[发明专利]基于Framelet框架的红外与可见光图像融合方法

权利要求书

1.基于Framelet框架的红外与可见光图像融合方法，其特征在于：包括以下内容：

S100：采用Framelet变换对红外图像以及可见光图像进行分解，得到红外图像的高频子带和低频子带以及可见光图像的高频子带和低频子带；

S200：对红外图像和可见光图像的高频子带采用卷积稀疏表示进行系数分解，得到红外图像与可见光图像的基本层和细节层；分别采用活动测度水平取大和加权平均规则进行细节层和基本层的融合；

S300：对红外图像以及可见光图像的低频子带定义ISR算子进行融合；

S400：对融合后的高频子带系数和低频子带系数采用Framelet反变换，获取最终的融合结果；

所述S300中，采用由信息熵、标准差和范围滤波器构建的ISR混合算子对低频子带进行融合；

所述S100具体包括：

分别对图像I₁和I₂进行l尺度的Framelet变换，得到红外图像与可见光图像的低频分量和以及红外图像与可见光图像的高频分量和图像I₁和I₂分别表示红外图像与可见光图像；θ₁＝{LL}；θ₂∈{LH₁,LH₂,H₁L,H₁H₁,H₁H₂,H₂L,H₂H,H₂H₂}，为不同尺度的小波函数；

所述S300包括：

S301：基于信息熵、标准差和范围滤波器建立红外图像与可见光图像经过Framelet变换分解所得高频系数的相应评价指标和

构建ISR复合算子：

其中，α为复合描述子因子，WIE表示信息熵，WSD表示标准差，WR表示范围滤波器，和为：

得到红外图像与可见光图像对应的复合算子和

所述S300还包括：

S302：根据S301得到的复合算子和设置融合规则为：

所述S200具体包括：

S201：基于MOD-like字典学习方法进行字典学习；

S202：建立卷积稀疏表示模型，得到相应系数的细节层和基本层；

S203：采用卷积稀疏表示系数活动水平取大规则进行细节层融合；

S204：采用卷积稀疏表示系数加权平均的规则进行基本层融合；

所述S201具体包括：

采用以下公式定义MOD-like模型的字典学习方法：

约束条件：

||x_t||₀≤τ,t＝1,2,...,k

其中，τ表示X的每列中采用的最大非零系数数量，Y为数据集矩阵，Y∈R^sk×I，D为字典矩阵，D∈R^sk×(k+1)M，X为系数矩阵，X∈R^(k+1)M×I，按照公式：

计算数据集矩阵、字典矩阵以及系数矩阵，其中，Y_k∈R^s×I表示来自第k张的尺寸为s的I图像，D∈R^s×M为一个过度完整的字典，且sM。