CN106897999A - 基于尺度不变特征变换的苹果图像融合方法 - Google Patents

Abstract

本发明公开了一种基于尺度不变特征变换的图像融合方法，主要解决苹果质量无损检测的问题。其实现步骤是：1)利用非下采样轮廓波变换NSCT将待融合图像分解为低频子带和高频子带；2)对低频子带利用尺度不变特征变换SIFT寻找到特征描述子并记录下每个特征描述子在低频子带中的位置，利用特征描述子构造了一种内容匹配度指标；3)利于一种基于内容匹配度的混合融合策略来融合低频子带，利用绝对值取大的融合策略实现高频子带系数的融合；5)利用非下采样轮廓波逆变换生成融合图像。本发明能充分融合红外与可见光苹果图像的有用信息，有效保护源图像细节，改善视觉效果，相比传统的融合方法极大地提高了融合图像的质量，能够有效的实施苹果的无损质量检测。

Description

基于尺度不变特征变换的苹果图像融合方法

技术领域

本发明涉及一种基于尺度不变特征变换的苹果图像融合方法，是水果质量无损检测技术领域的一项融合方法，在水果品质检测中有广泛地应用。

背景技术

由于单幅图像所含的信息有限，往往无法满足实际的应用。为了更好的获取信息，图像融合技术于二十世纪七十年代被提出。图像融合是一种将多个传感器采集到的关于同一场景的图像经过融合算法的处理合成一幅图像的技术，融合后的图像能有效的结合多幅待融合图像的优点，从而更适合人的视觉感知。近年来，图像融合在军事侦察、医疗诊断和遥感等领域有了广泛的应用。

我国作为一个苹果生产大国，高效的苹果质量检测是很重要的。传统的苹果质量检测的方法为人工目测、抽样切片或仅用可见光图像分析，这些分级的方法存在误判率高、不具备无损性、不具备直观性等缺点。考虑到苹果的可见光图像可以清晰地显示表皮上的纹理和缺陷信息，而红外图像可以显示苹果内部的缺陷，采用图像融合技术可以将两种图像中的信息进行整合，从而改善苹果质量检测中的识别精度与可靠性。因此，本发明设计了一种基于尺度不变特征变换的图像融合方法将苹果的红外与可见光图像融合进行融合，融合图像用于辅助苹果质量的无损检测，从而提高苹果品质把关水平。

图像融合的方法通常可以分为空域融合和频域融合两大类。空域融合效率高但是存在空间扭曲的问题，频域融合速度较前者慢，但可以较好的解决上述问题。考虑到计算机性能提升较快，本文选择了频域融合的方法。常用的频域融合方法包括了离散小波变换DWT(Discrete Wavelet Transform)、平稳小波变换SWT(Stationary Wavelet Transform)、轮廓波变换CT(Contourlet Transform)和非下采样轮廓波变换NSCT(Nonsample StationaryContourlet Transform)。其中DWT存在了高频子带方向数少、有混叠和不具备平移不变性等缺陷；SWT虽然具备了平移不变性但是高频子带方向数仍然只有三种；CT解决了DWT和SWT存在的高频子带方向数少的问题，但是由于变换过程中存在下采样的过程，CT不具备平移不变性；NSCT相比前三种方法，既具备高频子带方向数目多，也具备平移不变性的特点。基于上述分析，本发明选用NSCT作为多尺度分解工具。

