[发明专利]一种基于空间通用自回归模型的图像融合方法

权利要求书

1.一种基于空间通用自回归模型的图像融合方法，其特征在于，包括：

基于空间通用自回归模型实现图像配准；

对待融合源图像进行平移处理；

平移处理后的待融合源图像加权平均得到粗融合后的图像；

建立一阶非因果空间自回归模型，粗融合后的图像完成精融合。

2.根据权利要求1所述的一种基于空间通用自回归模型的图像融合方法，其特征在于，基于空间通用自回归模型实现图像配准，包括：

定义A(x,y)是左图像，定义B(x,y)是右图像，A(x,y)和B(x,y)为待融合源图像，A(x,y)和B(x,y)均位于图片中；

定义A(x,y)上的特征点a_i的像素坐标为(x_i,y_i)，定义B(x,y)上的特征点b_j的像素坐标为(x_j,y_j)，令特征点a_i和特征点b_j是一对配准点，那么A(x,y)和B(x,y)沿x像素坐标轴平移量t_x＝x_i-x_j，A(x,y)和B(x,y)沿y像素坐标轴平移量t_y＝y_i-y_j。

3.根据权利要求1所述的一种基于空间通用自回归模型的图像融合方法，其特征在于，对待融合源图像进行平移处理，包括：

1)从右图像B(x,y)右下角开始，基于图像双线性内插算法利用第一类待插值像素点领域内B(x,y)中四个已知像素点，依次对第一类待插值像素点进行求解；

2)从右图像B(x,y)右下角开始，第一类待插值像素点采用一阶强回归空间自回归模型依次对第二类待插值像素点进行预报，具体过程包括：

①一阶强回归空间自回归模型的建立与一阶强回归空间自回归模型的参数估计：找到距离第二类待插值像素点欧氏距离最小的已知像素点b_i,j，利用该像素点从B(x,y)上得到一个n pixels×n pixels的图像块一，其中3≤n≤8，建立一阶强回归模型如下：

b_i,j＝α₁b_i+1,j+1+α₂b_i+1,j+α₃b_i,j+1+ε_i,j，

式中，b_i,j表示图像块一中像素坐标为(i,j)的像素点的灰度值，b_i+1,j+1表示图像块一中像素坐标为(i+1,j+1)的像素点的灰度值，b_i+1,j表示图像块一中像素坐标为(i+1,j)的像素点的灰度值，,b_i,j+1表示图像块一中像素坐标为(i,j+1)的像素点的灰度值，i≥1，j≥1，i≤n-1，j≤n-1；α₁、α₂和α₃预先设定的一阶强回归空间自回归模型的参数；ε_i,j是坐标为(i,j)像素点的建模残差；

对一个大小为n pixels×n pixels的图像块一，上述方程可以列出(n-1)×(n-1)个，上述方程写成矩阵形式如下：

式中，b_1,1、b_1,2、……、b_n,n表示坐标为(1,1)、(1,2)、……、(n,n)的像素点的灰度值，ε_1,1、ε_1,1、……、ε_n-1,n-1是分别与坐标为(1,1)、(1,2)、……、(n-1,n-1)的像素点对应的建模残差；

令则最小二乘法估计一阶强回归空间自回归模型的参数的估计值为和分别是α₁、α₂和α₃的最小二乘估计；

②第一类待插值像素点或第二类待插值像素点利用一阶强回归空间自回归模型，预报第二类待插值像素点的灰度值

3)得到图像B(x,y)平移后的右图像B′(x,y)。