[发明专利]一种基于多方向梯度滤波的多模态遥感图像融合方法

权利要求书

1.一种基于多方向梯度滤波的多模态图像融合方法，其特征在于，包括：

获取待进行融合的多张不同模态的源图像，并对每张所述源图像均进行拉普拉斯分解，得到多个拉普拉斯金字塔序列；其中，每个所述拉普拉斯金字塔序列均包括一个低频层和多个高频层；

将每个所述低频层均代入至一滤波优化问题中进行迭代求解，得到该低频层对应的滤波结果，并以该滤波结果为该低频层对应的显著层，计算该低频层对应的残差层；其中，所述滤波优化问题是以滤波效果为优化目标的优化问题，所述优化目标至少包括滤波前后图像的亮度分布相似性以及滤波后的八方向总梯度；

基于目标源图像的显著层计算显著层融合因子，并基于各残差层计算残差层融合因子；其中，所述目标源图像为所述多张不同模态的源图像中的红外图像或SAR图像；

基于所述显著层融合因子和所述残差层融合因子对不同模态的源图像分别进行显著层融合以及残差层融合，并利用显著层融合结果和残差层融合结果得到低频层融合结果；

对不同模态的源图像进行高频层融合，并基于高频层融合结果以及所述低频层融合结果采用拉普拉斯逆变换法进行图像重构，得到多模融合图像。

2.根据权利要求1所述的基于多方向梯度滤波的多模态图像融合方法，其特征在于，所述滤波优化问题为：

其中，用O表示迭代过程中的滤波图像，O_c表示所述滤波图像的任一像素点c的像素值，该像素点c的坐标为(x,y)，I_c表示低频层I中坐标同为(x,y)的像素点的像素值；||·||₂表示L₂范数；分别表示左、右、上、下、右上、右下、左上、左下共八个方向的梯度算子；P_c,l、P_c,r、P_c,u、P_c,d、P_c,ru、P_c,rd、P_c,lu、P_c,ld分别为对应的惩罚系数；每个所述惩罚系数均是根据对应的梯度算子进行计算得到的；O^*为迭代求解得到的最优解，即所述滤波结果。

3.根据权利要求2所述的基于多方向梯度滤波的多模态图像融合方法，其特征在于，所述惩罚系数的计算方式如下：

其中，direct表示方向，分别为左、右、上、下、右上、右下、左上、左下；α为预设的梯度阈值，β为预设的斜率控制因子，P_max为预设的最大惩罚系数。

4.根据权利要求1所述的基于多方向梯度滤波的多模态图像融合方法，其特征在于，基于目标源图像的显著层计算显著层融合因子的方式，包括：

m＝mean2(A₁)，

λ＝10*m,

s＝std2(A₁)，

R＝|A₁|，

其中，粗体的A₁表示目标源图像的显著层，未加粗的A₁表示该显著层的任一像素点，R为A₁的模值，R_max为该显著层的所有像素点中的最大模值；mean2(·)表示求平均值，std2(·)表示求标准差；w为对应于所述目标源图像的一显著层融合因子，对应于非目标源图像的显著层融合因子根据w确定。

5.根据权利要求1所述的基于多方向梯度滤波的多模态图像融合方法，其特征在于，所述基于各残差层计算残差层融合因子，包括：

采用Sobel算子计算每个残差层的Sobel梯度图；

利用高斯滤波器对每个所述Sobel梯度图进行扩散，得到对应的扩散梯度图；

基于各扩散梯度图分别计算各残差层对应的残差层融合因子。