[发明专利]基于UDCT和PCNN的可见光与红外图像融合方法

摘要

基于UDCT和PCNN的可见光与红外图像融合算法，本发明涉及图像处理技术领域，解决现有技术由于不能够判断待融合图像低频信息的相似性、不能够判断源图像的细节丰富程度而导致的融合图像不清晰、细节不明显等技术问题。本发明主要包括将可见光图像和红外图像的源图像分别进行UDCT变换分解后，可得到不同尺度不同方向的UDCT子带系数，其包含了低频和高频的UDCT系数；(2)按照特定的规则对各尺度层采用不同的方式进行融合处理，即对低频系数采用低频系数融合规则，而采用高频系数融合规则处理高频系数，最后可获取融合后的各层UDCT系数；逆变换融合后的各层UDCT系数得到的重构图像便是融合图像。

主权项

1.基于UDCT和PCNN的可见光与红外图像融合方法，其特征在于，包括如下步骤，步骤1、获取可见光源图像和红外源图像，分别划分可见光源图像和红外源图像为可见光图像块和红外图像块；步骤2、对可见光源图像和红外源图像进行均匀离散曲波变换，每幅源图像分别获得一组不同尺度且不同方向的低频子带系数和高频子带系数；步骤3、选择高频融合规则并通过脉冲耦合神经网络对高频子带系数进行融合，获得高频融合系数；步骤4、计算可见光图像块和红外图像块的能量相似度特征值，计算可见光图像块和红外图像块的高斯差分特征值，再根据能量相似度特征值和高斯差分特征值，选择低频融合规则并对低频子带系数进行融合，获得低频融合系数；步骤5、根据低频融合系数和高频融合系数，获得融合系数，再根据融合系数，利用多尺度变换逆变换进行图像重构，获得融合图像；所述的步骤3，包括如下步骤，步骤3.1、通过对源图像进行UDCT变换获得UDCT变换系数，然后将其作为PCNN神经元的输入，输入进PCNN神经网络，由此，可生成一个与神经元点火次数的总和相对应的点火分布矩阵；步骤3.2、将UDCT得到的各子带系数分别输入PCNN，经由同样次数的迭代得到各自对应的点火映射图；步骤3.3、通过比较点火映射图对应像素处的点火次数，就可判定该对应处是否为高频信息丰富处，以此获得高频融合系数；设源图像A，B的变换系数位置为(i，j)对应的PCNN神经元点火次数分别表示为PA(i,j)，PB(i,j)，高频融合规则为：为高频融合系数、为可见光源图像A的高频子带系数、为红外源图像B的高频子带系数；所述的步骤4，包括如下步骤，步骤4.1、通过如下公式，计算可见光图像块和红外图像块的能量相似度特征值S(i,j)其中，FA(i,j),FB(i,j)分别为可见光图像块和红外图像块，以图像二维坐标(i,j)为中心，min{E(FA(i,j)),E(FB(i,j))}为可见光图像块和红外图像块能量的最小值函数，max{E(FA(i,j)),E(FB(i,j))}为可见光图像块和红外图像块能量的最大值函数；步骤4.2、预设相似度阈值，判断能量相似度特征值S(i,j)是否大于相似度阈值；步骤4.2.1、若能量相似度特征值S(i,j)大于相似度阈值，选取平均规则融合低频子带系数；步骤4.2.2、若能量相似度特征值S(i,j)小于或等于相似度阈值，选取能量相对更大的可见光图像块或红外图像块，并对其赋相对更大的加权；步骤4.3、结合高斯差分特征值，通过更新如下公式为融合公式并设置阈值T，从而获得低频融合系数其中，α₁,α₂为加权系数，以图像二维坐标(i,j)为中心，为低频融合系数、为可见光源图像A的低频子带系数、为红外源图像B的低频子带系数，为对图像A以坐标(i,j)中心进行高斯差分后的特征值，为图像B以坐标(i,j)中心进行高斯差分后的特征值。