[发明专利]基于WSN-LatLRR的红外和可见光图像融合方法

说明书

本发明公开了一种基于WSN‑LatLRR的红外和可见光图像融合方法。本发明对可见光图像和红外图像进行预处理，通过多级加权schattenp‑范数潜在低秩表示，分别分解为一个低秩部分和多个显著部分，对分解后的低秩部分重构为基础图像并进行融合，得到融合后的基础图像，对每对显著部分分别融合后将同级显著部分重构为融合后的显著图像，最后，融合后的基础图像与融合后的多级显著图像相加，得到最终的融合图像。通过本发明融合得到的融合结果细节信息丰富，相比于原来的低照度图像，场景目标更加清晰，图像的对比度提升。

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 WSN-LatLRR的红外和可见光图像融合方法。

背景技术

由于成像原理的不同，可见光图像通过反射光谱成像，具有较高的空间分辨率和丰富的背景信息，但易受光照或者天气条件影响，红外传感器通过热辐射成像，受光照或者天气条件影响小，图像比较稳定，但往往缺乏足够的场景背景细节信息。将红外与弱可见光图像进行融合，能产生出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，主要有加权平均法和主成分分析法等，这类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。基于变换域的图像融合方法是图像融合领域的一个研究热点，主要有基于小波变换的方法、基于金字塔变换的方法、基于轮廓波变换的方法等。近年来随着深度学习技术的发展，基于卷积神经网络和脉冲耦合神经网络的图像融合方法被广泛研究，这类融合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。采用稀疏表示的方法能够有效克服多尺度变换的不足，达到较好的融合性能。针对低照度图像，采用潜在低秩表示方法(LatLRR)将图像进行多层次分解，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，LatLRR中用到的核函数是所有奇异值之和，当奇异值特别大时对秩函数的逼近易产生偏差。加权schatten p-范数代替核函数，通过调节p值，能更精确地逼近秩函数。

发明内容

针对当前可见光和红外图像融合方法的不足，本发明提供一种基于WSN-LatLRR的红外和可见光图像融合方法。本发明能够充分利用可见光和红外图像的低秩先验，提高融合效果。

本发明采用的技术方案如下：

基于WSN-LatLRR的红外和可见光图像融合方法，其特征包括以下步骤：

步骤1、对可见光图像I₁和红外图像I₂进行预处理：处理为低秩分解的数据矩阵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、可见光图像数据P(I₁)通过k级加权schatten p-范数潜在低秩分解，得到k个显著图像和一个低秩图像红外图像数据P(I₂)通过k级加权schatten p-范数潜在低秩分解，得到k个显著图像和一个低秩图像所述(r＝1，2)表示P(I_r)(r＝1，2)第j级分解后得到的显著部分(共M列)；表示将中每列数据重排为n×n的矩阵后重构为整个显著图的操作。

所述加权schattenp-范数潜在低秩分解即求如下优化问题：