[发明专利]基于增补机制和PCNN的NSCT域图像融合方法

说明书

本发明公开了一种基于增补机制和PCNN的NSCT域图像融合方法，用于解决现有NSCT域图像融合方法存在图像失真现象的技术问题。技术方案是采用增补的小波变换对NSCT分解的低频子带进行融合处理，以便尽可能多的保留图像背景的细节信息；利用改进的高斯加权SML的方法进行融合来增强图像细节；利用边缘梯度信息激励PCNN的方法进行融合来增强图像边缘信息；实验证明本发明方法与现有的图像融合方法相比具有更好的融合效果，在对克服图像的纹理细节缺失、失真不足的同时，目标显著性得到很大的提高，进一步提高了图像质量。

技术领域

本发明涉及一种NSCT域图像融合方法，特别涉及一种基于增补机制和PCNN的NSCT域图像融合方法。

背景技术

由于成像机理和技术限制，单一成像传感器获取的图像并不能反映被观测对象的所有特征，因此需要对不同传感器图像中的有用信息进行提取，并融合成一副具备更完整信息，并有助于人类观察和处理的图像。

图像融合技术可以综合两种不同类型图像的互补信息，它不是简单地对不同类型图像进行叠加处理，通过融合得到的图像具备两种图像各自的优点，克服了单一传感器在应用环境、使用范围以及特定目标获取上存在的局限性，同时还能够提高图像的空间分辨率和清晰度，便于图像的理解和识别，有效地提高图像数据的利用率。图像融合技术不仅能够去除多传感器图像数据间的冗余信息，减少传输量，减轻观察者的观测压力，还能够获得关于同一场景或目标全面而精确的地理空间信息，因此在军事或民用领域的应用中，图像融合具有非常重要的研究价值。

近年来，针对图像的融合，已经有大量的图像融合算法被相继提出，其中基于多尺度分析的图像融合算法从多尺度金字塔变换开始，经由小波变换，Ridgelet变换，Curvelet变换等一系列算法发展，已取得了良好的融合效果。2006年，Minh.N.Do等人提出非下采样轮廓波变换(NonsubSampled Contourlet，NSCT)，NSCT是在Contourlet变换的基础上引入非下采样思想，保证了分解过程中的平移不变性，解决了传统算法在图像分解时的信号频谱混叠问题，获得了渐进最优的图像分析结果。在此基础上，国内外学者们相继提出了不少行之有效的新算法，但大多数融合图像纹理细节缺失、失真和目标显著性等问题难点仍然没有得到完全解决。

文献“基于补偿机制的NSCT域红外与可见光图像融合，仪器仪表学报,2016,37(4):861-870”公开了一种基于补偿机制的NSCT域红外与可见光图像融合方法，该方法采用NSCT变换对红外与可见光图像分别进行分解，得到低频子带和高频子带，对低频子带进行小波变换，利用合适的融合规则对对小波变换的子带进行融合，将其变换得到的子带重构作为NSCT重构的低频子带，接着将NSCT变换的高频子带的最高层利用绝对值取大方法，其它层利用PCNN方法进行融合，然后将得到的低频子带和高频子带进行NSCT重构获得融合后的图像。文献所述方法得到融合后图像对比度较低，可将光图像的背景细节信息丢失，无法体现源图像的纹理信息，并且融合图像部分区域存在一定的扭曲与失真现象。

发明内容

为了克服现有NSCT域图像融合方法存在图像失真现象的不足，本发明提供一种基于增补机制和PCNN的NSCT域图像融合方法。该方法采用增补的小波变换对NSCT分解的低频子带进行融合处理，以便尽可能多的保留图像背景的细节信息；利用改进的高斯加权SML的方法进行融合来增强图像细节；利用边缘梯度信息激励PCNN的方法进行融合来增强图像边缘信息；实验证明本发明方法与现有的图像融合方法相比具有更好的融合效果，在对克服图像的纹理细节缺失、失真不足的同时，目标显著性得到很大的提高，进一步提高了图像质量。

本发明解决其技术问题所采用的技术方案：一种基于增补机制和PCNN的NSCT域图像融合方法，其特点是包括以下步骤：