活动测度是图像融合算法中很重要的组成部分。活动测度要求能够代表图像的性质。目前，图像特征提取包括张量、稀疏表示和尺度不变特征SIFT(Scale-InvariantFeature Transform)等。基于张量的融合是利用高阶奇异值分解将图像分解得到系数，然后利用系数的绝对值作为活动测度构融合规则。基于稀疏表示的融合方法是利用一部过完备字典将待融合图像进行分解得到具备稀疏性质的系数，然后利用稀疏系数作为活动测度构造融合规则。SIFT特征是David G.lowe在1999年提出的，SIFT的特征能检测到图像中的角点、边缘点、暗区的亮点、亮区的暗点等十分突出的点，在图像相似度匹配中有着重要的应用。考虑到红外与可见光苹果图像融合中，待融合的图像之间内容的相似性可能不一致，同一图像内不同区域的内容也可能存在较大的差异，因此，本发明利用SIFT算法构造了一种内容相似度匹配算法，并利用所提内容匹配算法构造了一种混合策略融合的方法，获得了较优的融合结果，提高了融合图像的质量，有利于提升苹果无损质量检测的水平。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种尺度不变特征变换的苹果图像融合方法，以解决已有的红外与可见光苹果图像融合技术所得融合图像水果表面不清晰以及次表面缺陷不明显的问题。该发明将可见光图像和红外光图像的有效特征信息充分结合起来，得到更加清晰、客观的融合图像。该图像不仅能够做到对水果表面、次表面缺陷的识别以及进一步的定性、定量分析，还能够很大程度地减小误判率，发挥可见光与红外图像融合技术在水果质量检测方面的应用优势。

本发明解决其技术问题所采用的技术方案如下：

一种基于尺度不变特征变换的苹果图像融合方法，其特征在于包括以下步骤：

1)利用非下采样轮廓波变换将待融合图像分解为低频子带和高频子带；

2)对待融合苹果图像低频子带利用尺度不变特征变换提取特征描述子并记录下每个特征描述子在低频子带中的位置，利用特征描述子构造了一种内容匹配度指标；

3)采用不同的融合规则分别确定融合图像的低频子带系数和高频子带系数；

3.1)对非下采样轮廓波低频子带采用基于内容匹配度的混合融合策略来融合；

3.2)对非下采样轮廓波高频子带采用非下采样高频系数绝对值取大的融合策略实现融合；

4)对步骤3)所得低、高频子带融合系数，执行非下采样轮廓波逆变换获得最终的红外与可见光苹果融合图像。

作为一种优选方案，所述的基于尺度不变特征变换的苹果图像融合方法，步骤1)所述对尺寸为M×N大小的红外与可见光苹果图像执行非下采样轮廓波变换，分解得到低频子带系数LC_A(x，y)和LC_B(x，y)以及不同尺度不同方向的子带系数和其中LC_A(x，y)和LC_B(x，y)分别代表红外图像A和可见光图像B的低频子带(x，y)点处的值，和分别代表红外图像A和可见光图像B的第s尺度中第t方向的高频子带(x，y)点处的值。

作为一种优选方案，步骤2)所述对低频子带利用SIFT提取特征描述子构造一种内容匹配度指标，具体如下：

首先，利用SIFT在待融合的红外和可见光苹果图像低频子带上寻找特征点，在所有特征点处生成特征描述子(des₁(i)和des₂(j))，其中i∈(1，m)，j∈(1，n)，m为红外图像低频子带中SIFT特征描述子的总数，n为可见光图像低频子带中SIFT特征描述子的总数；

接着，利用对应低频子带中的SIFT特征描述子(des₁(i)和des₂(j))来评估待融合图像低频子带的内容匹配度。按下述公式计算第一幅图像的低频子带中的每一个特征描述子des₁(i)与另一幅图像低频子带中所有特征描述子des₂(j)之间的距离dist(i，j)：

dist(i，j)＝acos(des₁(i)*des₂(j)^T)；

将与des₁(i)对应的所有的dist(i，j)从小到大排序，取dist(i，j)值最小者minDist(i)和第二小者2ndDist(i)。若minDist(i)＜distRatio*2ndDist(i)，则认为两个特征描述子处的内容是匹配的，此时记录下minDist(i)对应的des₁(i)和des₂(j)的位置；如果位置坐标相同的话，则将这样的特征描述子定义为内容匹配特征描述子，并根据其在低频子带中的位置生成内容匹配特征描述子分布图(desmap(o))；其中0≤o≤z，z为对应低频子带中内容匹配特征描述子总数；

最后，利用滑动窗口技术将desmap(o)分成I个相互对应的源图像子块，滑动步长大小为r，且 其中代表最接近的整数。统计每个子块包含的特征描述子的个数，以此生成内容匹配决策图(decmap(o，k))，decmap(o，k)反映了待融合图像对应低频子带第k对子块内容匹配程度，其中0≤k≤I。

