基于多尺度低秩矩阵分解的红外与可见光图像融合方法.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CN111462025A(43)申请公布日2020.07.28(21)申请号202010119950.1(22)申请日2020.02.26(71)申请人宁波大学地址315211浙江省宁波市江北区风华路818号(72)发明人孟祥超陈潮起邵枫符冉迪(74)专利代理机构宁波奥圣专利代理事务所(普通合伙)33226代理人周珏(51)Int.Cl.G06T5/50(2006.01)权利要求书3页说明书7页附图2页(54)发明名称基于多尺度低秩矩阵分解的红外与可见光图像融合方法(57)摘要本发明公开了一种基于多尺度低秩矩阵分解的红外与可见光图像融合方法，其基于多尺度低秩矩阵分解将预处理后的红外图像和预处理后的可见光图像分解为多层次局部低秩图和全局低秩图两类，并根据各分解图像特点，针对性设计最优融合规则，得到的最终融合图像在不引入人工伪影和斑块的同时，能够保留原图的细节信息、增强热辐射显著目标，具有较好的对比度，有利于后续目标识别、检测等应用的开展。CN111462025ACN111462025A权利要求书1/3页1.一种基于多尺度低秩矩阵分解的红外与可见光图像融合方法，其特征在于包括以下步骤：步骤1：选取同一场景的一幅红外图像和一幅可见光图像，对应记为Ir和Iv；然后分别对Ir和Iv进行预处理，将预处理后得到的红外图像记为将预处理后得到的可见光图像记为其中，Ir和Iv的宽度均为M，Ir和Iv的高度均为N；步骤2：对进行多尺度低秩矩阵分解，将分解为L层分解图像，将的第i层分解图像记为将中坐标位置为(x,y)的像素点的像素值记为将中坐标位置为(x,y)的像素点的像素值记为同样，对进行多尺度低秩矩阵分解，将分解为L层分解图像，将的第i层分解图像记为将中坐标位置为(x,y)的像素点的像素值记为将中坐标位置为(x,y)的像素点的像素值记为其中，L表示多尺度低秩矩阵分解的分解层数，符号为向上取整符号，1≤i≤L，1≤x≤M，1≤y≤N；步骤3：对的L层分解图像和的L层分解图像针对性地设计最优融合权重，并进行融合，具体过程为：步骤3_1：将和各自的L层分解图像分为多层次局部低秩图和全局低秩图两类，再将多层次局部低秩图分为局部小低秩块部分和局部大低秩块部分，当L为偶数时，局部小低秩块部分由第1层至第层分解图像组成，局部大低秩块部分由第层至第L-1层分解图像组成，第L层分解图像为全局低秩图；当L为奇数时，局部小低秩块部分由第1层至第层分解图像组成，局部大低秩块部分由第层至第L-1层分解图像组成，第L层分解图像为全局低秩图；步骤3_2：对于局部小低秩块部分，将的局部小低秩块部分中的每层分解图像和的局部小低秩块部分中的每层分解图像的最优融合权重均设计为1；然后根据的局部小低秩块部分中的每层分解图像和的局部小低秩块部分中对应层分解图像，获取对应层融合图像，当的第j层分解图像属于的局部小低秩块部分且的第j层分解图像属于的局部小低秩块部分时，将获取的第j层融合图像记为Fj，将Fj中坐标位置为(x,y)的像2CN111462025A权利要求书2/3页素点的像素值记为Fj(x,y)，其中，当L为偶数时当L为奇数时1≤x≤M，1≤y≤N，表示中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值；对于局部大低秩块部分，根据的局部大低秩块部分中的每层分解图像和的局部大低秩块部分中对应层分解图像，获取对应层融合图像，当的第k层分解图像属于的局部大低秩块部分且的第k层分解图像属于的局部大低秩块部分时，将获取的第k层融合图像记为Fk，将Fk中坐标位置为(x,y)的像素点的像素值记为Fk(x,y)，其中，当L为偶数时当L为奇数时表示的最优融合权重，表示的最优融合权重，Wk表示的初始融合权重，Wk为最大绝对值方法权重系数，符号“||”为取绝对值符号，符号为卷积运算符号，G(x,y,σs)为高斯滤波器，σs表示高斯滤波器的标准差，表示中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值；对于全局低秩图，将的全局低秩图即第L层分解图像的最优融合权重设计为wr，将的全局低秩图即第L层分解图像的最优融合权重设计为wv；然后根据的全局低秩图即第L层分解图像和的全局低秩图即第L层分解图像获取第L层融合图像，记为FL，将FL中坐标位置为(x,y)的像素点的像素值记为FL(x,y)，其中，wr+wv＝1，表示中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值；步骤4：计算Ir和Iv的最终融合图像，记为F，将F中坐标位置为(x,y)的像素点的像素值记为F(x,y)，其中，Fi(x,y)表示第i层融合图像Fi中坐标位置为(x,y)的像素点的像