基于小波系数统计模型的鲁棒图像融合方法.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CN107133938A(43)申请公布日2017.09.05(21)申请号201710217496.1(22)申请日2017.04.05(66)本国优先权数据201610793034.X2016.08.31CN(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人孙彬胡禹杨琪白洪林(74)专利代理机构电子科技大学专利中心51203代理人周刘英(51)Int.Cl.G06T5/50(2006.01)G06T5/00(2006.01)权利要求书3页说明书6页附图1页(54)发明名称基于小波系数统计模型的鲁棒图像融合方法(57)摘要本发明公开了一种基于小波系数统计模型的鲁棒图像融合方法，其首先准备待融合的两幅含噪图像，对含噪图像分别进行双树复小波变换，分别将两幅图像都分解为低频子带和高频子带；然后分别对两幅图像的高频子带提取收缩算子；基于两个待融系数之间建立联合概率分布和独立的边缘分布，建立基于联合、边缘分布的匹配度；提出基于边缘分布的基于散度和信息熵的显著度度量，并与收缩算子结合；在统计模型框架下，本发明提出利用矩估计的参数估计方法，将去噪算法中的去噪参量替换融合算法中的矩，使得融合规则框架不受噪声影响的，同时将去噪算子与融合权重相结合，精确去除噪声同时保留了源图像的细节信息，进一步提升了融合算法的去噪效果。CN107133938ACN107133938A权利要求书1/3页1.基于小波系数统计模型的鲁棒图像融合方法，其特征在于，包括下列步骤：步骤1：对含噪源图像IA、IB分别进行双树复小波变换，得到源图像IA、IB的多层分解子带，其中下标A、B为源图像标识符；步骤2：分别对各层分解子带进行像素级融合，得到融合后的各层分解子带：步骤201：对分解子带中的低频子带，采用基于区域能量的权重融合方式进行融合，得到融合低频子带；步骤202：对分解子带中的高频子带，采用匹配度联合双显著度的融合规则进行同层同方向高频子带融合，得到各层的融合高频子带：202-1：基于源图像IA、IB的高频子带分别建立父子系数的拉普拉斯模型，并计算各高频子带系数的双变量收缩算子SA,SB；202-2：基于源图像IA、IB的高频子带分别构建立广义高斯模型，并分别计算基于两个广义高斯分布的KL散度KLD(A|B)、KLD(B|A)，以及广义高斯分布的信息熵HA、HB，定义第一显著度AA1为AB1为定义第二显著度AA2为AB2为其中AA1、AA2对应源图像IA，AB1、AB2对应源图像IB；202-3：对源图像IA、IB的同层同方向高频子带系数联合概率分布建立各向异性拉普拉斯双变量模型，基于联合概率分布和广义高斯分布计算源图像IA、IB的同一子带系数坐标的同层同方向的高频子带系数之间的互信息MI，联合互信息MI、信息熵HA、HB定义归一化匹配度202-4：联合匹配度M和第一、二显著度设置各高频子带系数的融合权重WA、WB，其中图像WA对应图像IA，WB对应图像IB：若M＞T1，则且WB＝1-WA；若T2＜M＜T1，则且WB＝1-WA；若M＜T2，则且其中，T1、T2为预设匹配度阈值，取值范围为0～1；303-4：将高频子带系数收缩算子与融合权重的乘积作为融合算子，以融合算子作为权重进行加权和融合，生成融合高频子带系数；步骤4：对融合后的多层分解子带进行双树复小波逆变换得到去噪融合图像。2.如权利要求1所述的方法，其特征在于，步骤202-2中，KL散度KLD(A|B)、KLD(B|A)，、信息熵HA、HB的具体计算为：分别计算源图像IA的各高频子带系数的一阶原点矩源图像IB的各高频子带系数的2CN107133938A权利要求书2/3页一阶原点矩其中(m,n)表示当前子带系数坐标，N为预设的邻域尺寸，为图像IA和IB的高频子带系数，j为双树小波分解的层标识符，k为双树小波分解的方向标识符；分别计算源图像IA的各高频子带系数的纯净二阶原点矩源图像IB的各高频子带系数的纯净二阶原点矩其中符号“(x)+”表示：当变量x≥0时，(x)+＝x；当x＜0时，(x)+＝0；σnA，σnB是由蒙特卡罗统计模拟方法估计出的源图像IA和IB的高频子带噪声标准差；通过一阶原点矩和纯净二阶原点矩计算各高频子带系数的广义高斯分布的参数αA、αB、βA、βB：构建广义高斯模型：其中XA、XB分别为源图像IA、IB的位于同层同方向的高频子带系数，e为自然底数，Γ(·)表示伽马函数；基于广义高斯模型PA、PB计算KL散度KLD(A|B)、KLD(B|A)：基于广义高斯模型PA、PB计算信息熵HA、HB：3.如权利要求2所述的方法，其特征在于，步骤202-3中，建立各向异性拉普拉斯双变量