作为一种优选方案，步骤3.1)所述对非下采样轮廓波低频子带采用基于内容匹配度的混合融合策略来融合，具体如下：

首先，利用decmap(o，k)生成待融合苹果图像低频子带第k对子块LC_A(k)和LC_B(k)内容匹配的可信度：

然后，根据内容匹配的可信度求出内容不匹配的可信度：

P₂(k)＝1-P₁(k)；

当内容匹配可信度较高时，说明待融合的两个系数小块的内容是相似的可能性较大，平均融合的策略更适用于此情况，则对应于P₁(k)融合规则选择加权融合Rule₁，Rule₁的描述如下：

当内容不匹配的可信度较高时，说明待融合的两个系数小块的内容是不相似的可能性较大，绝对值取最大的融合策略更适合此情况，则对应于P₂(k)的融合规则选择Rule₂，Rule₂的描述如下：

Rule₂(a，b)＝a·(|a|＞|b|)+b·(|a|≤|b|)；

接着利用P₁(k)、P₂(k)、Rule₁和Rule₂构建低频子带的混合策略融合规则，用于获取低频子带子块LC_A(k)和LC_B(k)的融合块LC_F(k)，具体融合公式描述如下：

最后，利用滑动窗口变换的逆变换对融合后低频图像子块进行拼接重构，生成最终的融合后的低频子带LC_F。

作为一种优选方案，步骤3.2)中所述对非下采样轮廓波高频子带采用高频系数绝对值取大的融合策略获取融合后的高频子带具体如下：

从而，完成图像各个高频方向子带系数的融合。

本发明相对比现有图像融合方法具有如下的优点：

1、本发明采用基于NSCT的图像融合方法。NSCT变换是一种平移不变、多尺度、多方向的变换工具，NSCT的结构包括了非下采样金字塔变换(NSP)和非下采样滤波器组(NSDFB)，其中NSCT的多尺度特征由NSP得来，而多方向特征由NSDFB得来。相比于传统的多尺度分解工具，NSCT具有更丰富的基函数、有平移不变性、可以消除伪吉布斯现象等优点。因而更适于处理图像的奇异性，得到信息量更丰富、清晰度更高、质量更好的融合图像。

2、本发明的苹果图像融合方法采用SIFT变换来检测待融合苹果图像低频子带相对应区域的内容匹配度。SIFT是一种检测局部特征的算法，该算法通过求低频子带中的特征点及其有关尺度和方向的描述子得到特征并进行低频子带特征点匹配。作为目前应用最为广泛的特征检测方法之一，SIFT对旋转、尺度变换、亮度变化皆能保持不变性，此外对视角变化、噪声等也可以保持稳定性。本发明使用SIFT特征描述子描述待融合图像低频子带之间内容的匹配度，构建内容匹配特征描述子分布图，有利于揭示图像的本质性质。

3、若将待融合图像分块，那么不同的图像对之间的内容相似度是不一致的，由于内容相似度不一致，就很难用单一的融合规则来准确融合所有的图像块。针对上述问题，本发明利用基于SIFT的图像内容匹配度指标来衡量低频子带每一对小块的内容匹配度，并利用内容匹配度指标设计了一个混合融合规则。该混合融合规则可以最大限度地保护待融合苹果图像中的边缘轮廓，缺陷信息和纹理信息，避免丢失细节，从而增加苹果图像的可检测性，可信度和可理解性。

