基于ADC-SCM与低秩矩阵表达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CN109801250A(43)申请公布日2019.05.24(21)申请号201910023168.7(22)申请日2019.01.10(71)申请人云南大学地址650031云南省昆明市五华区翠湖北路2号(72)发明人聂仁灿侯瑞超周冬明刘栋阮小利贺康建李华光(74)专利代理机构北京科亿知识产权代理事务所(普通合伙)11350代理人汤东凤(51)Int.Cl.G06T5/50(2006.01)G06T3/40(2006.01)G06T7/00(2017.01)G06T7/194(2017.01)权利要求书2页说明书7页附图1页(54)发明名称基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法(57)摘要本发明公开一种基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法，涉及图像处理技术领域。所述融合方法结合自适应双通道脉冲发放皮层(ADC-SCM)与低秩矩阵(LRR)理论提出一种有效的红外与可见光图像融合算法；首先，将低秩表达与调频(FT)显著性算法相结合对红外源图像进行显著区域检测，从而将源图像中的显著区域与背景区域分离；然后，对所得的两个区域分别进行融合，为了最大程度保留显著特征，选取绝对值最大的融合规则对显著区域进行融合；最后通过NSST逆变换获得融合的背景，将融合的显著区域与背景区域进行叠加获得最终的融合图像。本发明的实验结果表明，本发明算法无论是在主观视觉效果，还是客观评价指标上都优于其他常用图像融合算法。CN109801250ACN109801250A权利要求书1/2页1.基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法，其特征在于：包括以下步骤：1)对红外源图像进行调频(FT)显著性检测获得初始显著性图，再将红外源图进行低秩分解获得低秩矩阵和稀疏矩阵，初始显著图减去低秩矩阵从而获得最终的显著图，对显著图进行二值化处理，分离显著区域与背景区域；2)对于显著区域，采用绝对值最大的方法进行融合；3)对于背景区域，首先采用非下采样剪切波(NSST)对背景进行分解，从而获得高低频系数，低频系数采用总变分模型(TV)进行融合，高频系数采用ADC-SCM模型来选取以保留图像的细节和纹理信息；4)将上述得到的融合系数进行逆变换得到融合背景区域和显著区域，将融合背景区域和显著区域进行叠加获得最终的融合图像。2.如权利要求1所述的基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法，其特征在于：所述步骤1)FT算法和低秩分解公式如下所示：Sp(i,j)＝||Iμ-Iωhc(i,j)||其中，Iμ表示图像的平均像素值，Iωhc(i,j)表示经过高斯滤波的图像，||||表示欧氏距离，Sp表示初始显著图；Sg＝(SP-Z)*Sp其中，X表示输入图像，||||*表示矩阵的核范数，λ为平衡系数，||||2,1表示l2-1-norm，Z表示低秩矩阵，E表示稀疏矩阵，Sg表示最终的显著图。3.如权利要求1所述的基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法，其特征在于：所述步骤3)剪切波是一种接近最优的多维函数稀疏表示方法，根据合成膨胀的仿射系统,如下式：j/2lj2ΛAB(ψ)＝{ψj,l,k(x)＝|detA|ψ(BAx-k):j,l∈Z,k∈Z}构建了一个Parseval框架，称系统ΛAB中元素ψj,l,k为合成小波。当时，合成小波将转换为剪切波。4.如权利要求1所述的基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法，其特征在于：所述步骤3)NSST的变换过程由多尺度和多方向分解两部分组成的；NSST的多尺度分解：采用非下采样金字塔分解(Nonsubsamplepyramid,NSP)，图像经过k级NSP多尺度分解后,会得到k+1个子带图像，其中包括一个低频子带图像和k大小与源图像相同,但尺度不同的高频子带图像；NSST方向分解：采用Shearlet滤波器，其核心思想是在伪极网格上对图像进行二维傅2CN109801250A权利要求书2/2页里叶变换，然后在网格上用一维子带滤波器进行滤波，从而保证了融合后的图像具有平移不变性。5.如权利要求1所述的基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法，其特征在于：所述步骤3)自适应双通道脉冲发放皮层(ADC-SCM)，提高了其在黑暗或者复杂区域中提取细节的能力，该模型的数学表达式如下：Eij(n)＝gEij(n-1)+VθYij(n-1)上式中，n表示迭代次数，(i,j)下标表示神经元的标号，和分别表示两个外部输入，Uij(n)表示最终的神经元内部活动项，Wkl表示神经元连接权重矩阵，Eij(n)表示动态阈值，Vθ表示阈值放大系数，Yij(n)表示神经元在第n次迭