[发明专利]一种基于空间通用自回归模型的图像融合方法

说明书

本发明公开了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；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。将图像融合分为粗融合和精融合两个过程，通过图像融合过程中引入空间自回归模型，使得提出的图像融合算法具有较好高的抗噪声干扰能力，且能有效地保护图像边缘等特征，从而能够有效提高图像融合的鲁棒性，克服现有图像融合算法各自存在的缺陷。

技术领域

本发明涉及一种基于空间通用自回归模型的图像融合方法，属于图像融合技术领域。

背景技术

通过图像融合，突破传感器极限，丰富图像信息量，在工业、医疗、遥感等诸多领域有着十分巨大的应用需求。近年来，学者们在此方面积极开展了相关工作。唐振民等提出一种基于非线性权重的图像融合的方法，该方法应用非线性权重模型进行图像融合操作，一定程度上有效改善了重影问题，提高了图像融合的质量(唐振民.基于非线性权重的图像融合的方法:中国,CN2020107085966[P].2020-10-30)。赵良军等提出一种基于纹理特征的图像融合算法，对经加权融合操作后的基层图像与亮细节层、暗细节层分别按顺序进行相应加权相加、相减融合操作后，最终得到清晰度更高的融合图像(赵良军.一种基于纹理特征的图像融合算法:中国,CN202010271482X[P].2020-08-07)。北京理工大学的郝群等通过构建八度高斯图像金字塔框架，采用不同策略对基础层和细节层图像进行分别融合后，再将融合后的基础层和细节层重构，从而丰富融合图像的特征信息(郝群.基于八度金字塔框架的多聚焦图像融合方法:中国，CN2020102116351[P].2020-07-10)。西北工业大学的王健等基于整个图像块的融合提出一种利用卷积稀疏表示的多模态图像融合方法，对分别采用不同融合策略进行操作后的低频和高频分量相加得到的最终图像，能够充分保留图像的细节信息(王健.基于卷积稀疏表示的多模态图像融合方法:中国,CN2018114007697[P].2019-04-02)。杨家俊等在基于稀疏表示原理模型中引入字典信息进行图像融合，在不过多增加算法复杂度的前提下，能够实现自适应地稀疏地表示图像的局部信息，从而改善图像融合质量(杨家俊.一种引入字典信息基于稀疏表示的图像融合方法:中国,CN2019108681564[P].2020-01-14)。张铖方提出一种基于多尺度变换和卷积稀疏表示的多聚焦图像融合方法，综合两种模型的优点，不仅改善了图像融合的质量，而且增强了关键细节信息的对比度(张铖方.基于多尺度变换和卷积稀疏表示的多聚焦图像融合方法:中国,CN2020102875732[P].2020-07-17)。目前基于深度学习的图像融合大多采用监督学习的方式来训练网络，云南大学的王长城等提出一种基于无监督深度学习模型的多聚焦图像融合算法，将注意力机制的encoder-decoder网络模型引入训练过程中，最终得到的图像清晰度高且失真度小(王长城,周冬明,刘琰煜,谢诗冬.无监督深度学习模型的多聚焦图像融合算法[J/OL].计算机工程与应用:1-12[2020-11-25].)。

综上，目前主流的图像融合算法可以分为以下几类，第一类是基于空间域变换的像素或区域融合方法，该类方法结构复杂度较低且算法实施所需时间较短，但抗干扰能力较弱，图像融合精度不高；第二类是基于多尺度分解的方法，包括小波变换和图像金字塔框架等，利用此类方法若想获得融合质量较高的图像，应对图像进行多次分层操作，但此类方法普遍存在细节及边缘信息易丢失的问题，图像对比度损失较大，鲁棒性有待增强；第三类是基于稀疏表示原理模型的方法，虽然能够解决细节模糊问题，但融合图像的亮度较暗；第四类是基于深度学习的方法，通过构建卷积神经网络来实现图像融合操作，是目前性能较为优异的方法，但对于分辨率较低的源图像来说，所得融合图像的效果不能完全让人满意。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于空间通用自回归模型的图像融合方法。

为达到上述目的，本发明提供一种基于空间通用自回归模型的图像融合方法，包括：

基于空间通用自回归模型实现图像配准；