附图说明

图1是本发明基于尺度不变特征变换的苹果图像融合的流程图。

图2是本发明基于SIFT的内容匹配度检测图。

图3是本发明低频子带融合规则流程图。

图4(a)是本发明第一个实施例的待融合可见光苹果图像。

图4(b)是本发明第一个实施例的待融合红外苹果图像。

图4(c)-(f)是本发明第一个实施例的融合结果示意图。

图5(a)是本发明第二个实施例的待融合可见光苹果图像。

图5(b)是本发明第二个实施例的待融合红外苹果图像。

图5(c)-(f)是本发明第二个实施例的融合结果示意图。

图中：(c)基于DWT的融合图像；(d)基于SW-NSCT的融合图像；(e)基于PCNN的融合图像；(f)本发明方法的融合图像。

具体实施方式

下面对本发明的两个实施例结合附图作详细说明，本实施例在以本发明技术方案为前提下进行，如图1所示，详细的实施方式和具体的操作步骤如下：

步骤1，利用非下采样轮廓波变换NSCT将尺寸为M×N(256×256)大小的待融合可见光与红外苹果图像分解为低频子带系数LC_A(x，y)和LC_B(x，y)以及不同尺度不同方向的子带系数和其中LC_A(x，y)和LC_B(x，y)分别代表红外图像A和可见光图像B的低频子带(x，y)点处的值，和分别代表红外图像A和可见光图像B的第s尺度中第t方向的高频子带(x，y)点处的值。其中，NSCT的滤波器选择maxflat滤波器，分解层数为三层，每层的方向子带数目依次为4，4，8；

步骤2，对待融合苹果图像低频子带利用SIFT提取特征描述子并记录下每个特征描述子在低频子带中的位置，利用特征描述子构造了一种内容匹配度指标；

首先，利用SIFT在待融合的红外和可见光苹果图像低频子带上寻找特征点，在所有特征点处生成特征描述子(des₁(i)和des₂(j))，其中i∈(1，m)，j∈(1，n)，m为红外图像低频子带中SIFT特征描述子的总数，n为可见光图像低频子带中SIFT特征描述子的总数；

接着，利用对应低频子带中的SIFT特征描述子(des₁(i)和des₂(j))来评估待融合图像低频子带的内容匹配度。按下述公式计算第一幅图像的低频子带中的每一个特征描述子des₁(i)与另一幅图像的低频子带中所有特征描述子des₂(j)之间的距离dist(i，j)：

dist(i，j)＝acos(des₁(i)*des₂(j)^T)；

将与des₁(i)对应的所有的dist(i，j)从小到大排序，取dist(i，j)值最小者minDist(i)和第二小者2ndDist(i)。若minDist(i)＜distRatio*2ndDist(i)，distRatio＝0.5，则认为两个特征描述子处的内容是匹配的，此时记录下minDist(i)对应的des₁(i)和des₂(j)的位置；如果位置坐标相同的话，则将这样的特征描述子定义为内容匹配特征描述子。图2为利用SIFT特征描述子检测内容匹配度的效果示意图。图中使用黑色线条指出了两幅图像中所有匹配的关键点，如图2所示，此基于SIFT特征描述子的内容匹配度检测方法能够准确的找出两幅图像中内容相似且坐标一致的特征描述子。由于右侧图像的局部经过模糊化处理，说明本方法对噪声还具有鲁棒性。

根据其在低频子带中的位置生成内容匹配特征描述子分布图(desmap(o))；其中0≤o≤z，z为对应低频子带中内容匹配特征描述子总数；

最后，利用滑动窗口技术将desmap(o)分成I个相互对应的源图像子块，滑动步长大小为r(r＝2)，且 其中代表最接近的整数。统计每个子块包含的特征描述子的个数，以此生成内容匹配决策图(decmap(o，k))，decmap(o，k)反映了待融合图像对应低频子带第k对子块内容匹配程度，其中0≤k≤I。

步骤3，对非下采样轮廓波低频子带采用基于内容匹配度的混合融合策略来融合，如图3所示，详细的实施方式和具体的操作步骤如下：；

首先，利用decmap(o，k)生成待融合苹果图像低频子带第k对子块LC_A(k)和LC_B(k)内容匹配的可信度：

然后，根据内容匹配的可信度求出内容不匹配的可信度：

P₂(k)＝1-P₁(k)；

当内容匹配可信度较高时，说明待融合的两个系数小块的内容是相似的可能性较大，平均融合的策略更适用于此情况，则对应于P₁(k)融合规则选择加权融合Rule₁，Rule₁的描述如下：

当内容不匹配的可信度较高时，说明待融合的两个系数小块的内容是不相似的可能性较大，绝对值取最大的融合策略更适合此情况，则对应于P₂(k)的融合规则选择Rule₂，Rule₂的描述如下：

