[发明专利]一种基于四阶偏微分和期望值最大的图像融合方法

权利要求书

1.一种基于四阶偏微分和期望值最大的图像融合方法，其特征在于，该方法包括以下步骤：

1)对源图像进行基于FPDE的分解，获取近似图像和细节图像；

2)采用PCA方法对近似图像进行融合，获取融合后的高频分量；

3)采用EM算法对细节图像进行融合，获取融合后的低频分量；

4)将融合得到的高频分量和低频分量进行组合，获取重构的融合图像。

2.根据权利要求1所述的一种基于四阶偏微分和期望值最大的图像融合方法，其特征在于，步骤1)具体包括以下步骤：

101)将源图像S_VI和S_IR分别进行基于FPDE的分解，FPDE过程保留源图像的低频成分作为近似图像

102)从源图像中减去近似图像来计算得到细节图像

3.根据权利要求2所述的一种基于四阶偏微分和期望值最大的图像融合方法，其特征在于，步骤101)的具体内容为：

在Ω集下的连续图像空间中建立以下能量泛函E(u)：

E(u)＝∫_Ωf(|▽²u|)dxdy

式中，u为源图像的强度函数；

建立梯度下降函数对能量泛函进行求解，对源图像的强度函数u执行FPDE进程：

式中，c(|▽²u|)为扩散系数分布函数，▽²为拉普拉斯算子，c为扩散系数；

对梯度下降函数采用迭代方法进行数值求解，由求解得到的图像强度获取相应的近似图像求解公式为：

式中，为在n+1次迭代和在(i，j)像素位置处的较粗分辨率的图像强度，取决于其先前的n次尺度图像强度Δt为步长，为对图像空间网格大小为h的函数执行的拉普拉斯算子。

4.根据权利要求3所述的一种基于四阶偏微分和期望值最大的图像融合方法，其特征在于，步骤102)中，细节图像的计算公式为：

5.根据权利要求4所述的一种基于四阶偏微分和期望值最大的图像融合方法，其特征在于，步骤2)具体包括以下步骤：

201)将细节图像作为矩阵γ的列向量；

202)将矩阵γ的每一列作为变量，每一行作为观察值，获取协方差矩阵C_γγ；

203)计算特征值λ₁、λ₂和C_γγ的特征向量和

204)找出最大特征值λ_max，将λ_max对应的特征向量作为最大特征向量φ_max，对φ_max的主成分分量P₁和P₂进行归一化；

205)将主成分分量P₁和P₂作为权重进行细节图像信息融合，获取高频分量S^A。

6.根据权利要求5所述的一种基于四阶偏微分和期望值最大的图像融合方法，其特征在于，步骤3)具体包括以下步骤：

301)建立与传感器的敏感系数、噪声、成像传感器的偏移有关的低频融合的图像模型；

302)初始化模型参数；

303)计算模型的高斯分布第k项的条件概率密度；

304)利用高斯分布第k项的条件概率密度更新图像模型参数；

305)根据更新参数后的图像模型获取低频分量S^D。