[发明专利]红外图像与可见光图像融合方法

说明书

红外图像与可见光图像融合方法，首先利用鲁棒性主成分分析将源图像进行分解得到源图像的稀疏分量和低秩分量，然后采用基于区域能量的融合方法融合源图像的稀疏分量，采用非下采样轮廓波变换方法对源图像的低秩分量进行尺度变换，得到低通子带和带通子带，采用基于区域能量的融合规则融合低通子带、梯度取大的融合规则融合带通子带，进行逆变换得到融合后的低秩分量。最后通过叠加得到红外图像与可见光图像的融合结果；本发明通过将图像分解为不同的信息并采用合适的方法进行融合，能够使融合图像信息更加丰富，图像效果更好。

技术领域

本发明属于数字图像处理中的图像融合技术领域，具体涉及红外图像与可见光图像融合方法。

背景技术

多源图像融合技术是指通过融合多个传感器获得的图像信息，以获得更准确，可靠和全面的场景描述。红外与可见光传感器是获取图像的两种常见方式，并且每种方式具有不同的成像特性。可见光图像比较符合人类视觉的观察，图像的细节信息特别丰富，但是同时会受到天气等许多因素的影响，成像会受到局限性。红外图像的成像特别稳定，对于隐藏目标的显示拥有特别大的优势。在受到照明条件等恶略天气的影响下仍能较好的显示隐藏目标，然而与可见光图像相比，目标的细节信息不够丰富，图像的对比度较差。因此，对于这两种互补性的图像，二者的融合可以有效提高图像对场景细节与热目标的描述能力，在军事防御、侦查以及民用监控等方面有着广泛的应用。

可见光图像与红外图像融合算法的研究早期主要是基于空域的融合方法，主要有灰度值平均加权、梯度变换、主成分分析(PCA)等方法。这些方法运算简单，效率高，但是极易造成融合图像中细节信息损失严重，边缘的处理效果较差。近年来，基于多尺度多分辨的图像融合技术取得重要进展，主要有小波变换、曲波变换以及轮廓波变换等。这类算法在特定的应用环境中具有良好的性能，但是在具有复杂边缘结构的场景中，对边缘的相关程度不够，对具有高频特征的边缘细节信息描述能力不强，导致算法的性能下降。

为了充分获取红外图像与可见光图像中包含的信息，在保证融合速度的基础上获得目标突出、细节信息丰富、对比度高的融合结果，本发明提出一种基于鲁棒性主成分分析(RPCA)和非下采样轮廓波变换(NSCT)的融合方法。首先通过RPCA对图像进行分解得到低秩矩阵和稀疏矩阵，首先采用NSCT变换算法融合低秩矩阵,基于区域能量的方法融合稀疏矩阵。最后通过融合的低秩矩阵和稀疏矩阵来恢复出融合图像。该方法对图像的不同内容分别进行融合，图像结果更具层次感。NSCT变换克服了小波的方向性不足和Contourlet变换的频谱混叠等问题。

发明内容

为克服上述现有技术的不足，本发明的目的在于提供红外图像与可见光图像融合方法，基于鲁棒性主成分分析(RPCA)和非下采样轮廓波变换(NSCT)的红外图像与可见光图像融，具有融合图像更加清晰，目标突出，细节信息丰富，对比度高的特点。

为实现上述目的，本发明采用的技术方案是：

红外图像与可见光图像融合方法，包括如下步骤：

步骤1，RPCA图像分解

RPCA图像的分解主要分为三步，首先将RPCA图像转化为列向量 M∈R^mn×1；然后利用快速ALM对M进行RPCA图像分解，从优化问题式(1) 中获得mn×1的低秩矩阵列向量L和稀疏矩阵列向量S；最后将将矩阵L和S转换为m×n的矩阵；

式中，||||_*表示矩阵的核范数，||||₁表示矩阵的L1-范数，λ取值L,S为低秩矩阵和稀疏矩阵；

RPCA图像分解完之后得到红外图像和可见光图像的稀疏分量和低秩分量，根据稀疏分量和低秩分量的特点，采用基于区域能量的方法融合稀疏分量、基于NSCT的方法融合低秩分量；

步骤2，稀疏分量融合规则