[发明专利]一种基于全变分图像融合的方法及装置

权利要求书

1.一种基于全变分图像融合的方法，其特征在于，所述方法包括：

分解第一源图像和第二源图像；

根据被分解的图像融合的需求，建立图像重构模型，根据所述图像重构模型求解出最优低频加权系数；

根据所述最优低频加权系数进行图形融合，得到最优融合图像。

2.如权利要求1所述的方法，其特征在于，所述分解第一源图像和第二源图像具体为：

采用非对偶变换的方法分解第一源图像和第二源图像或

采用对偶变换的方法分解第一源图像和第二源图像。

3.如权利要求2所述的方法，其特征在于，所述根据被分解的图像融合的需求，建立图像重构模型，根据所述图像重构模型求解出最优低频加权系数具体为：

当采用非对偶变换分解第一源图像和第二源图像，根据预设的图像域模型方式，建立图像域的全变分模型，根据所述图像域的全变分模型求解出最优低频加权系数或

当采用非对偶变换分解第一源图像和第二源图像，根据预设的变换域模型方式，建立变换域的全变分模型，根据所述变换域的全变分模型求解出最优低频加权系数。

4.如权利要求3所述的方法，其特征在于，当采用非对偶变换分解第一源图像和第二源图像，所述根据预设的图像域模型方式，建立图像域的全变分模型，根据所述图像域的全变分模型求解出最优低频加权系数具体为：

检测到预设的模型方式为图像域模型方式；

根据所述图像域模型方式，建立图像域的全变分模型E[fF(x,y)]=min{λ∫∫Ω|▿fF|2dxdy-∫∫Ω[β1(fF-α·fA)2+β2(fF-(1-α)·fB)2]dxdy},]]>所述.表示点乘，f^F表示最终融合图像，f^A表示第一源图像，f^B表示第二源图像，λ是预设的平滑项因子，β₁和β₂是预设的常数，满足β₁+β₂=1，β₁和β₂的取值取决于最终融合图像需要体现第一源图像还是第二源图像的显著目标，α是低频加权系数；

定义F=λ|▿fF|2-[β1(fF-α·fA)2+β2(fF-(1-α)·fB)2],]]>其中▿fF=((fxF)2+(fyF)2)1/2;]]>

由f^F=αC+D得到fxF=α·Cx+αx·[Cτ(1,0)]+Dx,]]>fyF=α·Cy+αy·[Cτ(0,1)]+Dy,]]>所述表达式f^F=αC+D由非对偶变换的融合图像的重构表达式得出，C和D为常数；所述f_x^F为f^F的x方向导数，C_x为C的x方向导数，α_x为α的x方向导数，f_X^F为f^F的x方向导数，C_y为C的y方向导数，α_y为α的y方向导数，所述τ(1，0)表示将图像沿X正方向平移一个像素，τ(0，1)表示将图像沿Y正方向平移一个像素；

由F=λ|▿fF|2-[β1(fF-α·fA)2+β2(fF-(1-α)·fB)2],]]>fxF=α·Cx+αx·[Cτ(1,0)]+Dx,]]>fyF=α·Cy+αy·[Cτ(0,1)]+Dy]]>和∂α∂t=∂F∂α-ddx(∂F∂αx)-ddy(∂F∂αy)]]>推导出∂F∂α=2[λfxF·Cx+λfyF·Cy-β1(fF-α·fA)·(C-fA)-β2(fF-(1-α)·fB)·(C+fB)],]]>∂F∂αy=2λfyF[Cτ(0,1)]]]>和∂F∂αx=2λfxF[Cτ(1,0)],]]>所述表达式∂α∂t=∂F∂α-ddx(∂F∂αx)-ddy(∂F∂αy)]]>中的F与F=λ|▿fF|2-[β1(fF-α·fA)2+β2(fF-(1-α)·fB)2]]]>中的F是同一参数；

将∂F∂αy=2λfyF[Cτ(0,1)],]]>∂F∂αx=2λfxF[Cτ(1,0)]]]>和∂F∂α=2[λfxF·Cx+λfyF·Cy-β1(fF-α·fA)·(C-fA)-β2(fF-(1-α)·fB)·(C+fB)]]]>代入∂α∂t=∂F∂α-ddx(∂F∂αx)-ddy(∂F∂αy),]]>采用梯度下降流法，使用f^F=αC+D和∂α∂t=∂F∂α-ddx(∂F∂αx)-ddy(∂F∂αy)]]>交替迭代，求解出最优低频加权系数。