[发明专利]小波变换与联合稀疏表示的红外与可见光图像融合方法

说明书

本发明提供了一种小波变换与联合稀疏表示的红外与可见光图像融合方法，涉及图像融合领域，首先对源图像进行DWT变换，分解成低频子带与高频子带系数，并用滑窗策略将低频子带系数分解成矩阵，再针对上述分解的低频子带矩阵学习字典，其次，分别融合低频子带系数和高频子带系数，最后通过DWT逆变换重构出融合图像，本发明既能有效地稀疏表示源图像的显著细节特征，又能多尺度地融合图像细节信息，即很好地保留了红外图像的目标信息与可见光图像的细节、轮廓等背景信息，提高了目标的识别能力，有利于后续处理系统对信息的提取与使用，较传统的小波变换融合方法以及现有的基于联合稀疏表示的融合方法均具有优势。

技术领域

本发明涉及图像融合领域，尤其是一种红外与可见光图像融合的方法。

背景技术

图像融合是一种将同一场景经多个传感器的成像或者经单个传感器的多次成像的信息加以综合，以获得更加全面、准确、可靠信息的技术，红外与可见光图像融合是图像融合领域一个重要而活跃的研究方向，将红外与可见光图像融合，可以充分利用二者的互补性信息，获得更加全面、准确的图像，在军事侦察、安全监控等军民诸多领域有着广泛应用。

在红外与可见光图像融合领域中，基于小波变换的融合方法是一类主流方法，其中，离散小波变换(Discrete Wavelet Transform，DWT)以其具有方向性、正交性以及时频分析特性，能够有针对性地突出图像的重要特征与细节信息，并且经过多尺度与多方向的分解，能够获得水平、垂直以及对角线三个方向的信息，因此受到众多学者的关注与研究，并成功用于图像融合领域，取得了较优的融合效果。然而，源图像经小波变换会产生一个低频子带和多个高频子带，其中低频子带中近似为零的系数数量有限，也就是低频子带系数的稀疏性不佳，若直接对其融合，并不利于特征的提取与保持。

近年来，基于稀疏表示的融合方法备受国内外学者关注，稀疏表示方法提出了学习字典的概念，即字典是从源图像中学习得到的，因此稀疏表示具有很强的自适应能力，并且分解系数越稀疏越能反映信号的本质特征与内在结构，因而基于稀疏表示的融合方法发展迅速，并取得了一定的成果。由于在图像融合中，源图像均来自同一场景，所以它们之间具有相关性，因此可以利用联合稀疏表示(Joint Sparse Representation，JSR)进行特征提取与融合，达到多种源图像特征均能保留的目的。联合稀疏表示是指所有来自同一个字典的信号，将由它们共有特征的稀疏表示和各自特有特征的稀疏表示联合组成。然而，基于联合稀疏表示的融合方法是在一定阈值下进行字典学习与稀疏表示的，因此无法精确描述纹理、边缘等细节信息，这会丢失一些高频信息，造成融合结果清晰度下降。

如前所述，基于小波变换的融合方法能够多尺度多方向的提取源图像信息，但是低频子带的稀疏性不佳，直接对其融合不利于特征的提取与保持；而基于联合稀疏表示的融合方法虽然可以通过学习字典精细地拟合数据，但是不能精确的表示出一些高频信息，即无法多尺度多方向地分析数据，因此存在着一定的数据损失问题。

发明内容

为了克服现有技术的不足，本发明提供了一种基于小波变换与联合稀疏表示的图像融合方法。具体来讲，首先对源图像进行DWT变换，分解成低频子带与高频子带系数，并用滑窗策略将低频子带系数分解成矩阵；再针对上述分解的低频子带矩阵学习字典；其次，分别融合低频子带系数和高频子带系数，最后通过DWT逆变换重构出融合图像。此外，考虑到低频子带与高频子带所代表的信息特点的不同，本发明提出对低频子带采用“加权平均”融合策略，对高频子带采用“特征量积”融合策略，从而在多尺度且稀疏地融合源图像信息基础上达到更优的融合效果。

本发明解决其技术问题所采用的技术方案是对图像融合数据库中配准好的红外图像和可见光图像进行融合，具体步骤如下：

步骤1：对源图像进行小波变换