[发明专利]一种基于原始图像内容的分层权重图像融合方法

说明书

本发明公开了一种基于原始图像内容的分层权重图像融合方法。本发明基于原始图像内容与融合图像是预先配准的性质进行分层，得到源图像的冗余层与互补层，避免了训练稀疏字典带来的信息损失，同时获得了更小的时间复杂度；再对冗余层与互补层进行融合处理。在融合图像重构时，通过调节互补层在结果中的表现权重实现对融合效果的控制。由于互补层与冗余层在本发明的融合过程中互不干扰，互补信息能够在最终结果中得到直接体现，使得本发明最后取得的融合结果有近似于图像增强的效果，本发明该权重控制方法能够使本发明提出的方法更加适应人类视觉观察与机器处理的实际需要。本发明可用于图像处理、计算机视觉、医学图像处理、卫星遥感与军事等领域。

技术领域

本发明属于图像处理技术领域，特别涉及图像的融合处理。

背景技术

由于成像传感器本身的性能限制，单个传感器单次成像难以全面描述目标场景信息，而采用单个传感器多次成像或多个传感器同时成像的方式虽然能够获得目标场景信息较为全面的描述，但其产生的多张源图像不利于人的观察和机器的处理。图像融合技术将多张包含不同信息的源图像综合成为一张融合图像，这张融合图像继承了源图像之间冗余信息的同时尽量保留了互补信息，能够更加全面地描述目标场景信息，从而有效地增加对象的信息量、提高图像信息的利用率、提高系统的精度和鲁棒性、降低系统的不确定性、扩大系统的应用范围。图像融合已经广泛地应用于医学、监控、遥感和军事等领域，并且在海事、交通和智能机器人等领域有着较好的前景。

基于分层的图像融合方法根据一定的原则将源图像信息分解为包含不同信息的多个图层，以便于区分不同信息的特性，进而设计一定的融合规则，实现对应各层的比较和融合。基于分层的融合方法主要包含三个部分：图像分层模式，对应各层融合规则，融合图像重构。

基于分层的融合方法的主流分层模式有两种：基质-细节分层模式，冗余-互补分层模式。

基质-细节分层模式依据图像信息变化的剧烈程度，将图像分为主要包含平坦信息的基质层与主要包含变化信息的细节层。通常情况下，该模式下的算法会在每张源图像中获得一个基质层，根据阈值设置或迭代次数的不同，获得若干个细节层。以高斯金字塔(LP,Laplacian Pyramid)分解为代表的金字塔分解方法，以双树复小波变换(DTCWT,Dual-Tree Complex Wavelet Transform)为代表的小波分解方法,以非下采样轮廓波变换(NSCT,None-Sampled Contourlet Transform)为代表的几何多分辨率分解方法,以及滤波器分解方法和低秩分解方法，都是该模式下比较有代表性的算法。这些方法通过检测图像中不同相位和幅度的梯度信息，将这些梯度信息从源图像中剥离出来形成细节层，余下的部分就是基质层。基质-细节分层模式缺陷在于其任意层中互补信息和冗余信息都是混杂存在的，使得信息难以被正确地辨识和选择，导致融合结果不能够很好完整地保留或继承源图像信息。

冗余-互补分层模式依据图像源之间信息是否冗余，将图像分为主要包含冗余信息的冗余层与主要包含互补信息的互补层。联合稀疏表示(JSR,Joint SparseRepresentation)，鲁棒相关和独立分量分析(RCICA,Roubust Correlated andIndividual Component Analysis)是近年来比较具有代表性的基于冗余-互补模式分层的融合算法。它们首先通过稀疏字典学习算法获得源图像的特征，然后分析该字典原子在源图像重构过程中的使用情况，进而将字典原子标记为冗余原子或互补原子，从而利用对应的原子重建出一个统一的冗余层和各个源的互补层。这样的方法主要缺陷在于稀疏字典原子之间本身具备相关性并且在重构中会出现一定的重构误差，因此，其对冗余信息和互补信息的区分度并不能达到理想情况，因此会出现一定程度的信息损失。除此之外，由于每张源图像的冗余信息含量可能不同，直接生成一个统一的冗余层，难以体现出各源中冗余信息含量的差异，不能真实体现源图像信息分布特性。

对应各层融合规则中，根据分层模式的不同，采用的方法也比较不同。