Rule₂(a，b)＝a·(|a|＞|b|)+b·(|a|≤|b|)；

接着利用P₁(k)、P₂(k)、Rule₁和Rule₂构建低频子带的混合策略融合规则，用于获取低频子带子块LC_A(k)和LC_B(k)的融合块LC_F(k)，具体融合公式描述如下：

最后，利用滑动窗口变换的逆变换对融合后低频图像子块进行拼接重构，生成最终的融合后的低频子带LC_F。

步骤4，对非下采样轮廓波高频子带采用高频系数绝对值取大的融合策略获取融合后的高频子带

从而，完成图像各个高频方向子带系数的融合。

步骤5，对高、低频子带融合系数执行NSCT逆变换重新获得最终的苹果融合图像。

本发明的效果可以通过以下实验结果作进一步说明：

1、实验条件与方法

硬件平台为：Intel(R)处理器，CPU主频3.1GHz，内存1.0GB；

软件平台为：Windows 10操作系统，MATLAB R2016a；实验中采用两组已配准的可见光与红外图像，图像大小均为256×256，bmp格式。第一组待融合图像见图4(a)和图4(b)，第二组待融合图像见图5(a)和图5(b)。

实验时采用现有的三种融合方法作为对比方法，其中：

方法1为基于DWT变换的融合方法；

方法2为基于SW-NSCT变换的融合方法,参见文章《Fusion of multiparametricSAR images based on SW-nonsubsampled contourlet and PCNN》，Signal Processing,2009,89(12):2596-2608；

方法3为基于PCNN和Shearlet的融合方法，参见文章《A Novel Algorithm ofImage Fusion Based on PCNN and Shearlet》，International Journal of DigitalContent Technology&its Applications,2011,5(12):347-354。

2、仿真内容

仿真一：遵循本发明的技术方案，对第一组可见光与红外苹果图像(见图4(a)和图4(b))进行融合，图4(c)-图4(f)为对比方法和本发明方法的仿真实验结果。图4(a)提供了苹果表面上的细节和纹理信息，但是它的整体明亮度较低且在图像左侧存在信息不完整的情况，图4(b)提供了比图4(a)更高的明亮度，此外图4(b)中苹果的轮廓更为完整，受损点也更加明显。出于为苹果质量无损检测提供更为有价值的信息这一目的，本组融合实验的目标应当包括将图4(a)中清晰的苹果纹理和图4(b)中完整的苹果轮廓以及缺陷信息结合到融合图像中去。由图4(c)所示，DWT的方法没能将苹果表皮处的完整纹理融合到结果中；SW-NSCT的方法从主观上较好的实现了融合目标；如图4(e)所示，PCNN方法在图像的左下部分产生了亮斑，这属于噪声信息；本发明提出的方法利用了SIFT特征，由于SIFT对角点、边缘点的检测性能较强，此外对噪声不敏感，因此主观效果较佳，保留了果皮的纹路，相比图4(a)还提升了整体的亮度，也保留了缺陷信息。

仿真二：遵循本发明的技术方案，对第二组可见光与红外苹果图像(见图5(a)和图5(b))进行融合，图5(c)-图5(f)为对比方法和本发明方法的仿真实验结果。图5(a)提供了苹果表面上的细节和纹理信息，在其右侧有可以看到较大的损伤区域，但是它的整体明亮度较低且在图像左侧存在信息不完整的情况，图5(b)提供了比图5(a)更高的明亮度，此外图5(b)中苹果的轮廓更为完整，缺陷处伤口更深。出于为苹果质量无损检测提供更为有价值的信息这一目的，本组融合实验的目标应当包括将图5(a)中清晰的苹果纹理和损伤区域和图5(b)中完整的苹果轮廓以及缺陷信息结合到融合图像中去。由图5所示，DWT的方法没能将苹果表皮处的完整纹理融合到结果中；SW-NSCT的方法从主观上较好的实现了融合目标；如图5(e)所示，PCNN方法在图像的左侧没能将图5(a)中的纹理融合到结果里；本发明提出的方法主观效果较佳，保留了果皮的纹路，相比图5(a)还提升了整体的亮度，也保留了缺陷信息。

