[發明專利]基于顯著性檢測與奇異值分解的圖像融合方法及裝置

在審

• 申請號: 201811055335.8
• 申請日: 2018-09-11
• 公開（公告）號: CN109242812A
• 公開（公告）日: 2019-01-18
• 發明（設計）人: 程博陽;金龍旭;李國寧
• 申請（專利權）人: 中國科學院長春光學精密機械與物理研究所
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T7/33
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 曹衛良

本發明提供的基于顯著性檢測與奇異值分解的圖像融合方法及裝置，采用基于顯著性檢測與奇異值分解的自適應雙通道PCNN模型，該模型首先通過NSST作為多尺度分解工具，將圖像分解為一個低頻子帶圖像與一系列高頻子帶，其次在現有自適應雙通道PCNN模型的基礎上進行改進，并且針對不同頻率的子帶圖像，分別利用新提出算子進行處理，最終將PCNN模型神經元的全局耦合和脈沖同步特性與NSST的稀疏分解特性相結合，一定程度上解決了紅外圖像和可見光圖像光譜差異較大而導致融合圖像對比度偏低和出現大量黑色偽影等問題，可以更好地表達圖像的特征，將可見光的紋理信息與紅外圖像的顯著性特征完美結合，最終取得較好的融合效果。

技術領域

本發明涉及圖像融合領域，特別涉及一種基于顯著性檢測與奇異值分解 的圖像融合方法及系統。

背景技術

圖像融合作為信息融合的一門分支，是一門包含信號處理、基于顯著性 檢測與奇異值分解的圖像融合、計算機技術、圖像探測器技術等多種領域的 綜合高新技術。圖像融合對某一場景獲取的多幅圖像信息加以綜合，最終將 兩幅或多幅包含多樣、冗余信息的圖像合成為一幅含有更豐富信息的新圖像。 新的融合圖像克服了單幅圖像在空間分辨率、物理屬性、時間分辨率以及光 譜信息等方面的局限性，能更好地為重要目標的定位、識別和理解提供支撐。

紅外(IR)與可見光(VI)傳感器之間的信息融合是目前應用最多，同 時也是最具有現實意義的融合方式。通過將可見光的紋理細節信息與紅外熱 輻射目標的顯著信息相結合，有利于在隱藏、偽裝和迷惑的情況下更快、更 精確地探測目標。針對IR與VI之間的圖像融合，人們提出了許多方法，其 中多尺度分解(MGA)與脈沖式耦合人工神經網絡(PCNN)是目前較為常 用的。MGA可以將圖像分解成一系列不同尺度，不同頻率的子帶圖像，為后續的融合規則奠定基礎；而PCNN可以作為融合規則，由于它特有的仿生機 制，能夠保持輸入圖像空間二維信息的完整性，將圖像的信息特征與PCNN 模型的視覺特性完美結合，獲得較好的融合效果。鑒于上述兩種方法優良的 特性，許多學者將兩種工具進行結合，研究基于多尺度分解的PCNN模型圖 像融合，并取得一定的成果。文獻《A multi-facetedadaptive image fusion algorithm using a multi-wavelet-based matching measurein the PCNN domain[J]. Applied Soft Computing,2017,61:1113–1124》提出在PCNN域中使用基于多 小波匹配度量的多分面自適應圖像融合算法，文獻《A novel multi-focusimage fusion method using PCNN in nonsubsampled contourlet transform domain[J], Optik,2015,126:2508–2511》等人提出非下采樣Contourlet變換域中采用PCNN的多聚焦圖像融合方法，文獻《Novel fusion method for visible light and infraredimages based on NSST–SF–PCNN[J],Infrared Physics&Technology, 2014,65,103-112》提出基于NSST-SF-PCNN的可見光和紅外圖像融合新方法。 值得一提的是，在上述方法使用的眾多MGA工具中，非下采樣剪切波變換 (NSST)是最為先進的一種。NSST由合成小波構造而成，可以由此獲得多 方向的緊支撐結構，而且它在分解的過程中不存在下采樣操作，同時在方向 局部化階段采用局部化小尺寸剪切濾波器，能夠避免頻譜混疊和弱化吉布斯 振鈴現象，提高時域卷積計算效率的同時，對圖像進行最為精細地稀疏分解， 因此基于NSST與PCNN相結合的融合算法是目前最具有研究價值的。