[发明专利]一种用于多图像融合的二维多元经验模态分解算法

说明书

本发明公开了一种用于多图像融合的二维多元经验模态分解算法，包括如下步骤：(1)将待融合的多幅图像组合为一个二维多元信号，作为2D‑MEMD算法的输入信号；(2)2D‑MEMD算法可将输入的二维多元信号分解为2D‑IMFs，不同的2D‑IMF表征了不同图像的不同空间尺度响应；(3)使用局部方差最大法或局部能量最大法对相同空间尺度的2D‑IMFs进行融合，再将不同空间尺度的融合结果相加，即可得到多图像融合的结果。本发明能够结合2D‑EMD和MEMD算法的优势，可以完成对二维多元信号，即多幅图像的分解，为每幅图像生成数量一致的2D‑IMFs，且不会造成图像空间信息的丢失。

技术领域

本发明涉及多元信号处理技术领域，尤其是一种用于多图像融合的二维多元经验模态分解算法。

背景技术

经验模态分解(Empirical Mode Decomposition，EMD)是一种全数据驱动的信号处理技术，可以无需任何预先定义的参数、自适应地将一维一元信号分解为若干幅度和频率经过调制的AM/FM信号，称之为本征模态函数(Intrinsic Mode Functions，IMFs)。IMF通过不同的时间尺度说明了信号能量与频率之间的关系，非常适用于非线性非平稳信号的时频分析。图像作为典型的非平稳信号，近年来，EMD及相关算法在图像文理分析、图像去噪、图像融合等领域取得了广泛的应用。

在此过程中，标准EMD的二维拓展算法(BidimensionalEMD，2D-EMD)和多元拓展算法(MultivariateEMD，MEMD)作出了很大的贡献，尤其是在图像融合领域，但是将其应用于图像融合领域会存在一些尚未解决的问题。2D-EMD解决了标准EMD仅能处理一维信号的限制，可以对二维信号进行分解，当其应用于图像融合时，分别对每幅待融合图像进行分解，再对分解的结果进行融合。但是，由于EMD的唯一性问题，每幅图像分解所得的IMFs数量很大可能是不同的，这限制了2D-EMD在图像融合中的应用；MEMD则完美解决了由EMD唯一性带来的问题，MEMD可以分解一维多元信号，为每个信号产生数量相等的IMFs，其应用于图像融合时，不足之处在于需将图像的行或列首尾相接组成一维信号，这一操作导致了图像空间信息的丢失。

发明内容

本发明所要解决的技术问题在于，提供一种用于多图像融合的二维多元经验模态分解算法，能够结合2D-EMD和MEMD算法的优势，可以完成对二维多元信号，即多幅图像的分解，为每幅图像生成数量一致的2D-IMFs，且不会造成图像空间信息的丢失。

为解决上述技术问题，本发明提供一种用于多图像融合的二维多元经验模态分解算法，包括如下步骤：

(1)将待融合的多幅图像组合为一个二维多元信号，作为2D-MEMD算法的输入信号；

(2)2D-MEMD算法可将输入的二维多元信号分解为2D-IMFs，不同的2D-IMF表征了不同图像的不同空间尺度响应；

(3)使用局部方差最大法或局部能量最大法对相同空间尺度的2D-IMFs进行融合，再将不同空间尺度的融合结果相加，即可得到多图像融合的结果。

优选的，步骤(1)中，将待融合的多幅图像组合为一个二维多元信号，作为2D-MEMD算法的输入信号具体包括如下步骤：

(11)确定输入二维多元信号I的元数n，以及投影方向的个数m，通过准蒙特卡洛方法产生n个长度为m的低差异序列作为投影方向矢量，此时，投影方向矢量的模长并不是单位长度，需进行归一化，称之为非归一化投影方向矢量，其中，每个投影方向矢量各对应一个投影角度θ_k；

(12)计算输入二维多元信号I沿每个投影角度θ_k所对应的归一化投影方向矢量的投影提取局部极大值所在的位置

(13)使用Delaunay三角剖分算法，拟合散点得到方向θ_k所对应的极大值曲面