[发明专利]基于潜在低秩表示和结构张量的图像融合方法及装置

权利要求书

1.一种基于潜在低秩表示和结构张量的图像融合方法，其特征在于，所述方法包括：

获取来自同一场景并进行图像配准的红外图像和可见光图像；

利用潜在低秩表示LatLRR算法对所述红外图像和所述可见光图像进行分解得到第一显著性特征图和第二显著性特征图，对所述第一显著性特征图和所述第二显著性特征图各自的灰度值进行归一化，分别对应形成第一加权系数矩阵和第二加权系数矩阵；

利用所述第一加权系数矩阵和所述第二加权系数矩阵分别指导基于红外显著性与可见光显著性的原图像自适应加权叠加，将叠加后的系数矩阵归一化构成低秩显著性LSR算子；

分别获取红外图像、可见光图像任一点像素的梯度向量，利用所述梯度向量确定所述像素点的张量，对所述张量采用滤波技术进行平滑处理得到结构张量，所述结构张量进行矩阵奇异值分解得到相应的特征根，利用所述特征根确定张量奇异值TSV算子；

将所述LSR算子和TSV算子输入到预先建立的自适应双通道PCNN模型中，以所述TSV算子作为PCNN模型的链接强度处理得到融合图像灰度值。

2.根据权利要求1所述的基于潜在低秩表示和结构张量的图像融合方法，其特征在于，所述获取来自同一场景并进行图像配准的红外图像和可见光图像，包括：

分别获取同一场景的红外图像和可见光图像；

对红外图像和可见光图像进行特征提取得到特征点，通过进行相似性度量找到匹配的特征点对，通过匹配的特征点对得到图像空间坐标变换参数，由坐标变换参数进行红外图像和可见光图像的图像配准。

3.根据权利要求1所述的基于潜在低秩表示和结构张量的图像融合方法，其特征在于，所述利用潜在低秩表示LatLRR算法对所述红外图像和所述可见光图像进行分解得到第一显著性特征图和第二显著性特征图，对所述第一显著性特征图和所述第二显著性特征图各自的灰度值进行归一化，分别对应形成第一加权系数矩阵和第二加权系数矩阵，包括：

采用潜在低秩表示LatLRR算法分别对红外图像与可见光图像进行分解，获得各自的第一显著性特征图S_IR(x,y)与第二显著性特征图S_VI(x,y)，将第一显著性特征图S_IR(x,y)与第二显著性特征图S_VI(x,y)的灰度值进行归一化，形成第一加权系数矩阵S_i(x,y)与第二加权系数矩阵S_v(x,y)，第一加权系数矩阵S_i(x,y)或第二加权系数矩阵S_v(x,y)的表达式为：

4.根据权利要求3所述的基于潜在低秩表示和结构张量的图像融合方法，其特征在于，所述利用所述第一加权系数矩阵和所述第二加权系数矩阵分别指导基于红外显著性红外显著性与可见光显著性的原图像自适应加权叠加，将叠加后的系数矩阵归一化构成低秩显著性LSR算子，包括：

利用第一加权系数矩阵S_i(x,y)与第二加权系数矩阵S_v(x,y)分别指导基于红外显著性与可见光显著性的原图像自适应加权叠加，将叠加后的系数矩阵归一化，构成低秩显著性LSR算子，其具体表达式如下所示：

L₁(x,y)＝S_i(x,y)·IR(x,y)+(1-S_i(x,y))·VI(x,y))； (4)

L₂(x,y)＝S_v(x,y)·VI(x,y)+(1-S_v(x,y))·IR(x,y))； (5)

其中IR(x,y)与VI(x,y)分别代表红外图像与可见光图像在(x,y)处的灰度值，LSR_1/2(x,y)分别表示双通道PCNN模型的两个外界刺激。