[發明專利]基于模糊算子的圖像融合處理方法及系統、計算機程序

有效

• 申請號: 201811075186.1
• 申請日: 2018-09-14
• 公開（公告）號: CN109345497B
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 陳芳;趙樹宇;柏傳志;陳伏兵;高秀梅
• 申請（專利權）人: 淮陰師范學院
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06N7/02;G06T5/40
• 代理公司: 南京業騰知識產權代理事務所(特殊普通合伙) 32321
• 代理人: 董存壁

本發明屬于圖像處理技術領域，公開了一種基于模糊算子的圖像融合處理方法及系統、計算機程序；根據需要融合的兩幅圖像即源圖1和源圖2，通過Lukasiewicz蘊涵算子進行像素級學習訓練，得到關系矩陣R；以源圖1為輸入信息，以R為關系矩陣，利用Lukasiewicz三角模算子T_Lu，得到融合的目標圖像。本發明與現有圖像融合方法相比較，省去了大量的復雜數學推算和前期工作，簡潔高效易于實現，無論是亮度信息還是細節信息都能將待融合的圖像信息很好地互補融合，融合后的圖像視覺效果好，細節信息明顯，目標清晰。從下實例測試在同臺電腦相同運行環境下測得的融合圖像，可以很清晰地比較出本發明融合方法的優于現有技術。

技術領域

本發明屬于圖像處理技術領域，尤其涉及一種基于模糊算子的圖像融合處理方法及系統、計算機程序。

背景技術

目前，業內常用的現有技術是這樣的：像素級融合是圖像融合比較常見的方法。主要的像素級融合方法包括加權平均法、基于統計的融合方法、偽彩色圖像融合法、基于人工神經網絡的融合方法、基于多尺度分析的融合方法等。1)加權平均法，加權平均法是一種最簡單的圖像融合方法，它主要是將多幅源圖像對應像素的灰度值進行加權處理。兩種具有代表性的加權平均法是主成分分析(PCA)方法和自適應加權平均(AWA)方法。在PCA方法中，首先求出源圖像的協方差矩陣，然后根據該矩陣的最大特征值所對應的特征向量確定各源圖像的權值。在AWA方法中，主要根據目標特征和對比度大小確定權值。加權平均法的優點是簡單直觀，大多能夠滿足實時處理的要求。但當圖像中的噪聲具有較高的對比度，合成圖像中將包含較強的噪聲，會使合成的圖像信噪比降低；當融合圖像的灰度差異比較大時，會出現明顯的拼接痕跡，不利于人眼識別和后續目標的識別過程。2)基于統計的融合方法，基于馬可夫隨機場和基于最大貝葉斯后驗概率(MAP)方法是最常用的兩種基于統計學的圖像融合方法。馬可夫方法是將圖像定義為二維隨機場，所有源圖像看作是二維隨機場集，圖像融合則表示成與模型參數相關的一個代價函數。然后用模擬退火法、期望值最大法等進行全局尋優，找到使目標函數取最大值的模型參數，并以此參數的模型融合源圖像，得到最終融合結果。貝葉斯方法是將圖像融合問題表示為自然此案好的病態反問題，利用先驗知識對融合的貝葉斯估計過程進行約束，得到最優的融合結果。3)偽彩色圖像融合法，給予人類視覺系統(HVS)對顏色信息比較敏感的特性，Waxman和Toet等人分別提出了偽彩色圖像融合方法，該方法主要通過某種彩色化處理技術將蘊含在原始圖像灰度等級中的細節信息以彩色的方式表征出來，從而提高人類視覺系統對圖像內容和細節的觀察效率。就目前的硬件技術條件而言，該類方法也是較容易實現的圖像融合方法。4)基于人工神經網絡的融合方法，人工神經網絡仿效了生物神經系統處理信息的過程，利用多層處理單元或節點組成各種互聯網結構，實現了從輸入數據到輸出數據非線性的復雜映射關系。人工神經網絡的特點使得它很容易實現多個輸入到一個輸出的數據處理任務，從而使神經網絡也能很好地處理圖像融合問題。另外神經網絡通過樣本學習的方式提供一種更加智能化的數據融合方法。然而，要將神經網絡方法應用到實際的融合系統中，無論是網絡結構設計還是算法規則方面，都有許多基礎工作有待解決，如網絡模型、網絡的層次和每一層的節點數、網絡學習策略、神經網絡方法與傳統的分類方法的關系和綜合應用等。5)基于多尺度分析的融合方法，基于多尺度分析的圖像融合算法是目前始常使用的像素級融合方法,基本思想是：先對每幅源圖像進行多尺度分解(MSD):然后依據一定的融合規則合并各尺度系數：最后利用反變換重速合并的系數得到融合圖像。常用的圖像多尺度分解方法有：金字塔分解、小波變換以及各種多尺度幾何分析。基于多尺度分析的圖像融合方法對圖像進行融合的過程與人眼視覺系統對圖像信的處理極為相似，這類方法對圖像的不同頻段、不同結構特征的細節信息分別進行處理，可以獲取比較好的融合效果。6)其他融合方法，此外，偏微分、離散余弦變換、獨立成分分析、形態學分析等技術也常用于圖像融合。現有圖像融合效率低，融合的圖像視覺效果差，細節信息不明顯，目標不清晰。加權平均法，當圖像中的噪聲具有較高的對比度，合成圖像中將包含較強的噪聲，會使合成的圖像信噪比降低；當融合圖像的灰度差異比較大時，會出現明顯的拼接痕跡，不利于人眼識別和后續目標的識別過程。現有的圖像融合算法復雜，執行時間效率低。如基于統計的圖像融合中的馬可夫方法，將圖像定義為二維隨機場，所有源圖像看作是二維隨機場集，圖像融合則表示成與模型參數相關的一個代價函數，然后用模擬退火法、期望值最大法等進行全局尋優，找到使目標函數取最大值的模型參數，并以此參數的模型融合源圖像，得到最終融合結果。用模擬退火法、期望值最大法等求得全局最優解時，內層循環需要反復多次迭代，很大程度上降低了程序執行的時間效率。現有圖像融合方法中，有些基礎工作有待解決。如基于神徑網絡的圖像融合方法，其網絡模型、網絡的層次和每一層的節點數、網絡學習策略、神經網絡方法與傳統的分類方法的關系和綜合應用等等都是要首先考慮和需要解決的問題。現有的圖像融合方法中，大多離不開傳統經典的數學工具。如金字塔分解、小波變換、多尺度幾何分析、馬可夫隨機場、最大貝葉斯后驗概率、偏微分、離散余弦變換、獨立成分分析等等。這些方法與模糊邏輯運算相比較過于復雜耗時。現有技術，缺乏在windows環境下，以Visual Studio 2010為平臺，以MFC為編程技術，在同一臺機器上實現基于Lukasiewicz三角模算子T_Lu和Lukasiewicz蘊涵算子R_Lu的圖像融合的方法。