基于卷积分析算子的多模态图像融合方法.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CN111899208A(43)申请公布日2020.11.06(21)申请号202010800612.4(22)申请日2020.08.11(71)申请人四川警察学院地址646000四川省泸州市江阳区龙透关路186号(72)发明人张铖方(74)专利代理机构成都方圆聿联专利代理事务所(普通合伙)51241代理人宋红宾(51)Int.Cl.G06T5/50(2006.01)权利要求书1页说明书4页附图2页(54)发明名称基于卷积分析算子的多模态图像融合方法(57)摘要本发明公开了一种基于卷积分析算子的多模态图像融合方法，包括以下步骤：步骤1，使用快速傅里叶变换分解源图像，分别获得低频分量和高频分量。步骤2，低频分量的融合；步骤3，高频分量的融合；步骤4，根据低频分量的融合结构和高频分量的融合结果重构图像。本发明的优点是：更好地表达图像特征，显着提高了融合图像的重建质量，更好地保留重建图像中的边缘。CN111899208ACN111899208A权利要求书1/1页1.一种基于卷积分析算子的多模态图像融合方法，其特征在于，包括以下步骤：步骤1，源图像分解；使用快速傅里叶变换分解源图像yA与源图像yB，分别获得低频分量{LyA,LyB}和高频分量{HyA,HyB}；步骤2，低频分量{LyA,LyB}融合；针对低频分量，采用平均值融合策略，式(1)；其中LyF是融合后的低频部分；步骤3，高频分量{HyA,HyB}融合；首先使用卷积基追踪去噪算法将卷积字典DCAOL-TF作用于高频分量，如式(2)，获得高频分量的稀疏系数其中然后对稀疏系数使用最大值策略式(3)，获得高频分量融合稀疏系数最后采用快速傅里叶逆变换得到融合后的高频分量HyF；步骤4，图像重构；最终融合图像通过以下策略重构；yF＝LyF+HyF(4)yF为融合图像。2CN111899208A说明书1/4页基于卷积分析算子的多模态图像融合方法技术领域[0001]本发明涉及图像融合技术领域，特别涉及一种基于卷积分析算子的多模态图像融合方法。背景技术[0002]多模态图像在多数场合得到广泛应用，如车站安检、医疗诊断。但是受制于物理成像机制不同，单一模态图像的信息不能够较好地表达场景所需的全部信息。因此为了获得更丰富的细节信息，多模态图像融合技术取得较大地成功来弥补成像机器的不足。并且所获得融合图像可便于后期多模态场景下的目标监测、识别和跟踪。基于多尺度变换的多模态图像融合算法获得的图像出现部分伪影或者过度融合，并且多尺度变换受分解层数和低对比度的制约。[0003]《Convolutionaldictionarylearning:Accelerationandconvergence》的作者I.Y.Chun提出了卷积分析算子学习策略，通过该策略获得的字典不仅收敛速度快，而且经过字典重建的图像边缘被较好地保留。发明内容[0004]本发明针对现有技术的缺陷，提供了一种基于卷积分析算子的多模态图像融合方法，解决了现有技术中存在的缺陷。[0005]为了实现以上发明目的，本发明采取的技术方案如下：[0006]一种基于卷积分析算子的多模态图像融合方法，包括以下步骤：[0007]步骤1，源图像分解[0008]使用快速傅里叶变换分解源图像yA与源图像yB，分别获得低频分量{LyA,LyB}和高频分量{HyA,HyB}。[0009]步骤2，低频分量{LyA,LyB}融合；[0010]针对低频分量，采用平均值融合策略，式(1)；[0011][0012]其中LyF是融合后的低频部分。[0013]步骤3，高频分量{HyA,HyB}融合；[0014]首先使用卷积基追踪去噪算法将卷积字典DCAOL-TF作用于高频分量，如式(2)，获得高频分量的稀疏系数[0015][0016]其中[0017]然后对稀疏系数使用最大值策略式(3)，获得高频分量融合稀疏系数3CN111899208A说明书2/4页[0018][0019]最后采用快速傅里叶逆变换得到融合后的高频分量HyF。[0020]步骤4，图像重构[0021]最终融合图像通过以下策略重构；[0022]yF＝LyF+HyF(4)[0023]yF为融合图像。[0024]与现有技术相比，本发明的优点在于：[0025]卷积分析算子学习(CAOL)框架以卷积角度学习稀疏正则化分析，将具有卷积视角下的紧框架(TF)滤波器条件的正交约束的CAOL算法所获得卷积字典滤波应用于多模态图像融合。与其它融合技术相比，通过CAOL-TF学习的卷积稀疏正则化器更好地表达图像特征，较好地避开多尺度变换受制于分解层数的影响，显着提高了融合图像的重建质量，在学习的正则化器中使用更多和更广泛的内核可以更好地保留重建图像中的边缘，避免伪影