[发明专利]基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法

权利要求书

1.基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法，其特征在于：包括以下步骤：

1)对红外源图像进行调频(FT)显著性检测获得初始显著性图，再将红外源图进行低秩分解获得低秩矩阵和稀疏矩阵，初始显著图减去低秩矩阵从而获得最终的显著图，对显著图进行二值化处理，分离显著区域与背景区域；

2)对于显著区域，采用绝对值最大的方法进行融合；

3)对于背景区域，首先采用非下采样剪切波(NSST)对背景进行分解，从而获得高低频系数，低频系数采用总变分模型(TV)进行融合，高频系数采用ADC-SCM模型来选取以保留图像的细节和纹理信息；

4)将上述得到的融合系数进行逆变换得到融合背景区域和显著区域，将融合背景区域和显著区域进行叠加获得最终的融合图像。

2.如权利要求1所述的基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法，其特征在于：所述步骤1)FT算法和低秩分解公式如下所示：

S_p(i,j)＝||I_μ-I_ωhc(i,j)||

其中，I_μ表示图像的平均像素值，I_ωhc(i,j)表示经过高斯滤波的图像，|| ||表示欧氏距离，S_p表示初始显著图；

S_g＝(S_P-Z)*S_p

其中，X表示输入图像，|| ||_*表示矩阵的核范数，λ为平衡系数，|| ||_2,1表示l_2-1-norm，Z表示低秩矩阵，E表示稀疏矩阵，Sg表示最终的显著图。

3.如权利要求1所述的基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法，其特征在于：所述步骤3)剪切波是一种接近最优的多维函数稀疏表示方法，根据合成膨胀的仿射系统,如下式：

Λ_AB(ψ)＝{ψ_j,l,k(x)＝|detA|^j/2ψ(B^lA^jx-k):j,l∈Z,k∈Z²}

构建了一个Parseval框架，称系统Λ_AB中元素ψ_j,l,k为合成小波。当时，合成小波将转换为剪切波。

4.如权利要求1所述的基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法，其特征在于：所述步骤3)NSST的变换过程由多尺度和多方向分解两部分组成的；

NSST的多尺度分解：采用非下采样金字塔分解(Nonsubsample pyramid,NSP)，图像经过k级NSP多尺度分解后,会得到k+1个子带图像，其中包括一个低频子带图像和k大小与源图像相同,但尺度不同的高频子带图像；

NSST方向分解：采用Shearlet滤波器，其核心思想是在伪极网格上对图像进行二维傅里叶变换，然后在网格上用一维子带滤波器进行滤波，从而保证了融合后的图像具有平移不变性。

5.如权利要求1所述的基于ADC-SCM与低秩矩阵表达的红外与可见光图像融合方法，其特征在于：所述步骤3)自适应双通道脉冲发放皮层(ADC-SCM)，提高了其在黑暗或者复杂区域中提取细节的能力，该模型的数学表达式如下：

E_ij(n)＝gE_ij(n-1)+V_θY_ij(n-1)

上式中，n表示迭代次数，(i,j)下标表示神经元的标号，和分别表示两个外部输入，U_ij(n)表示最终的神经元内部活动项，W_kl表示神经元连接权重矩阵，E_ij(n)表示动态阈值，V_θ表示阈值放大系数，Y_ij(n)表示神经元在第n次迭代时的输出信号，f和g是内部活动和动态阈值的信号衰减系数。