[发明专利]基于小波系数统计模型的鲁棒图像融合方法

说明书

本发明公开了一种基于小波系数统计模型的鲁棒图像融合方法，其首先准备待融合的两幅含噪图像，对含噪图像分别进行双树复小波变换，分别将两幅图像都分解为低频子带和高频子带；然后分别对两幅图像的高频子带提取收缩算子；基于两个待融系数之间建立联合概率分布和独立的边缘分布，建立基于联合、边缘分布的匹配度；提出基于边缘分布的基于散度和信息熵的显著度度量，并与收缩算子结合；在统计模型框架下，本发明提出利用矩估计的参数估计方法，将去噪算法中的去噪参量替换融合算法中的矩，使得融合规则框架不受噪声影响的，同时将去噪算子与融合权重相结合，精确去除噪声同时保留了源图像的细节信息，进一步提升了融合算法的去噪效果。

技术领域

本发明涉及图像去噪融合算法，具体涉及一种基于小波系数统计模型的鲁棒图像融合的方法。

背景技术

图像融合的目的是将多幅源图像中有用的重要信息提取、保留并整合到一幅图像中。源图像中包含不同频率分量的重要特征信息，需要在不同尺度上对其进行提取与分析，从而更有针对性地决定最终融合图像中将要保留合并的内容。目前基于多尺度的图像融合方法通过对不同层次子带设计融合规则进行融合，最大程度融合不同高频子带上的细节信息，为后续的检测、追踪或观察工作提供精确的图像场景信息。

在多尺度变换中，小波变换以其优异的时频局部特性和多分辨率特性，在图像融合和去噪领域被广泛应用。传统的小波变换因其不具有时移不变性和多方向性，使得在图像处理的过程中会丢失特征信息，产生伪迹等不良效果。双树复小波变换(Dual-treeComplex Wavelet Transform,DT-CWT)具有近似时移不变性并且每层具有6个方向子带，能够充分的提取源图像在不同层次上的细节信息，解决了丢失特征或伪迹对于融合结果的影响。

在基于小波变换的融合算法中，构建融合规则的主要方法是基于样本系数值的特定规则的定义，这种定义的融合规则是基于样本系数本身的幅度信息，而小波系数自身的稀疏性、传播性、聚集性都是有很强的统计分布表现，未充分呈现出小波系数本身特性的融合规则中的并不是最精准的。小波系数的邻域、父子以及异源图像小波系数之间都有着强烈的相关特性，通过统计模型对小波系数统计分布特性进行准确描述，可以将小波子带系数的相关特性以及边缘特性量化利用，能够实现更加精准的融合效果。

而在图像数字化和传输、储存过程中常会受到成像设备和光照、温度等外界因素的干扰而使图像质量下降，重要细节被噪声掩盖不仅影响其视觉效果，还直接关系到融合图像的品质。但是目前的融合算法都是在已去噪的前提下进行操作的，所以能够实现降噪的融合算法是有现实的应用意义。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种基于小波系数统计模型的图像去噪融合相结合的方法。

本发明的基于小波系数统计模型的鲁棒图像融合方法，包括下列步骤：

步骤1：对待融合的含噪(高斯白噪声)源图像I_A、I_B(其中A、B为源图像标识符)分别进行双树复小波变换，得到源图像I_A、I_B的多层分解子带；

步骤2：分别对各层分解子带进行像素级融合，得到融合后的多层分解子带：

步骤201：对分解子带中的低频子带，采用基于区域能量的权重融合方式进行融合，得到融合低频子带；

步骤202：对分解子带中的高频子带，采用匹配度联合双显著度的融合规则进行同层同方向高频子带融合，得到各层的融合高频子带：

202-1：基于源图像I_A、I_B的高频子带分别通过父子系数的拉普拉斯模型，并计算对应源图像I_A、I_B的高频子带系数双变量收缩算子S_A,S_B；