[發(fā)明專利]基于尺度不變特征變換的蘋果圖像融合方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710107672.6
• 申請(qǐng)日: 2017-02-27
• 公開（公告）號(hào): CN106897999A
• 公開（公告）日: 2017-06-27
• 發(fā)明（設(shè)計(jì)）人: 羅曉清;張戰(zhàn)成;王鵬飛;董靜;王駿;檀華廷
• 申請(qǐng)（專利權(quán)）人: 江南大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/33
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于尺度不變特征變換的蘋果圖像融合方法，是水果質(zhì)量無損檢測(cè)技術(shù)領(lǐng)域的一項(xiàng)融合方法，在水果品質(zhì)檢測(cè)中有廣泛地應(yīng)用。

背景技術(shù)

由于單幅圖像所含的信息有限，往往無法滿足實(shí)際的應(yīng)用。為了更好的獲取信息，圖像融合技術(shù)于二十世紀(jì)七十年代被提出。圖像融合是一種將多個(gè)傳感器采集到的關(guān)于同一場(chǎng)景的圖像經(jīng)過融合算法的處理合成一幅圖像的技術(shù)，融合后的圖像能有效的結(jié)合多幅待融合圖像的優(yōu)點(diǎn)，從而更適合人的視覺感知。近年來，圖像融合在軍事偵察、醫(yī)療診斷和遙感等領(lǐng)域有了廣泛的應(yīng)用。

我國作為一個(gè)蘋果生產(chǎn)大國，高效的蘋果質(zhì)量檢測(cè)是很重要的。傳統(tǒng)的蘋果質(zhì)量檢測(cè)的方法為人工目測(cè)、抽樣切片或僅用可見光圖像分析，這些分級(jí)的方法存在誤判率高、不具備無損性、不具備直觀性等缺點(diǎn)?？紤]到蘋果的可見光圖像可以清晰地顯示表皮上的紋理和缺陷信息，而紅外圖像可以顯示蘋果內(nèi)部的缺陷，采用圖像融合技術(shù)可以將兩種圖像中的信息進(jìn)行整合，從而改善蘋果質(zhì)量檢測(cè)中的識(shí)別精度與可靠性。因此，本發(fā)明設(shè)計(jì)了一種基于尺度不變特征變換的圖像融合方法將蘋果的紅外與可見光圖像融合進(jìn)行融合，融合圖像用于輔助蘋果質(zhì)量的無損檢測(cè)，從而提高蘋果品質(zhì)把關(guān)水平。

圖像融合的方法通?？梢苑譃榭沼蛉诤虾皖l域融合兩大類?？沼蛉诤闲矢叩谴嬖诳臻g扭曲的問題，頻域融合速度較前者慢，但可以較好的解決上述問題?？紤]到計(jì)算機(jī)性能提升較快，本文選擇了頻域融合的方法。常用的頻域融合方法包括了離散小波變換DWT(Discrete Wavelet Transform)、平穩(wěn)小波變換SWT(Stationary Wavelet Transform)、輪廓波變換CT(Contourlet Transform)和非下采樣輪廓波變換NSCT(Nonsample Stationary Contourlet Transform)。其中DWT存在了高頻子帶方向數(shù)少、有混疊和不具備平移不變性等缺陷；SWT雖然具備了平移不變性但是高頻子帶方向數(shù)仍然只有三種；CT解決了DWT和SWT存在的高頻子帶方向數(shù)少的問題，但是由于變換過程中存在下采樣的過程，CT不具備平移不變性；NSCT相比前三種方法，既具備高頻子帶方向數(shù)目多，也具備平移不變性的特點(diǎn)?；谏鲜龇治?，本發(fā)明選用NSCT作為多尺度分解工具。

活動(dòng)測(cè)度是圖像融合算法中很重要的組成部分。活動(dòng)測(cè)度要求能夠代表圖像的性質(zhì)。目前，圖像特征提取包括張量、稀疏表示和尺度不變特征SIFT(Scale-Invariant Feature Transform)等?；趶埩康娜诤鲜抢酶唠A奇異值分解將圖像分解得到系數(shù)，然后利用系數(shù)的絕對(duì)值作為活動(dòng)測(cè)度構(gòu)融合規(guī)則。基于稀疏表示的融合方法是利用一部過完備字典將待融合圖像進(jìn)行分解得到具備稀疏性質(zhì)的系數(shù)，然后利用稀疏系數(shù)作為活動(dòng)測(cè)度構(gòu)造融合規(guī)則。SIFT特征是David G.lowe在1999年提出的，SIFT的特征能檢測(cè)到圖像中的角點(diǎn)、邊緣點(diǎn)、暗區(qū)的亮點(diǎn)、亮區(qū)的暗點(diǎn)等十分突出的點(diǎn)，在圖像相似度匹配中有著重要的應(yīng)用?？紤]到紅外與可見光蘋果圖像融合中，待融合的圖像之間內(nèi)容的相似性可能不一致，同一圖像內(nèi)不同區(qū)域的內(nèi)容也可能存在較大的差異，因此，本發(fā)明利用SIFT算法構(gòu)造了一種內(nèi)容相似度匹配算法，并利用所提內(nèi)容匹配算法構(gòu)造了一種混合策略融合的方法，獲得了較優(yōu)的融合結(jié)果，提高了融合圖像的質(zhì)量，有利于提升蘋果無損質(zhì)量檢測(cè)的水平。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種尺度不變特征變換的蘋果圖像融合方法，以解決已有的紅外與可見光蘋果圖像融合技術(shù)所得融合圖像水果表面不清晰以及次表面缺陷不明顯的問題。該發(fā)明將可見光圖像和紅外光圖像的有效特征信息充分結(jié)合起來，得到更加清晰、客觀的融合圖像。該圖像不僅能夠做到對(duì)水果表面、次表面缺陷的識(shí)別以及進(jìn)一步的定性、定量分析，還能夠很大程度地減小誤判率，發(fā)揮可見光與紅外圖像融合技術(shù)在水果質(zhì)量檢測(cè)方面的應(yīng)用優(yōu)勢(shì)。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案如下：

一種基于尺度不變特征變換的蘋果圖像融合方法，其特征在于包括以下步驟：

1)利用非下采樣輪廓波變換將待融合圖像分解為低頻子帶和高頻子帶；

2)對(duì)待融合蘋果圖像低頻子帶利用尺度不變特征變換提取特征描述子并記錄下每個(gè)特征描述子在低頻子帶中的位置，利用特征描述子構(gòu)造了一種內(nèi)容匹配度指標(biāo)；

3)采用不同的融合規(guī)則分別確定融合圖像的低頻子帶系數(shù)和高頻子帶系數(shù)；

3.1)對(duì)非下采樣輪廓波低頻子帶采用基于內(nèi)容匹配度的混合融合策略來融合；