[发明专利]一种红外光强与偏振图像多类变元组合的融合方法

摘要

本发明公开了一种红外光强与偏振图像多类变元组合的融合方法，包括以下步骤：S1：对采集图像特征进行类型分类；S2：将采集的图像的融合过程分成四类变元组；S3：建立四类变元组和三类图像特征的一一映射关系；S4：将建立变元组与图像特征之间的多个独立的一一映射关系，利用决策树方法建立以图像特征为起点，以变元组内变元为子结点的多集值映射关系；S5：利用边缘、纹理、亮度特征提取方法对图像进行特征提取并计算其特征幅值，并计算两类图像特征之间的差异特征幅值的绝对值；S6：将S5所得到的差异特征顺序关系输入到S4所得到的公式(2)中，可以得到四类变元组每个变元组内变元的选择情况。

主权项

一种红外光强与偏振图像多类变元组合的融合方法，其特征在于包括以下步骤：S1：对采集的红外光强图像和红外偏振图像的图像特征进行类型分类：根据图像特征的视觉效果，可以将图像特征分为三类：边缘特征、纹理特征和亮度特征；S2：将采集的红外光强图像和红外偏振图像的融合过程分成多尺度分解方法变元组、融合规则变元组、融合参数变元组、逆变换准则变元组四类变元组，确定每类变元组内变元；S3：利用公式(1)分别建立步骤S2的四类变元组和步骤S1的三类图像特征的一一映射关系，当公式(1)计算所得的数值为正时，建立映射关系；所得数值为负时，不建立映射关系，其中公式(1)如下：yi=xi-1nΣi=1nximax1≤i≤n(xi-1nΣi=1nxi)]]>公式中xi为客观评价指标的数值，n为多尺度分解方法变元组组内变元或者融合规则变元组组内变元的总数，yi为计算所得比较融合数值，其中yi＞0认为其对应的变元组与所对应的图像特征融合是有效融合，数值越大融合效果越好，yi≤0证明该算法不合适该特征的融合，既为无效融合变元；S4：将步骤S3所建立变元组与图像特征之间的多个独立的一一映射关系，利用决策树方法建立以图像特征为起点，以变元组内变元为子结点的多集值映射关系，利用矩阵将S3所建立的独立映射关系进行量化并建立如公式(2)所示的函数化关系，其中公式(2)如下：F＝(ST×T×Z)×α1L×Z×α2H×Z   (2)S=a1a2a3a4a5a6a7a8a9a10b1b2b3b4b5b6b7b8b9b10c1c2c3c4c5c6c7c8c9c10L=d1d2d3d4e1e2e3e4f1f2f3f4H=h1h2h3h4i1i2i3i4j1j2j3j4---(3)]]>F为结果矩阵、S为多尺度分解变元组矩阵、ST为矩阵S的转置矩阵、H为高频融合规则变元矩阵、L为低频融合规则变元组矩阵、T为逆变换准则变元组矩阵、Z为过渡矩阵矩阵维数与上次矩阵乘法维度有关，解决矩阵不能相乘问题，矩阵内元素全部为1，α1、α2为融合参数，其中α1+α2＝1，图像特征为3个，则四个矩阵的维度分别为3×10、3×4、3×4、3×10，具体矩阵如公式(3)所示；矩阵中每一个元素的数值由有效融合程度公式(1)计算，其数值在[0,1]区间内，其中小于0时按0处理，则建立四个变元组之间的有效组合关系由公式(2)计算所得，通过所得到的矩阵F，通过数值大小可以显著得出哪几个组合为有效融合，从而对变元进行选择，得到具有针对性的融合方法；S5：利用边缘、纹理、亮度特征提取方法对步骤S1中的红外光强图像和红外偏振图像进行特征提取并计算其特征幅值，并计算两类图像特征之间的差异特征幅值的绝对值，并将计算所得绝对值进行降序排序，得到原始图像差异特征的顺序；S6：将S5所得到的差异特征顺序关系输入到S4所得到的公式(2)中，可以得到四类变元组每个变元组内变元的选择情况，其中所选择的变元组内变元可能是单一变元或者多个变元，将所得到的变元逐次放入融合模型中，具体顺序为多尺度分解方法变元、融合规则变元、融合参数变元、逆变换变元，从而得到新的融合方法，将原始红外光强图像与红外偏振图像输入新的融合方法，可以输出融合图像。