[发明专利]基于小波变换的导向显著性图像融合方法

说明书

本发明公开了一种基于小波变换的导向显著性图像融合方法。其步骤包括：计算源图像的显著图谱：根据图像的空间频率信息，计算源图像的显著图谱；构建基于显著图谱的权重图：首先对源图像和对应图像的显著图谱分别进行单层小波分解，然后结合带有引导梯度的导向滤波，构建每幅图像的小波系数和尺度系数的权重图；生成融合图像：根据小波分解的源图像和对应的权重图谱，线性融合形成融合图像，然后进行小波逆变换。本发明的方法对多焦点、多曝光的图像能获得较好的效果，计算简便，高效，可实现性好，可以很方便的应用到个人计算机以及移植到嵌入系统中。本发明应用于计算机视觉与模式识别,如遥感图像分析，目标跟踪和目标识别。

技术领域

本发明涉及机器视觉与模式识别领域，具体涉及基于小波变换的导向显著性图像融合方法。

背景技术

单幅图像可以有效表征某些颜色通道中传输信息，但往往不能表征所有完整的图像信息。例如，在可见光下获得的图像可以显示场景细节，然而，它们缺乏有效的对比度；相反，红外图像可以有效地表达图像对比度，但不能清晰表征图像细节。为了获得完整的图像信息和发现有用的细节信息，亟须一种有效的融合方法，从而既可以表征图像信息，又有较好的对比度，这就要求有效地结合不同的源图像。目前，这些方法被广泛应用于遥感图像分析、自动识别、计算机视觉和目标跟踪等研究领域。

近年来，许多研究者提出了有效的融合方法，大致可以分为两类：基于多尺度分解的融合和基于稀疏表示的融合。基于多尺度分解的融合方法以拉谱拉斯金字塔和小波变换为重点。H.Li提出了一种用于多源图像融合的小波变换方法。Q.Zhang提出了一种非采样Contourlet变换作为图像融合方法。这里，对于低频数据，采用方向模态值法选择融合规则，而对于高频数据，则按方向矢量的带限对比度和标准差(SD)方向设置。S.Y.Yang提出了一种小波四叉树与非下采样方向滤波器相结合的方法。小波变换是由一个细尺度小波包特征和非下采样方向滤波器组的可逆性特征，从而，提高分辨率和融合图像的索引数据。对于常见的红外与可见光图像融合，J.Saeedi提出了一种基于双树复小波变换的融合方法与使用不同规则融合图像模糊逻辑。Z.Zhou提出了一种混合的多尺度分解融合方法基于高斯双边滤波器。这种变换使我们能够更好地捕捉重要的多尺度红外光谱特征，并从大规模的边缘特征中分离出精细尺度的纹理细节。针对多聚焦图像融合，M.Nejati提出的一种新的空间域使用一本字典在视觉和定量评价获得更好的结果的方法。V.N.Gangapure提出了一个可调频率的图像融合算法，利用像素的局部相位的空间信息，可获得新的可测量病灶。S.Li提出了一种基于引导滤波的图像融合算法，充分利用了空间一致性和细节级融合。然而，这些方法忽略了空间一致性或平滑了结果的权重，这不利于图像融合。

发明内容

为了解决上述技术的不足，为此本发明目的是在多焦点、多曝光的图像中获取更多的图像细节，提出了一种新的具有导引显著性的图像融合方法，充分利用空间一致性和小波变换，避免了图像的过度平滑。

根据本发明的方案，提出一种基于小波变换的导向显著性图像融合方法，其步骤包括：

计算源图像的显著图谱：根据图像的空间频率信息，计算源图像的显著图谱。

构建基于显著图谱的权重图：首先对源图像和对应图像的显著图谱分别进行单层小波分解，然后结合带有引导梯度的导向滤波，构建每幅图像的小波系数和尺度系数的权重图。

生成融合图像：根据小波分解的源图像和对应的权重图谱，线性融合形成融合图像，然后进行小波逆变换。

根据权利要求所述基于小波变换的导向显著性图像融合方法，其特征在于，所述计算源图像的显著图谱的步骤包括：将源图像与高通log滤波卷积，获取源图像的高频信息。

每幅图像的显著图谱Sai就是图像中的高频信息，即通过对应的源图像imi与高通log滤波HFlog卷积获得，具体定义如下