[發(fā)明專利]基于WSN-LatLRR的紅外和可見光圖像融合方法

在審

• 申請?zhí)枺?/td>: 202110537569.1
• 申請日: 2021-05-17
• 公開（公告）號: CN113362281A
• 公開（公告）日: 2021-09-07
• 發(fā)明（設計）人: 趙遼英;潘巧英;厲小潤
• 申請（專利權）人: 杭州電子科技大學;浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/50;G06F17/16
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于WSN-LatLRR的紅外和可見光圖像融合方法，其特征在于包括以下步驟：

步驟1、對可見光圖像I₁和紅外圖像I₂進行預處理：處理為低秩分解的數據矩陣P(I₁)和P(I₂)，所述的P(I_r)(r＝1,2)表示將圖像I_r均分為大小為n×n的M個子塊，并把每個圖像子塊重排為一列數據；

步驟2、可見光圖像數據P(I₁)通過k級加權schatten p-范數潛在低秩分解，得到k個顯著圖像和一個低秩圖像紅外圖像數據P(I₂)通過k級加權schatten p-范數潛在低秩分解，得到k個顯著圖像和一個低秩圖像所述表示P(I_r)第j級分解后得到的顯著部分，其中r＝1,2；表示將中每列數據重排為n×n的矩陣后重構為整個顯著圖的操作；

步驟3、選用基礎圖像融合策略，對低秩圖像和融合，得到融合后的低秩圖像

步驟4、選用顯著圖像融合策略，對顯著部分矩陣和融合，得到融合后的顯著矩陣進一步重構得到融合后的顯著圖像其中，j＝1，…，k。

步驟5、將步驟3和步驟4的結果相加得到最后的融合結果：

2.根據權利要求1所述的基于WSN-LatLRR的紅外和可見光圖像融合方法，其特征在于步驟1所述加權schatten p-范數潛在低秩分解即求如下優(yōu)化問題：

其中，X表示輸入數據即P(I₁)或P(I₂)，Z和L分別表示低秩系數和顯著性系數，XZ和XL分別為低秩部分矩陣和顯著部分矩陣，E表示稀疏噪聲，表示加權schatten p-范數的p次方，||E||₁表示1范數，λ表示平衡系數且λ＞0，s.t.為約束條件。

3.根據權利要求1所述的基于WSN-LatLRR的紅外和可見光圖像融合方法，其特征在于所述核范數加權融合的權重的計算公式如下：

其中，表示的第m列，m＝1，…，M，表示的權重值。

4.根據權利要求1所述的基于WSN-LatLRR的紅外和可見光圖像融合方法，其特征在于步驟2所述優(yōu)化問題通過增廣拉格朗日乘子法求解，具體過程為：

2-1.通過定義J＝Z和S＝L構建增廣拉格朗日函數：

其中，M₁，M₂，M₃為拉格朗日乘子，μ為懲罰系數；

2-2.按如下次序迭代交替更新各個變量，直到滿足收斂條件；

Z^*＝(I+X^TX)^-1(X^T(X-LX-E)+J+(X^TM₁-M₂)/μ)，Z＝Z^*

L^*＝((X-XZ-E)X^T+S+(M₁X^T-M₃)/μ)(I+XX^T)^-1，L＝L^*

μ^*＝min(ρμ，max_μ)，μ＝μ^* (5)

其中，ρ和max_μ為預先定義的常量。

5.根據權利要求4所述的基于WSN-LatLRR的紅外和可見光圖像融合方法，其特征在于步驟2-2所述J^*和S^*可采用廣義迭代收縮算法求解，所述E^*用收縮算法求解。