将本发明的融合结果与对比方法的融合结果进行客观指标评价。

表1给出了第一组可见光与红外苹果图像融合结果的客观评价指标；

表2给出了第二组可见光与红外苹果图像融合结果的客观评价指标；

表1基于各种融合方法的融合性能比较(图4(a)和图4(b))

表2基于各种融合方法的融合性能比较(图5(a)和图5(b))

表1、表2中的EN为信息熵，Qabf为边缘转换率,EI为边缘强度，SD为标准差，SF为空间频率。

信息熵EN：表示图像携带信息量的多少，熵值越大，包含的信息量越多，融合效果越好。

边缘转换率Qabf：表示边缘信息从源图像转移到融合图像的信息量，其值越大，融合图像的边缘越清晰，融合效果越好。

边缘强度EI：用于衡量图像边缘细节的丰富程度，其值越大，则融合图像的边缘越清晰，效果越好。

标准差SD：表示灰度值相对灰度均值的离散程度，标准差越大，灰度级越分散，图像包含信息越多。

空间频率SF：表示空间域的总体活跃程度，其值越大，融合效果越好。

表格中加黑的值表示最优的客观指标值。从表1中可以看出，本发明的客观指标除了SD外其他指标都优于对比方法，从表2中可以看出，本发明的客观指标除了Qabf，SD外其他指标都优于对比方法。

从各仿真实验的融合结果可以看出，本发明的苹果融合图像全局清晰，融合图像表皮信息丰富，含有丰富的边缘和细节信息，且缺陷信息明显，有利于苹果无损质量检测。无论是主观视觉与客观评价上都检验了本发明的有效性。

Claims (6)

1.一种用于苹果无损检测的基于尺度不变特征变换的苹果图像融合方法，其特征是：首先利用非下采样轮廓波变换将待融合红外与可见光苹果图像分解为低频子带和高频子带；对低频子带利用尺度不变特征变换提取到特征描述子并记录下每个特征描述子在低频子带中的位置，利用特征描述子构造了一种内容匹配度指标，接着采用一种基于内容匹配度的混合融合策略用来融合低频子带，对高频子带利用非下采样高频系数绝对值取大的融合策略实现高频子带系数的融合；最后利用非下采样轮廓波逆变换生成融合后的苹果图像。

2.根据权利要求1所述的基于尺度不变特征变换SIFT(Scale-Invariant FeatureTransform)的苹果图像融合方法，其特征在于包括以下具体步骤：

1)利用非下采样轮廓波变换将待融合图像分解为低频子带和高频子带；

2)对待融合苹果图像低频子带利用尺度不变特征变换提取特征描述子并记录下每个特征描述子在低频子带中的位置，利用特征描述子构造了一种内容匹配度指标；

3)采用不同的融合规则分别确定融合图像的低频子带系数和高频子带系数；

3.1)对非下采样轮廓波低频子带采用基于内容匹配度的混合融合策略来融合；

3.2)对非下采样轮廓波高频子带采用非下采样高频系数绝对值取大的融合策略实现融合；

4)对步骤3)所得低、高频子带融合系数，执行非下采样轮廓波逆变换获得最终的红外与可见光苹果融合图像。

3.根据权利要求2所述的基于尺度不变特征变换的苹果图像融合方法，其特征在于：步骤1)所述对尺寸为M×N大小的红外与可见光苹果图像执行非下采样轮廓波变换，分解得到低频子带系数LC_A(x，y)和LC_B(x，y)以及不同尺度不同方向的子带系数和其中LC_A(x，y)和LC_B(x，y)分别代表红外图像A和可见光图像B的低频子带(x，y)点处的值，和分别代表红外图像A和可见光图像B的第s尺度中第t方向的高频子带(x，y)点处的值。

