[发明专利]用于多图像融合的二维多元信号经验模态快速分解方法

说明书

本发明公开了一种用于多图像融合的二维多元信号经验模态快速分解方法，包括如下步骤：将需要融合的多幅图像组合成一个二维多元信号，作为MA‑BMEMD的输入信号，其中每一幅图像为一个二维信号；将输入的二维多元信号分解到多个空间尺度得到投影信号，采用基于均值估计的二维多元经验模态分解算法将每个二维信号在每个空间尺度的投影信号分解为若干本征模态函数；使用局部方差最大法将同一空间尺度下不同的本征模态函数进行融合，将所有空间尺度的融合后的信号叠加即可得到融合后的图像。本发明可以在保证BMEMD融合效果的前提下，减少图像空间信息的丢失，且较为显著地减少算法复杂度，降低运算成本。

技术领域

本发明属于多图像融合领域，具体涉及一种用于多图像融合的二维多元信号经验模态快速分解方法。

背景技术

图像融合技术时常被运用在两个场景下，一种情况是将多张焦点不同的散焦图片融合在一起形成一张清晰的对焦图片；另一种情况是将同一场景多次曝光的图片进行融合，过度曝光或者曝光不足都会使得图片信息缺失，融合之后会使得图像信息充足。

近些年提出来的经验模态分解（Empirical Mode Decomposition，EMD）是一种完全由数据驱动的信号分解算法。它将信号分解成不同振荡频率的成分，这些成分被称为本征模态函数（Intrinsic Mode Functions，IMFs）。在EMD的基础之上又有了许多扩展性的发展。多元经验模态分解（Multivariate empirical mode decomposition，MEMD）通过将多元信号同时映射到不同方向上，得到多元信号的局部均值和信号包络，以此实现对多元信号的分解。二维经验模态分解（Bidimensional Empirical Mode Decomposition，BEMD）将EMD运用到二维信号上，通过寻找二维曲面的局部极大值和极小值，在此基础上构造均值曲面，从而实现二维信号（图像）的分解。在BEMD基础上提出的一种基于均值估计的快速算法（Mean Approximation Bidimensional Empirical Mode Decomposition，MA-BEMD）可以实现二维信号的快速分解。但是使用该方法进行图像融合时无法保证待融合的每张图的本征模态函数都分解到相同空间尺度。二维多元经验模态分解（Bidimensional MultivariateEmpirical Mode Decomposition，BMEMD）将多元经验模态分解运用到图像融合上，实现了对不同图像在相同空间尺度上的融合，减少了图像融合时空间尺度的丢失。BMEMD在生成本征模态函数时需要不停地重复筛选过程，且每次筛选过程都需要对极大值和极小值分别进行插值，得到极小值和极大值包络，需要耗费较多地计算时间。

发明内容

发明目的：针对现有技术中存在的问题，本发明公开了一种用于多图像融合的二维多元信号经验模态快速分解方法，将一种基于均值估计的快速算法运用到二维多元经验模态分解上，快速地将多张图片分解到相同空间尺度，并在此基础上进行融合。

技术方案：本发明采用如下技术方案：一种用于多图像融合的二维多元信号经验模态快速分解方法，其特征在于，包括如下步骤：

步骤A、将需要融合的多幅图像组合成一个二维多元信号，作为MA-BMEMD的输入信号，其中每一幅图像为二维多元信号中的一个二维信号；

步骤B、将输入信号中的每个二维信号同时分解到若干个空间尺度中，得到投影信号，采用基于均值估计的二维多元经验模态分解算法将每个投影信号分解为若干本征模态函数；

步骤C、使用局部方差最大法或局部能量最大法将同一空间尺度下不同的本征模态函数进行融合，再将所有空间尺度的融合后的信号叠加即可得到融合后的图像；

其中，所述步骤B包括：

步骤B1、将输入的二维多元信号投影到若干个方向上，得到每个方向上的投影信号；

步骤B2、提取每个方向上的投影信号的极值点；