[发明专利]一种基于增强学习的多源图像融合方法

说明书

本发明涉及图像处理领域，具体涉及一种基于增强学习的多源图像融合方法。所述方法对多源图像进行分解得到高频系数信号和低频系数信号，对所述高频系数信号和所述低频系数信号进行加权重构得到融合图像；所述方法采用增强学习中的Q学习算法对高频系数信号和低频系数信号的权重进行训练，取使融合评价准则最优时的权重进行加权融合得到融合系数信号，针对所述融合系数信号重构得到融合图像。以Q学习算法为基础，对多源图像分解的高频系数信号和低频系数信号的权重进行训练，提高了权重估计的可靠性和准确性。

技术领域

本发明涉及图像处理领域，具体涉及一种基于增强学习的多源图像融合方法。

背景技术

近年来，军用无人机以其独特优势在作战侦察、精确打击领域产生了广泛的应用。随着军事高技术的发展，无人机战场的范围扩大到陆、海、空和电磁等多维空间，战场环境日益复杂，军事目标机动性和伪装能力都在不断提高，仅靠单一图像传感器获取的图像数据已无法满足无人机侦察打击的任务需求，综合多个图像传感器的信息来获取对同一目标或场景全面而详尽表述的多源图像融合技术越来越受到关注。

多源图像融合技术是无人机情报处理技术的重要内容，其核心思想是将多传感器在不同条件下获得的多源图像，整合为一幅具有更多信息量、更高可信度、更适合人类视觉感知和计算机后续处理的图像。现有技术的图像融合的处理通常为像素级、特征级、决策级。像素级融合以原始图像数据为主，以图像增强、图像分割和图像分类为目的，能够为人工判读图像或进一步的融合提供更好的输入，但依赖于传感器的灵敏性，对远距离图像的融合需要更高分辨率的传感器；特征级图像融合是指先对原始图像数据进行局部特征提取，然后通过对局部特征进行融合处理获得复合特征，其特征包括边缘、形状、纹理和轮廓等，但特征级的融合只重视图像信息的局部，往往忽略了图像的全局信息，导致融合不充分；决策级融合需要先对原始图像数据进行预处理、特征提取、识别或判决。在每个传感器完成目标提取与分类之后，最优决策通过综合各个传感器的决策可信度来确定，但建立决策函数需要的样本进行长时间推理运算，需要耗费大量时间和占用大量内存。

以上算法在多源图像融合方面取得了很好的融合效果，但是在无人机侦查处理系统中，由于航拍时种种条件的限制无法获得较好的推广和应用。

在无人机侦查处理系统中多源图像融合技术主要面临以下问题：

1)无人机航拍侦察中，多图像传感器所获取的图像易受大气、光照和抖动等外界干扰，造成获取的图像质量下降；

2)不同融合方法对图像数据的侧重不同，融合的精度也不相同，融合结果可能得不到理想的效果；

3)图像在分解过程中，容易产生信息丢失或产生冗余信息，融合过程中的信号重构稳定性较差；

图像在融合重构过程中，对融合系数的加权权重估计的可靠性和准确性有待提高。

发明内容

针对上述问题，本发明提供一种基于增强学习的多源图像融合方法。方法采用增强学习中的Q学习算法对高频系数信号和低频系数信号的权重进行训练，将训练后的权重与高频系数信号和低频系数进行加权重构得到融合图像，如此提高了权重估计的可靠性和准确性。

本发明是通过以下技术方案实现的：

一种基于增强学习的多源图像融合方法，所述方法对多源图像进行分解得到高频系数信号和低频系数信号，对所述高频系数信号和所述低频系数信号进行加权重构得到融合图像；其特征在于：所述方法采用增强学习中的Q学习算法对高频系数信号和低频系数信号的权重进行训练，取使融合评价准则最优时的权重进行加权融合得到融合系数信号，针对所述融合系数信号重构得到融合图像。

进一步地，采用Q学习算法对高频系数信号和低频系数信号的权重进行训练具体为，