自适应权重的全变差图像融合方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112102216A(43)申请公布日2020.12.18(21)申请号202010967783.6(22)申请日2020.09.15(71)申请人南京邮电大学地址211306江苏省南京市鼓楼区新模范马路66号(72)发明人闵莉花罗群女张俊康崔强(74)专利代理机构南京正联知识产权代理有限公司32243代理人张玉红(51)Int.Cl.G06T5/50(2006.01)G06T5/00(2006.01)权利要求书2页说明书10页附图7页(54)发明名称自适应权重的全变差图像融合方法(57)摘要本发明为解决基于固定权重的变分融合方法存在易丢失诸如对比度、纹理等细节特征的问题，提出了一种自适应权重的全变差图像融合方法，属于图像处理的技术领域。通过Legendre‑Fenchel变换将本发明模型转换为鞍点问题，进而在原始对偶算法框架下数值求解该模型，并对融合模型利用MATLAB进行仿真实验，得到融合图像，用峰值信噪比、结构相似度、交叉熵作为评价指标，其中峰值信噪比和结构相似度的数值与图像融合效果成正比，为值越大，图像融合效果越好，而交叉熵为值越小，图像融合效果越好。本发明能最大限度地保留输入图像的细节信息和亮度信息，与其他方法相比较，得到更为精确的融合结果。CN112102216ACN112102216A权利要求书1/2页1.一种自适应权重的全变差图像融合方法，其特征在于：所述方法包括以下步骤：步骤一：获取输入的待融合源图像；步骤二：基于输入图像的协方差信息和亮度信息，构建自适应权重的全变差图像融合模型；步骤三：采用所构建的全变差图像融合模型对所述的源图像进行融合，得到对应的图像融合结果，再用峰值信噪比、结构相似度、交叉熵作为评价指标，其中峰值信噪比和结构相似度的数值与图像融合效果成正比，为值越大，图像融合效果越好，而交叉熵为值越小，图像融合效果越好。2.如权利要求1所述的自适应权重的全变差图像融合方法，其特征在于：在构建自适应权重的全变差图像融合模型过程中，包括：基于方差最大化方法，引入输入图像的协方差信息和亮度信息，构建自适应权重的全变差图像融合模型。3.如权利要求2所述的自适应权重的全变差图像融合方法，其特征在于：所述全变差图像融合模型为其中，u表示融合图像，fi表示源图像，g表示源图像的平均亮度，K表示所有源图像的局部协方差矩阵，w表示权重函数，m表示所有源图像的局部均值，α1∫Ω|Du|表示融合图像u的全变差正则项，为数据保真项，∫Ω|Dw|表示权重函数的全变差正则项，和分别保证了融合后图像的方差最大以及保留了源图像的平均亮度，是为了保证关于变量w的函数的凸性。4.如权利要求3所述的自适应权重的全变差图像融合方法，其特征在于：所述自适应权重的全变差图像融合模型的最优解是采用原始对偶算法求解得到。5.如权利要求3所述的自适应权重的全变差图像融合方法，其特征在于：所述采用原始对偶算法求解得到全变差图像融合模型的最优解，包括以下内容：通过使用Legendre-Fenchel变换，将全变差图像融合模型转换为极大极小化(min-max)问题；使用原始对偶算法迭代求解该问题的局部最优解，作为所述全变差图像融合模型的最优解；在原始对偶框架下，提出了一种向前向后分裂算法去求解关于权重函数w的子问题。6.如权利要求1或4或5所述的自适应权重的全变差图像融合方法，其特征在于：所述步骤三中评价指标峰值信噪比为7.如权利要求1或4或5所述的自适应权重的全变差图像融合方法，其特征在于：所述步2CN112102216A权利要求书2/2页骤三中评价指标结构相似度为其中，u0和u分别为原始图像和融合后图像，和μu是相对应的均值，是u0的方差，是u的方差，是u0和u的协方差，c1和c2是常数。8.如权利要求1或4或5所述的自适应权重的全变差图像融合方法，其特征在于：所述步骤三中评价指标交叉熵为其中，l为图像灰度水平，pi为灰度值i在原始图像中的概率分布，qi为灰度值i在融合后图像中的概率分布。3CN112102216A说明书1/10页自适应权重的全变差图像融合方法技术领域[0001]本发明涉及图像处理技术领域，尤其涉及一种自适应权重的全变差图像融合方法。背景技术[0002]随着不同成像技术的发展，图像融合已成为近二十年来的一个重要课题。它是将一个场景的两个或多个源图像融合成一个复合图像，使融合的图像包含更详细的视觉信息。根据融合信息的不同程度，图像融合方法通常分为像素级方法，特征级方法和决策级方法。[0003]在像素级方法中，获取融合图像的一个简单方法是使用输入源图像的像素加权平均，但为了从输入源图像中提取更多有用的信息，近年来变分方法在处理图像融合问题时被广泛应用，比如：Wan