[发明专利]一种基于区域能量和方差的稀疏融合方法

说明书

本发明公开了一种基于区域能量和方差的稀疏融合方法，属于图像处理领域的图像融合部分。本发明重点针对红外和可见光图像，使用基于区域能量和方差的融合规则，对不同源图像的稀疏系数进行融合处理，并通过稀疏重构，得到最终的融合图像。通过对多幅已配准的红外和可见光图像测试表明，该方法较与传统方法与一般的稀疏融合算法，在熵、互信息、边缘保持度、平均梯度等评价指标方面有明显的优势。该方法利用区域能量和方差对图像块进行分类，得以选取更适合的规则进行融合处理，改善了单一融合规则没有充分考虑图像信息的缺陷，所以本发明提出的方法具有较好的融合效果。

技术领域

一种基于区域能量和方差的稀疏融合方法，用于实现红外和可见光图像的像素级融合，属于图像处理领域。

背景技术

图像融合技术主要通过对不同源图像的综合处理来现对场景信息更丰富的表达。针对红外图像和可见光图像，融合技术不仅可以弥补可见光成像时的不足，在黑夜、烟雾等极端条件下实现全天候监控，而且可以在人口密集场景下利用可见光成像进行目标外部特性分析，利用红外成像对目标进行内部分析，从而实现人性化的监控。因此在军事和智能监控等领域，红外与可见光图像融合技术有很高的研究价值。

图像融合算法性能的好坏主要体现在融合图像对源图像结构、细节信息的保留程度以及融合图像包含信息的丰富程度。通常可以通过互信息、交叉熵、结构相似度等指标来表征融合算法性能的优劣，另一方面，运行时间也是表征算法性能优劣的重要指标。

目前，常用的图像融合算法有基于主成分分析的图像融合、基于离散小波变换的图像融合、基于非下采样多尺度变换的图像融合以及基于稀疏表示的图像融合等一系列算法。在融合过程中，稀疏表示理论的引入不仅可以保证得到的数据包含了红外和可见光图像的完整信息，而且可以降低计算复杂度和提高传输效率，为后续处理和应用提供更丰富的信息支撑。

发明内容

本发明的目的在于：为解决现有的图像融合算法对原图像结构、细节信息的保留程度不够好以及融合图像包含信息的丰富程度不高的问题。可见光图像细节丰富，结构清晰但是容易受光线强弱的影响导致感兴趣目标丢失，而红外图像可以弥补这一缺陷，本发明基于表征原图像清晰度和红外辐射强弱的区域能量和方差来制定融合规则，可以很好地保留可见光图像中的细节信息和红外图像中有强红外辐射的目标的结构信息，取得较好的融合效果。本发明提供一种基于区域能量和方差的稀疏融合方法。

本发明采用的技术方案如下：

步骤1：读入红外图像r(x,y)和可见光图像v(x,y)，根据滑块大小s和滑动步长l对其进行边界扩充得到红外图像Ar1(x,y)和可见光图像Av1(x,y)，根据红外图像Ar1(x,y)大小构造一个行列相同的融合图像矩阵Y，并初始化矩阵各元素为零；

步骤2：对红外图像r(x,y)和可见光图像v(x,y)构造的训练集A进行字典训练得到过完备字典D；

步骤3：根据s和l对红外图像Ar1(x,y)和红外图像Av1(x,y)按照从左到右，从上到下分别依次进行滑窗处理，每次得到的图像块s1,s2按行展开成列向量c1,c2；

步骤4：在过完备字典D下对列向量c1，c2进行稀疏分解并得到各自的稀疏系数；

步骤5：根据稀疏系数对应的图像块的区域能量和方差，若可见光图像的区域能量和方差均大于红外图像的区域能量和方差，融合系数取可见光图像的稀疏系数，若红外图像的区域能量和方差均大于可见光图像的区域能量和方差，融合系数取红外图像的稀疏系数，其余情况融合系数由基于方差的权重来加权融合得到；得到的融合系数在过完备字典D下进行稀疏重构得到列向量c3，再将其转换为为图像块，叠加到融合图像矩阵Y对应的位置中；

步骤6：迭代步骤3、步骤4和步骤5，直到红外和可见光图像滑窗移动到最后一行和最后一列；再将得到的融合图像矩阵Y依据各自对应位置的叠加次数进行平均处理，经过裁剪得到最终的融合图像F。