[发明专利]一种基于整数DCT变换的实时图像融合方法

权利要求书

1.一种基于整数DCT变换的实时图像融合方法，其特征在于，包括如下步骤：

a、分别对红外图像和可见光图像亮度分量进行整数DCT量化以及融合,根据预设的融合规则对红外图像和可见光图像的亮度分量的整数DCT变换系数进行融合处理；对融合后的变换系数进行整数DCT反变量化，得到融合后的灰度图像；

b、采用深度学习神经网络语义识别进行场景识别；

c、选取最佳的场景参考图像对灰度融合图像进行色彩传递，生成彩色融合图像；

d、将生成的彩色融合图像在RGB色域内进行彩色直方图匹配处理；

对图像进行整数DCT量化具体包括如下步骤：

对图像进行分块处理，单位分块为8x8；

对图像按块进行整数DCT量化，得到图像的整数DCT变换系数；

其中，整数DCT量化过程为：

Y＝((Y′[i,j]+(1＜＜4))＞＞5×scalmatrix[i,j]+(1＜＜11))＞＞12；

整数DCT正变换过程Y′＝PXP^T；

整数DCT变换基为[12 10 6 3]；

变换矩阵P为：

量化矩阵scalmatrix为：

还包括：

预设的融合规则，对于直流系统的融合，采用如下公式：

YF_block[0,0]＝(YA_block[0,0]+YB_block[0,0])/2；

对于其它系统的融合，采用如下公式：

如果abs(YA_block[i,j])abs(YB_block[i,j]),i≠0,j≠0,i8,j8，则YF_block[i,j]＝YA_block[i,j]；否则，YF_block[i,j]＝YB_block[i,j]；

还包括：

整数DCT反量化公式为：X[i,j]＝(X′[i,j]+(1＜＜15))＞＞16；

其中，整数DCT反变换过程为：X′＝P^TY_FP。

2.根据权利要求1所述的基于整数DCT变换的实时图像融合方法，其特征在于，采用蝶形算法执行整数DCT正变换和/或反变换过程。

3.根据权利要求1所述的基于整数DCT变换的实时图像融合方法，其特征在于，还包括：

深度学习神经网络语义识别，引入Cascade思想，将图像像素根据分割难易度分为三个等级：Easy、Moderate、Hard，分别用CNN网络的浅层、中层、高层完成分割,降低运算量同时提高分割精度。

4.根据权利要求1所述的基于整数DCT变换的实时图像融合方法，其特征在于，还包括：

选取用于颜色传递的最佳参考图像规则：

采用图像场景划分，于拟好的参考图像库中选取对应场景的参考图像；本规则对参考图像的选取要求并不苛刻，对参考图像的场景只要求与需要观察的场景基本相似，选取具有适中的亮度和对比度的参考图像即可，便于保证系统的轻量级和实时性。