[发明专利]基于梯度置信变分模型的红外图像融合增强方法

说明书

技术领域

本发明属于数字图像处理领域，具体涉及一种红外图像融合增强方法，可用于目标识别。

背景技术

图像融合是将同一场景多传感器源图像信息进行融合的技术。在环境条件不理想的情况下，如烟，雾，雨，低亮度等，单一传感器不足以提供充足信息，从而严重影响到后续的特征提取与分析等处理。而来自多个传感器的多源图像能够提供互补和冗余信息，通过图像融合技术，可以获得视觉效果较好的融合图像。针对图像融合问题，该领域的研究者进行了多方面的探索和研究，提出了多种基于数字信号处理技术的融合方法。

现存的图像融合方法主要有：简单融合法，多尺度多分辨率分解法和变分法。简单融合法有加权平均法和灰度值选大选小法，这种方法计算简单但是效果有限。多尺度多分辨分解的典型模型是拉普拉斯金字塔变换法，与简单融合法相比融合效果有较大改善。近两年提出的基于全变分的图像融合方法，如Jiayi Ma,Chen Chen,Chang Li,Jun Huang,Infrared and visible image fusion via gradient transfer and total variation minimization,Information Fusion 31(2016)100-109.，该方法的融合效果虽比其他传统方法更加优异，但却在某些情形下会丢失源图像的一些图像信息，对后续的目标检测和识别应用造成不利影响。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于梯度置信变分模型的红外图像融合增强方法，以自适应地从两张源图像中提取各自包含的有用的信息，得到具有丰富细节信息的融合图像，提高对后续的目标检测和识别的效果。

为了实现上述目标，本发明的技术方案包括如下：

(1)获取红外图像u和可见光图像v；

(2)构造红外图像u和可见光图像v的多尺度结构张量加权梯度g(▽_su,▽_sv)：

g(▽_su,▽_sv)＝W_s,u·▽_su+W_s,v·▽_sv

其中，▽_s是多尺度梯度算子，▽_su和▽_sv分别为红外图像u和可见光图像v的多尺度梯度，W_s,u和W_s,v分别是▽_su和▽_sv的权重；

(3)迭代计算融合图像：

(3a)用平均图像初始化第1次迭代的融合图像设置最大迭代次数N＝50；

(3b)构建融合图像的亮度保真项

其中，下标t为迭代序号，为2范数；

(3c)构建融合图像的梯度保真项

其中，α^s为空间距离权，其取值随着指数项s的增大而减小，0＜α＜1；β为增强因子；||·||₁为1范数；为融合图像的多尺度梯度；

(3d)构建由亮度保真项和梯度保真项组成的能量泛函E_t：

其中，λ为规整参数；

(3e)采用最陡下降法求解能量泛函E_t最小化问题，获得第t+1次迭代的融合图像

其中，Δt为迭代步长，为梯度保真项对的导数；

(4)判断迭代次数是否小于最大迭代次数N，如果迭代次数小于最大迭代次数，则重复步骤(3b)至(3e)；否则，迭代结束，输出融合图像。

本发明与现有技术相比，具有以下优点：

1.本发明由于采用红外图像u和可见光图像v的平均图像作为亮度保真项中的逼近图像，改善了传统全变分算法中丢失部分目标信息的缺点；

2.本发明由于在梯度保真项中引入多尺度结构张量加权梯度，使得融合图像能够同时保留可见光图像和红外图像中更多的细节信息，与全变分融合方法只从可见光图像提取细节信息相比，目标和细节保持能力有了明显的改善；

3.本发明通过引入增强因子，提高图像对比度，使得融合图像具有更好的视觉效果。

附图说明

图1是本发明的实现框图；

图2是待增强的红外测试图像；

图3是与图2为同一场景的可见光图像；