[发明专利]基于快速BEMD和深度学习的图像融合方法

说明书

基于快速BEMD和深度学习的图像融合方法，属于图像处理技术领域。本发明使用快速BEMD对待融合图像进行多尺度分解得到频率从高到低的二维经验模态分解分量(Bidimensional Empirical Mode Component,BEMC)，对各分量分别进行融合，最后经过BEMD重构可获取融合结果图。利用深度学习可提取图像特征的特点，设计了一种基于深度学习的图像融合规则。实验表明基于该融合方法的融合结果图具有最佳的视觉效果，满足人眼的视觉感知。

技术领域

本发明涉及图像处理技术领域，特别是涉及基于快速BEMD和深度学习的图像融合方法。

背景技术

图像融合的目的在于利用信息分析手段在特定条件下对不同时间或者空间的图像进行处理，综合多源图像的互补信息，剔除冗余信息，从而得到满足特定应用场景的图像。近年来，图像融合的理论研究迅速发展，图像融合的方法主要分为六大类，分别为多尺度分析法、神经网络法、稀疏表示法、子空间法、图像显著法和混合法。基于多尺度分析的图像融合方法假设图像可分解为多个不同空间尺度的子图像，对子图像分别进行融合。基于神经网络的图像融合方法模仿人脑处理神经信息的感知行为，具有良好的容错性和抗噪能力。基于稀疏表示的图像融合方法假设图像可由一组超完备基线性表示，根据稀疏系数和完备基进行融合。基于子空间的图像融合方法将图像从高维空间映射到低维空间或者子空间，在子空间内进行融合，可降低存储空间和提高处理速度。基于图像显著性的融合方法利用人眼对于物体或者局部明显区域敏感的特点，可保证显著的目标或者区域在融合结果图中的完整性。混合图像融合方法结合了各个方法的优点，进一步改善融合效果。

基于多尺度分析的图像融合算法是研究的热点，图像多尺度分析的方法主要有金字塔变换、小波变换、二维经验模态分解等等。金字塔分解的各尺度之间存在相关性，使得图像融合效果不理想。小波变换是一种正交分解的方法，可提取图像低频信息和水平、垂直、对角三个方向的高频信息，小波变换具有方向性和时频特征，小波变换的关键在于小波函数的选取和预先定义的滤波器，不同的应用场景需要选取不同的小波函数和滤波器，没有统一的标准进行相关选择。同时小波变换存在信号能量泄漏，在边缘处的能量和频率会出现较严重的失真，在图像融合中会出现边缘效应。

二维经验模态分解是由一种对图像信号进行自适应多尺度分析的方法，适用于处理非线性非平稳的图像信号。BEMD根据图像信号特征对图像进行自适应分解得到一系列的高频分量和低频分量，各分量之间具有较强的局部正交性，能够有效地表示图像的特征信息。传统的BEMD算法存在计算量大、分解效率低下等弊端，快速BEMD算法不仅运行速度快，而且也能够获取较好的图像分解效果，可应用于图像融合。

发明内容

为了解决上述存在的问题，本发明提供基于快速BEMD和深度学习的图像融合方法，使用快速BEMD对待融合的两幅图像进行多尺度分解，可获取多个二维经验模态分解分量。再对两幅图像相同尺度的分量采用基于深度学习的图像融合规则进行融合，综合进行BEMD重构可得到融合结果图。采用该融合方法可获得满足人眼视觉系统的的融合结果图，便于进一步的图像处理，为达此目的，本发明提供基于快速BEMD和深度学习的图像融合方法，所述基于快速BEMD和深度学习的图像融合方法的待融合图像的多尺度分析和图像的融合规则，方法包括如下步骤：

(1)先采用快速BEMD算法对待融合图像进行多尺度分解，获取一系列频率从高到低的二维经验模态分解分量；

(2)再利用基于深度学习的图像融合规则，对相应的二维本征模态分解分量进行融合。

作为本发明进一步改进，所述步骤(1)具体步骤如下，先采用快速BEMD算法对待融合图像进行多尺度分解，可获取二维经验模态分解分量，快速BEMD算法的具体步骤为：