4.根据权利要求2所述的基于尺度不变特征变换的苹果图像融合方法，其特征在于：步骤2)所述对低频子带利用SIFT提取特征描述子构造一种内容匹配度指标，具体如下：

首先，利用SIFT在待融合的红外和可见光苹果图像低频子带上寻找特征点，在所有特征点处生成特征描述子(des₁(i)和des₂(j))，其中i∈(1，m)，j∈(1，n)，m为红外图像低频子带中SIFT特征描述子的总数，n为可见光图像低频子带中SIFT特征描述子的总数；

接着，利用对应低频子带中的SIFT特征描述子(des₁(i)和des₂(j))来评估待融合图像低频子带的内容匹配度。按下述公式计算第一幅图像的低频子带中的每一个特征描述子des₁(i)与另一幅图像低频子带中所有特征描述子des₂(j)之间的距离dist(i，j)：

dist(i，j)＝acos(des₁(i)*des₂(j)^T)；

将与des₁(i)对应的所有的dist(i，j)从小到大排序，取dist(i，j)值最小者minDist(i)和第二小者2ndDist(i)。若minDist(i)＜distRatio*2ndDist(i)，则认为两个特征描述子处的内容是匹配的，此时记录下minDist(i)对应的des₁(i)和des₂(j)的位置；如果位置坐标相同的话，则将这样的特征描述子定义为内容匹配特征描述子，并根据其在低频子带中的位置生成内容匹配特征描述子分布图(desmap(o))；其中0≤o≤z，z为对应低频子带中内容匹配特征描述子总数；

最后，利用滑动窗口技术将desmap(o)分成I个相互对应的源图像子块，滑动步长大小为r，且 其中代表最接近的整数。统计每个子块包含的特征描述子的个数，以此生成内容匹配决策图(decmap(o，k))，decmap(o，k)反映了待融合图像对应低频子带第k对子块内容匹配程度，其中0≤k≤I。

5.根据权利要求2所述的基于尺度不变特征变换(SIFT)的苹果图像融合方法，其特征在于：步骤3.1)所述对非下采样轮廓波低频子带采用基于内容匹配度的混合融合策略来融合，具体如下：

首先，利用decmap(o，k)生成待融合苹果图像低频子带第k对子块LC_A(k)和LC_B(k)内容匹配的可信度：

$P_1\left(k\right)=\frac{decmap(o,k)}{max\left(decmap\right(o,k\left)\right)};$

然后，根据内容匹配的可信度求出内容不匹配的可信度：

P₂(k)＝1-P₁(k)；

当内容匹配可信度较高时，说明待融合的两个系数小块的内容是相似的可能性较大，平均融合的策略更适用于此情况，则对应于P₁(k)融合规则选择加权融合Rule₁，Rule₁的描述如下：

${\mathrm{Rule}}_1(a,b)=\frac{1}{2}\·(a+b);$

当内容不匹配的可信度较高时，说明待融合的两个系数小块的内容是不相似的可能性较大，绝对值取最大的融合策略更适合此情况，则对应于P₂(k)的融合规则选择Rule₂，Rule₂的描述如下：

Rule₂(a，b)＝a·(|a|＞|b|)+b·(|a|≤|b|)；

接着利用P₁(k)、P₂(k)、Rule₁和Rule₂构建低频子带的混合策略融合规则，用于获取低频子带子块LC_A(k)和LC_B(k)的融合块LC_F(k)，具体融合公式描述如下：

$\begin{array}{c}{\mathrm{LC}}_F\left(k\right)=P_1\left(k\right)\·{\mathrm{Rule}}_1\left({\mathrm{LC}}_A\right(k),{\mathrm{LC}}_B(k\left)\right)\\ +P_2\left(k\right)\·{\mathrm{Rule}}_2\left({\mathrm{LC}}_A\right(k),{\mathrm{LC}}_B(k\left)\right)\end{array};$

最后，利用滑动窗口变换的逆变换对融合后低频图像子块进行拼接重构，生成最终的融合后的低频子带LC_F。

6.根据权利要求2所述基于尺度不变特征变换(SIFT)的苹果图像融合方法，其特征在于：步骤3.2)中所述对非下采样轮廓波高频子带采用高频系数绝对值取大的融合策略获取融合后的高频子带具体如下：

从而，完成图像各个高频方向子带系数的融合。