[發(fā)明專利]一種紅外與可見光圖像融合方法

有效

• 申請?zhí)枺?/td>: 202110724273.0
• 申請日: 2021-06-29
• 公開（公告）號: CN113269704B
• 公開（公告）日: 2022-07-29
• 發(fā)明（設(shè)計）人: 李威;李忠民;李士驥
• 申請（專利權(quán)）人: 南昌航空大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06N3/04
• 代理公司: 南昌豐擇知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 36137
• 代理人: 張榮

1.一種紅外與可見光圖像融合方法，其特征是所述方法包括以下步驟：

(1)、利用多尺度保邊濾波技術(shù)對紅外與可見光圖像多尺度分解，得到紅外圖像的細節(jié)層基礎(chǔ)層BS_A和粗糙層以及可見光圖像的細節(jié)層基礎(chǔ)層BS_B，粗糙層

(2)、對紅外與可見光圖像的細節(jié)層圖像以及對應(yīng)的粗糙層圖像利用參數(shù)自適應(yīng)融合脈沖耦合神經(jīng)網(wǎng)絡(luò)融合得到融合后的細節(jié)層圖像與粗糙層圖像

(3)、對紅外與可見光圖像的基礎(chǔ)層BS_A和BS_B利用顯著性能量融合規(guī)則得到融合后的基礎(chǔ)層圖像BS；

(4)、對融合后的細節(jié)層圖像粗糙層圖像和基礎(chǔ)層圖像BS求和重構(gòu)得到融合圖像F；

步驟(1)采用一種多尺度保邊濾波技術(shù)，該技術(shù)聯(lián)合滑動窗口濾波器和高斯濾波器對輸入圖像進行快速提取各個尺度的不同特征信息；

步驟(2)通過改變PA-PCNN模型的輸入?yún)?shù)值，以局部像素信息值作為輸入點，更加適應(yīng)于以提取細節(jié)信息的PA-PCNN模型；

步驟(1)中EPF域內(nèi)的多尺度分解具體步驟為：

式(1-3):

其中，I∈{A，B}是輸入圖像，是經(jīng)過第i次滑動窗口濾波后的圖像，是經(jīng)過第i次高斯濾波后的圖像；

步驟(2)對細節(jié)層和粗糙層進行PA-PCNN融合具體步驟如下：

(1)在進行PA-PCNN之前，利用修正的細節(jié)拉普拉斯函數(shù)對細節(jié)層和粗糙層圖像進行局部細節(jié)信息提取，提升細節(jié)層和粗糙層的融合質(zhì)量；DSML函數(shù)表達式如下式(4-5)：

其中I是待輸入處理的圖像，R為I圖像的尺寸大小，m和n分別為權(quán)重矩陣W橫縱方向上的尺寸值，W矩陣初始化為

(2)將(1)預(yù)處理后的各尺度圖像代入PA-PCNN模型進行融合，PA-PCNN的數(shù)學描述如下：

F_ij[n]＝S_ij[n]＝DSML_I (6)

α_f＝log(1/σ(S)) (11)

其中，DSML_I上一步預(yù)處理后的各個尺度圖像，F(xiàn)_ij[n]和L_ij[n]分別為第n次迭代中(i,j)位置上的神經(jīng)元的饋入輸入和連接輸入，S_ij為輸入的圖像，V_L為連接輸入幅度，L_ij[n]為內(nèi)部激勵閾值，W_ijkl為突觸權(quán)重常量，α_f為指數(shù)衰減系數(shù)，Y_ij[n]為著火條件，β為神經(jīng)元的鏈接強度，α_e和V_E分別為模型輸出E_ij[n]的指數(shù)衰減系數(shù)和幅度值；σ(S)為圖像S的標準差，其取值范圍為[0,1]，S'和S_max分別為輸入圖像的歸一化閾值和圖像最大強度；

步驟(3)對基礎(chǔ)層進行EA融合具體步驟如下：

(1)利用基礎(chǔ)層圖像的平均值和中位值得到基礎(chǔ)層圖像的固有特性值：

P_A＝μ_A+Me_A (15)

P_B＝μ_B+Me_B (16)

其中，μ表示BS的平均值，Me表示BS的中位值；

(2)計算基礎(chǔ)層圖像各自的能量函數(shù)值：

其中，α表示調(diào)制參數(shù)；

(3)通過加權(quán)平均得到融合后的基礎(chǔ)層BS：

步驟(4)圖像重構(gòu)的融合圖像F由式(20)得到

F＝FSⁱ+CSⁱ+BS (20)。