[发明专利]一种基于特征级Copula模型相似性的图像融合方法

说明书

一种基于特征级Copula模型相似性的图像融合方法，属于图像融合领域。其步骤是：1)待融合图像进行QWT变换得到高频子带和低频子带；2)求出高频子带幅度和相位的亮度、对比度和结构度，并分别构建亮度、对比度、结构度的Copula模型；3)判定高频子带冗余性和互补性的特征类型，并设计相应的融合规则得到第一阶段高频子带融合系数；采用基于高频子带绝对值取大的融合规则得到第二阶段高频子带融合系数，根据加权规则得到最终的高频子带融合系数；4)采用基于低频相位梯度、相位局部方差和幅值能量的综合特征取大的融合规则得到融合后的低频子带系数；5)根据低频和高频的融合子带系数，利用QWT逆变换得到融合图像。

技术领域

本发明属于图像融合领域，涉及一种基于特征级Copula模型相似性的图像融合方法，在临床医学诊断和治疗、场景监控等领域中有广泛地应用。

背景技术

图像融合被广泛应用于军事，医学和遥感等领域，并成为了当今国内外学者的研究热点。图像融合是将不同信道所采集到的关于同一目标的图像数据进行空间配准，利用源图像的冗余性和互补性，将源图像中的有利信息综合成一幅信息含量更大的高质量图像，以提高原始图像的分辨率和利用率。

目前的图像融合方法可以分为两类，一类是直接在空域上对图像进行融合，比如加权平均法，基于像素灰度值取大的方法和主成分分析法(PCA)。此种方法是对图像的像素点进行处理，忽略了不同尺度上面的图像特征，因此容易丢失图像的边缘轮廓信息。第二类方法是在变换域上对图像进行融合，此种方法可以消除块效应得到更理想的融合效果。随着不同的变换工具的发展，基于多尺度分解(MST)的融合方法引起了人们的注意，多尺度分解将源图像分解成高频部分和低频部分。比如离散小波变换(discrete wavelettransform，DWT),双树复小波变换(double-tree complex wavelet transform，DTCWT)，平稳小波变换(stationary wavelet transform),曲波变换(curvelet transform)方法等。尽管这些传统的多尺度分解方法已经取得了很好的效果，但是仍然存在一些弊端，比如DTCWT在表示二维图像特征时容易产生信号相位歧义，曲线波变换计算过程较为繁琐。为了解决这些弊端，四元数小波变换(quaternion wavelet transform，QWT)作为一种新兴的MST工具被提出，可以对图像进行幅度-相位分析，同时具有近似平移不变性，能够更加准确的解释图像的特征信息。因此本发明选用QWT作为多尺度分解工具。

经过对图像融合问题的理解和分析，发现准确判定源图像的冗余性和互补性对于图像融合的质量至关重要。图像的冗余性和互补性一般通过源图像之间的相似性进行度量，常用的度量相似性的方法有基于结构相似性(SSIM)方法、基于均方误差(MSE)方法和基于直方图的方法等，此类方法往往忽视了图像经过QWT分解后所得系数之间的相关性，因此本发明利用Copula模型来捕捉QWT高频子带方向内幅度与相位的相关性，该模型被用来度量图像高频子带之间的相似性，可以为图像融合提供更好的决策。SSIM通过亮度、对比度和结构度这三个因素来衡量图像之间的相似性，研究表明这三个因素能够从本质上反映图像之间的差异。基于这一研究结论，我们可以把相似性分为三个类型：亮度相似性、对比度相似性以及结构度相似性。根据上述研究分析，本发明构建了基于特征级的Copula模型，即亮度Copula模型、对比度Copula模型、结构度Copula模型，这些模型增强了对图像的解释能力。本专利根据特征级Copula模型和Kullback-Leibler距离(KLD)计算相似性，以此确定源图像高频子带之间的互补性和冗余性，然后再通过贝叶斯公式进一步判断相似性类型，根据相似性类型设计相应的融合规则，能够得到更优的融合图像。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于特征级Copula模型相似性的图像融合方法，以解决现有的基于相似性的融合方法忽略了多尺度相关性以及相似性类型的问题。充分考虑了QWT系数之间的相关性，依据相似性类型设计相应的融合规则，不仅能够有效保护源图像的细节信息，而且能够增强图像边缘轮廓和对比度，改善其视觉效果，有利于提高融合图像的质量。