时间对 比，由于本文试验中所有源图像只有480×640、512× (a)左聚焦图像1 (b)右聚焦图像1 512两种尺寸。因此，本文只选择了Clock图像和 Lb图像进行试验。对于上述两种融合方法来说， 低频均采用了均值规则，高频均采用极大值规则。 进行实验的计算机的CPU为四核2.5GHz,内存为 4GB。实验结果表明，所提出MNSDFB变换方法相 对于NSCT方法具有更快的运算速度。 综上所述，本文的算法得到的融合图像能够有 (c)左聚焦图像2 (d)右聚焦图像2 效选择源图像中清晰区域的图像信息，对图像边缘 以及细节信息表述得更为清晰突出，图像灰度失真 和结构畸变较小，主观目视效果更好，并且也获得了 最好的客观评价指标。 表3 NSDFB与NSCT融合不同图像的运算时间对比 Table 3 Comparisons on computation time with NSDFB and NSCT method (e)左聚焦图像3 ()右聚焦图像3 图像 尺寸 NSCT方法 本文方法 图6第二组源多聚焦图像 Clock 512×512 34.73 24.74 Fig.6 The second group of source images Lab 480×640 36.20 25.54图 ５ Ｄｉｓｋ 图像融合实验 Ｆｉｇ．５ Ｉｍａｇｅ ｆｕｓｉｏｎ ｅｘｐｅｒｉｍｅｎｔ ｏｎ Ｄｉｓｋ ｉｍａｇｅ 由于 ＭＩ 和 Ｑ ＡＢ ／ Ｆ 这两种图像融合评价方法仅 仅衡量融合中的信息量和边缘保留量。 为了对 融合结果图像的灰度失真、结构畸变等方面进行 评估，本文另外采用了 ＳＳＩＭ ［ １９］ 和 ＶＩＦ ［ ２０］ 两个指 标进行了客观评价。 鉴于上述两个指标为有参 考图像评价方法，利用了的 Ｌｅｎａ、Ｂａｒｂａｒａ、Ｐｅｐｐｅｒｓ ３ 幅测试图像，对这 ３ 幅图像的左右两个部分分 别进行高斯模糊，结果如图 ６ 所示。 对图 ６ 中 ３ 对源图像采用本文方法、Ｄａｓ 方法和 Ｋｕｍａｒ 方法 分别进行融合，融合结果的客观评价结果如表 ２ 所示，由表 ２ 可知，本文方法相对于另外两种方 法来说，不仅 ＭＩ 和 Ｑ ＡＢ ／ Ｆ 这两个指标取得较大值， ＳＳＩＭ 和 ＶＩＦ 两个指标也得到最大值。 图 ６ 第二组源多聚焦图像 Ｆｉｇ．６ Ｔｈｅ ｓｅｃｏｎｄ ｇｒｏｕｐ ｏｆ ｓｏｕｒｃｅ ｉｍａｇｅｓ 表 ２ 不同融合方法的客观评价 Ｔａｂｌｅ ２ Ｏｂｊｅｃｔｉｖｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｆｕｓｅｄ ｉｍａｇｅｓ ｗｉｔｈ ｄｉｆ⁃ ｆｅｒｅｎｔ ｍｅｔｈｏｄｓ 图像 评价指标 Ｄａｓ 方法 Ｋｕｍａｒ 方法 本文方法 Ｌｅｎａ ＳＳＩＭ ０．９８７ ５ ０．９８７ ９ ０．９９１ ３ ＶＩＦ ０．９３３ ４ ０．８９４ ９ ０．９４５ ９ ＭＩ ５．９９５ ３ ６．２８３ ２ ６．５３１ ０ Ｑ ＡＢ／ Ｆ ０．６８７ ６ ０．７１５ ８ ０．７１８ １ Ｂａｒｂａｒａ ＳＳＩＭ ０．９９５ ７ ０．９９６ ６ ０．９９８ ７ ＶＩＦ ０．９７７ ０ ０．９５８ ８ ０．９９２ ６ ＭＩ ６．２８５ ９ ６．６１４ ４ ６．７４７ ３ Ｑ ＡＢ／ Ｆ ０．７５８ ２ ０．７６９ １ ０．７７３ ４ Ｐｅｐｐｅｒｓ ＳＳＩＭ ０．９９４ ０ ０．９９３ ５ ０．９９４ １ ＶＩＦ ０．９７１ ２ ０．９４３ １ ０．９７７ ５ ＭＩ ６．７８５ ９ ７．０８０ １ ７．４４３ ２ Ｑ ＡＢ／ Ｆ ０．６７３ ９ ０．６８４ ８ ０．６８７ ６ 最后，表 ３ 给出了本文提出的 ＭＮＳＤＦＢ 变换方 法和 ＮＳＣＴ 方法在融合不同大小图像的运行时间对 比，由于本文试验中所有源图像只有 ４８０×６４０、５１２× ５１２ 两种尺寸。 因此，本文只选择了 Ｃｌｏｃｋ 图像和 Ｌａｂ 图像进行试验。 对于上述两种融合方法来说， 低频均采用了均值规则，高频均采用极大值规则。 进行实验的计算机的 ＣＰＵ 为四核 ２．５ ＧＨｚ，内存为 ４ ＧＢ。 实验结果表明，所提出 ＭＮＳＤＦＢ 变换方法相 对于 ＮＳＣＴ 方法具有更快的运算速度。 综上所述，本文的算法得到的融合图像能够有 效选择源图像中清晰区域的图像信息，对图像边缘 以及细节信息表述得更为清晰突出，图像灰度失真 和结构畸变较小，主观目视效果更好，并且也获得了 最好的客观评价指标。 表 ３ ＮＳＤＦＢ 与 ＮＳＣＴ 融合不同图像的运算时间对比 Ｔａｂｌｅ ３ Ｃｏｍｐａｒｉｓｏｎｓ ｏｎ ｃｏｍｐｕｔａｔｉｏｎ ｔｉｍｅ ｗｉｔｈ ＮＳＤＦＢ ａｎｄ ＮＳＣＴ ｍｅｔｈｏｄ ｓ 图像 尺寸 ＮＳＣＴ 方法 本文方法 Ｃｌｏｃｋ ５１２×５１２ ３４．７３ ２４．７４ Ｌａｂ ４８０×６４０ ３６．２０ ２５．５４ ·２４６· 智 能 系 统 学 报 第 １１ 卷