[发明专利]基于Riesz-Lap变换及PCNN的图像融合方法

说明书

本发明公开了基于Riesz‑Lap变换及PCNN的图像融合方法，Riesz变换具有分离出图像低级特征的能力，且人类视觉感知的重要信息来也来自图像的低级特征。本发明提出将待融合源图像先分解到Riesz变换域，再将Riesz变换域的图像序列进行基于分数阶拉普拉斯算子以及多重调和样条小波变换，使图像表示具有方向特性和多分辨率特性，在Riesz拉普拉斯小波基础上结合脉冲耦合神经网络所具有的全局耦合特性进行融合。经过多聚焦、医学CT和核磁共振、遥感全色及多光谱等影像多种应用场景测试，本发明得到的图像融合结果视觉效果较好，对比度和清晰度上有所提升，且运行效率高。

技术领域

本发明涉及计算机应用领域，具体涉及基于Riesz-Lap变换及PCNN的图像融合方法。

背景技术

为获取某一待研究场景的图像时，由于成像时聚焦的位置不同，该场景图像的不同区域成像的清晰度也就不同，为了得到该场景更为清晰以及信息更多的图像，这就需要用到图像融合的方法去解决该类多聚焦问题。除了多聚焦融合外，还有大量其他的待解决的图像融合问题，随着技术进步成像的传感器的种类也越来越多，不同的传感器获取不同的信息能力也不同，例如遥感卫星成像设备采集到的多波段遥感图像以及全色影像与多光谱影像等，其中全色影像具有更高的空间分辨的结构信息，多光谱则包含了色彩信息，将两者融合后的图像可以更好的与实际地面信息相对应。

图像融合按图像信息描述的层级由低到高依次为像素级融合、特征级融合、决策级融合，其中像素级和特征级融合相关的研究为图像融合的重点与热点。为了更好的提取出图像结构信息，图像融合由空域进而转到变换域，变换域相对于空域直接对图像灰度值进行操作可以更容易分离出边缘细节信息，总体上在变换域基础上进行融合使图片结果更清晰对比度表现更好。变换域相关研究也大多集中在不同多分辨率变换上，有基于金字塔分解、小波变换、超小波变换等。基于小波分解的方法在局部频率分析上表现良好，相对于基于金字塔分解减少了子带系数之间相关性；超小波之一的轮廓波变换具有多方向性相对于小波变换能更好的表示自然场景中奇异的线与面等；非下采样变换(Non-subsampledContourlet Transform,NSCT)用子带分离方式避免上下采样过程造成的复原后频谱混叠，但实际上也增加了数据量和计算量。一系列的改进都有一个共同的目标就是更好的分解表示自然场景图像，相关特征进行聚集便于分离出来。Riesz变换具有保持低级特征空间的一致性，且Riesz变换后具有局部性和方向性。基于Riesz变换在计算机视觉与图像上的应用也有一些研究者在相关领域得到较理想的成果，例如对图像基于Riesz变换图像结构相似度的图像质量评价，以及基于Riesz变换分离出图像特征后图像质量评价，由于Riesz变换具有各向同性，且Riesz变换具有计算相对简便的特点，将图像转换到Riesz变换空间，再基于相位一致性检测出图像边缘，比在希尔伯特变换空间计算相位一致性更高效。

发明内容

针对现有技术的不足，本发明提供了基于Riesz-Lap变换及PCNN的图像融合方法，包括如下步骤：

步骤1，读取要处理的两张图像，分别记为图像A、图像B；

步骤2，分别对图像A、图像B进行Riesz变换，图像A、图像B变换后的图像分别记为图像C、图像D；

步骤3，对图像C、图像D分别进行拉普拉斯小波变换，得到具有多分辨率特性的图像塔形结构；

步骤4，对步骤3得到的图像采用脉冲耦合神经网络点火策略，将不同来源的待融合Riesz金字塔各层进行比较融合；

步骤5，将步骤4得到的图像用拉普拉斯金字塔逆变换回Riesz变换域(详情请见于2012年发表于计算机工程与应用期刊的《基于PCA的拉普拉斯金字塔变换融合算法研究》)；

步骤6，进行Riesz逆变换最终得到融合图像。

步骤2包括如下步骤：