[發(fā)明專利]基于多狀態(tài)上下文隱馬爾科夫模型的紅外和可見光圖像融合方法

在審

• 申請?zhí)枺?/td>: 202010638215.1
• 申請日: 2020-07-06
• 公開（公告）號: CN111754447A
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計）人: 羅曉清;蔣鈺婷;張戰(zhàn)成;席新星;王正桓
• 申請（專利權(quán)）人: 江南大學(xué)
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06K9/62
• 代理公司: 大連理工大學(xué)專利中心 21200
• 代理人: 劉秋彤;梅洪玉

1.基于多狀態(tài)上下文隱馬爾科夫模型的紅外和可見光圖像融合方法，其特征在于，對低頻子帶采用基于區(qū)域能量差異度的融合方法，對高頻子帶系數(shù)設(shè)計上下文細(xì)節(jié)隸屬度，并構(gòu)建多狀態(tài)上下文隱馬爾科夫模型，然后提取多狀態(tài)統(tǒng)計特征用于度量圖像細(xì)節(jié)性，最后采用基于多狀態(tài)統(tǒng)計特征的融合規(guī)則得到高頻融合子帶。

2.根據(jù)權(quán)利要求1所述的基于多狀態(tài)上下文隱馬爾科夫模型的紅外和可見光圖像融合方法，其特征在于，包括以下具體步驟：

1)對表征圖像近似信息的低頻子帶，采用基于區(qū)域能量差異度的加權(quán)融合策略進(jìn)行融合；

2)對表征圖像細(xì)節(jié)特征的高頻子帶，通過綜合多狀態(tài)統(tǒng)計特征用于度量圖像的細(xì)節(jié)性，采用基于多狀態(tài)統(tǒng)計特征的融合規(guī)則進(jìn)行融合；

2.1)根據(jù)上下文相關(guān)性定義系數(shù)的上下文細(xì)節(jié)隸屬度；

2.2)在高頻方向子帶構(gòu)建多狀態(tài)上下文隱馬爾科夫模型MCHMM，利用期望最大化EM算法分初始化和迭代訓(xùn)練兩步來估計模型參數(shù)；

2.3)基于每個系數(shù)在各狀態(tài)下的概率和方差計算系數(shù)的細(xì)節(jié)性，結(jié)合上下文隸屬度得到系數(shù)的活動測度，通過取大的融合規(guī)則得到高頻融合子帶。

3.根據(jù)權(quán)利要求2所述的基于多狀態(tài)上下文隱馬爾科夫模型的紅外和可見光圖像融合方法，其特征在于，所述步驟1)包括如下步驟：

1)計算低頻系數(shù)在W₁×W₂鄰域內(nèi)的區(qū)域能量：

其中，I代表紅外圖像A或可見光圖像B，表示圖像在(x，y)位置處的低頻子帶系數(shù)，W₁×W₂表示窗口鄰域；

2)對低頻子帶的區(qū)域能量進(jìn)行歸一化處理：

VLE^I(x，y)＝(LE^I(x，y)-min(LE^I))/(max(LE^I)-min(LE^I))，I＝A，B

其中，max(·)表示取最大值，min(·)表示取最小值；

3)根據(jù)低頻子帶區(qū)域能量的差異度確定權(quán)重w(x，y)，得到融合后的低頻子帶系數(shù)具體公式如下：

w(x，y)＝0.5+(VLE^A(x，y)-VLE^B(x，y))/2，

4.根據(jù)權(quán)利要求2所述的基于多狀態(tài)上下文隱馬爾科夫模型的紅外和可見光圖像融合方法，其特征在于，所述步驟2.1)包括如下步驟：

首先，根據(jù)系數(shù)的相關(guān)性構(gòu)建上下文子帶，用NA_t、NB_t分別表示當(dāng)前系數(shù)的4個直接鄰居和4個對角鄰居，t＝1，2，3，4，PX表示父系數(shù)，CX₁、CX₂表示兩個相鄰的表兄弟系數(shù)，那么一個系數(shù)的上下文定義如下：

其中，ω₀，ω₁，ω₂，ω₃表示權(quán)重系數(shù)；

然后，計算系數(shù)的上下文細(xì)節(jié)隸屬度值：

其中，σ表示當(dāng)前子帶的上下文context的標(biāo)準(zhǔn)差，E，E_P，分別表示當(dāng)前子帶、父子帶和兩個相鄰兄弟子帶的平均能量，定義如下：

其中，E_*代表4個平均能量中的一個，N表示當(dāng)前子帶的系數(shù)總個數(shù)，C²表示當(dāng)前子帶系數(shù)的平方。