[发明专利]一种基于α互信息的无参考多聚焦图像融合评价度量在审
申请号: | 201810156689.5 | 申请日: | 2018-02-24 |
公开(公告)号: | CN108280830A | 公开(公告)日: | 2018-07-13 |
发明(设计)人: | 李碧草;张爱华;王贝;邵珠宏;黄杰;杨艳 | 申请(专利权)人: | 中原工学院 |
主分类号: | G06T7/00 | 分类号: | G06T7/00 |
代理公司: | 郑州优盾知识产权代理有限公司 41125 | 代理人: | 孙诗雨;谢萍 |
地址: | 451191 河南省郑州*** | 国省代码: | 河南;41 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 互信息 度量 多聚焦图像融合 融合 输入图像 构建 参考 测度 图像 无参考图像 应用范围广 统计信息 信息论 参考图像 构造条件 随机变量 图像获得 图像融合 效果评价 综合考虑 依赖度 衡量 算法 信息量 并用 研究 | ||
1.一种基于α互信息的无参考多聚焦图像融合评价度量,其特征在于,步骤如下:
S1,构造两个随机变量的条件Rényi熵;
S2,构建离散随机变量X和离散随机变量Y的α互信息;
S3,建立基于α互信息的无参考图像融合评价度量;
S4,用归一化后的融合评价度量对多聚焦图像融合进行评价;
对输入图像进行融合后,融合评价度量的值越大表明融合后图像从输入图像获得的信息量越大,它们之间的相似度越高,融合后图像的质量越高,图像融合算法的性能也就越好。
2.根据权利要求1所述的基于α互信息的无参考多聚焦图像融合评价度量,其特征在于,在步骤S1中,具体步骤为:
S1.1,定义Rényi熵
假设一个离散随机变量X,其概率分布为P=(p1,p2,…,pi,…,pM),则离散随机变量X的Rényi熵Rα(X)的定义为:
其中,α为参数,M为随机变量X的样本个数,pi为每个样本出现的概率;
为便于书写,将Rényi熵Rα(X)的定义简化为:
Rα(X)=-log(Renα(X)) (2);
式中,Renα(X)为离散随机变量X的α阶Rényi概率,公式为:
S1.2,定义基于Arimoto的条件Rényi熵
对于离散随机变量X和离散随机变量Y,已知离散随机变量X条件下离散随机变量Y的Rényi熵定义为:
Rα(Y∣X)=-log(Renα(Y∣X)) α>0,α≠1 (4);
式中,Renα(Y∣X)为基于Arimoto的已知离散随机变量X条件下离散随机变量Y的α阶Rényi概率,公式为:
其中,PX(x)为离散随机变量X的概率分布,Renα(Y|x)为样本x条件下变量Y的α阶Rényi概率;x为变量X的样本;
S1.3,将步骤S1.1中的公式3代入步骤S1.2中的公式5中,得到:
式中,||·||表示α范数,P(Y|x)为离散随机变量Y的条件概率,α是参数;
S1.4,将步骤S1.3中的公式6代入到步骤S1.2中的公式4中,得到:
3.根据权利要求1所述的基于α互信息的无参考多聚焦图像融合评价度量,其特征在于,在步骤S2中,具体步骤为:
S2.1,类比互信息与条件熵的关系,利用条件Rényi熵,得到离散随机变量X和离散随机变量Y的α互信息Iα(X;Y)的定义:
式中,Rα(X)为离散随机变量X的Rényi熵,Rα(X|Y)为离散随机变量Y的条件Rényi熵,E0是常用的Gallager误差指数函数,表达通式为:
其中,ρ为参数,PX为离散随机变量X的概率分布,PY|X(y|x)为条件概率;
S2.2,将步骤S2.1中的公式9代入到公式8中,整理得α互信息的表达式:
4.根据权利要求1所述的基于α互信息的无参考多聚焦图像融合评价度量,其特征在于,在步骤S3中,具体步骤为:
S3.1,估计输入图像和融合图像的α互信息;
具体步骤为:
S3.1.1,估计输入图像X和融合图像F的α互信息:
式中,pX(xi)为输入图像X的概率分布,pF|X(fk|xi)为已知输入图像X下融合图像F的条件概率分布,fk为融合图像F的灰度级,M是用于计算图像直方图的箱子数,xi为输入图像X的灰度级;
S3.1.2,估计输入图像Y和融合图像F的α互信息Iα(Y;F):
式中,pY(yj)pX(xi)为输入图像Y的概率分布,pF|Y(fk|yj)为已知输入图像Y下融合图像F的条件概率分布,fk为融合图像F的灰度级,M是用于计算图像直方图的箱子数,yj xi为输入图像Y的灰度级;
S3.2,构造基于α互信息的无参考图像融合评价度量公式为:
式中,F为融合图像,X和Y表示两幅输入图像,I是互信息;
S3.3,归一化处理
由于Iα(X;F)和Iα(Y;F)并不在相同的尺度上,所以对融合评价度量进行归一化处理,得到归一化后的融合评价度量
式中,H(F)为融合图像F的香农熵,H(X)是输入图像X的香农熵,H(Y)是输入图像Y的香农熵;
根据步骤S3.1可知,公式14中的条件概率分布由联合概率与边缘概率计算得到,而联合概率的计算需要估计图像的联合直方图;
由概率论的知识,输入图像X和融合图像F的联合直方图用如下的表达式进行更新:
h(X(m,n),F(m,n))=h(X(m,n),F(m,n))+1 (15);
对联合直方图进行归一化即得到输入图像X和融合图像F的联合概率分布;
同样地,输入图像Y和融合图像F的联合直方图用如下的表达式进行更新:
h(Y(m,n),F(m,n))=h(Y(m,n),F(m,n))+1 (16);
对联合直方图进行归一化即得到输入图像Y和融合图像F的联合概率分布。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中原工学院,未经中原工学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810156689.5/1.html,转载请声明来源钻瓜专利网。