[发明专利]基于LatLRR和Retinex增强的可见光和红外图像融合方法

说明书

本发明公开了一种基于LatLRR和Retinex增强的可见光和红外图像融合方法。本发明对可见光图像和红外图像进行预处理，通过多级潜在低秩分解得到基础图像和多个细节图像，对分解后的基础图像重构：对基础图像进行Retinex增强后进行融合，得到融合后的基础图像；每一级的细节部分重构为细节图像，对每对细节图像进行多视觉综合加权融合，最后，融合后的基础图像与融合后的多级细节图像相加，得到最终的融合图像。本发明融合得到的融合结果细节信息丰富，场景目标更加清晰，图像的对比度提升。本发明提出的图像融合方法在较好的保留图像细节信息的同时，可以提高图像所包含的信息量，从而提升图像融合质量。

技术领域

本发明涉及图像融合这一应用领域，尤其涉及一种基于LatLRR和Retinex增强的可见光和红外图像融合方法。

背景技术

图像融合技术可以将可见光图像与红外图像融合得到更适合人眼观察或计算机视觉任务的合成图像，因此，红外与可见光图像融合技术在军事侦察、医疗诊断及人工智能等领域有着良好的应用前景。

目前红外与可见光图像融合的算法很多，总的来说可以概括为三类：基于空间域的方法、基于变换域的方法和基于深度学习的方法。基于空间域的图像融合方法是指直接在空间域上对源图像进行操作从而得到融合图像的方法，在运算速度上占据一定的优势，但是会造成源图像细节信息的丢失。基于变换域的方法包括基于多尺度分解的融合方法和稀疏表示的方法。基于多尺度的方法有效地保留了源图像的信息，细节信息明显，却在一定程度上改变了源图像的结构信息，基于稀疏表示的融合方法有较好的融合性能，但仍然存在捕获全局结构的能力有限以及细节信息不足的缺点。基于深度学习的方法需要预先进行网络模型训练，然后再实现图像特征提取和融合，融合性能受参数的影响较大，且计算量较大。最近，有学者提出了基于多级潜在低秩表示(MDLatLRR)的融合方法，可以提取源图像中全局结构信息和局部结构信息，融合图像细节信息丰富，清晰度高，具有良好的可视性。但是，MDLatLRR用于低照度图像时，由于原始图像比较模糊，加上显著部分的融合没有重充分利用细节图像的视觉显著特征，导致融合效果欠佳。

发明内容

本发明的目的是针对当前可见光和红外图像融合方法的不足，提供一种基于LatLRR和Retinex增强的可见光和红外图像融合方法。结合Retinex图像增强方法提高基础图像的照度，并利用显著部分重构后的细节图像的多种视觉显著特征确定细节图像融合权重，从而提高融合效果。

本发明采用的技术方案如下：

步骤1、图像预处理生成适合低秩分解的训练数据：

对可见光图像I₁和红外图像I₂进行预处理：处理为低秩分解的图像数据P(I₁)和P(I₂)，所述的P(I_r)(r＝1,2)表示将图像I_r均分为大小为n×n的M个子块，并把每个图像子块重排为一列数据；

步骤2、多级潜在低秩分解得到基础图像和多个细节图像：

可见光图像数据P(I₁)通过k级潜在低秩分解，得到k个细节图像和一个基础图像红外图像数据P(I₂)通过k级潜在低秩分解，得到k个细节图像和一个基础图像所述表示P(I_r)第j级分解后得到的细节部分，其中r＝1,2；表示将中每列数据重排为n×n的矩阵后重构为整个细节图的操作；

步骤3、基础图像增强拉伸后融合；

对基础图像和进行多尺度Retinex增强，然后进行对比度拉伸，对增强拉伸处理后的基础图像融合，得到融合后的基础图像

优选的，所述图像对比度拉伸方法可以采用全域线性拉伸、分段线性拉伸、指数变换拉伸、对数变换拉伸等；