[发明专利]基于多尺度变换与脉冲耦合神经网络的图像融合方法

说明书

本发明的目的在于提供一种基于多尺度变换与脉冲耦合神经网络的图像融合方法，该方法直接面向图像融合技术，将对齐后的可见光与红外图像进行多尺度变换，采用非下采样剪切波变换把输入图像分解成高低子频带，采用快速引导滤波进行显著性检测，改进脉冲耦合神经网络的模型，采用PA‑PCNN从空间纹理分布以及亮度分布上对图像进行多区域划分，最后对处理后的高低子频带进行逆NSST变换生成融合图像。该方法既解决了基于区域的图像融合方法所获得的图像细节不够丰富，易出现伪影的问题，又提高了算法的执行效率，且显著性检测也使得融合的图像具有良好的视觉效果。

技术领域

本发明属于图像融合方法领域，尤其涉及一种基于多尺度变换与脉冲耦合神经网络的图像融合方法。

背景技术

图像融合是信息融合学科领域的一部分，是对同一场景中采用多种传感器获取的多个图像集合成一幅图像，从中增强信息的可读性，根据良好的细节信息和显著的目标特征从而实现对图像更精准全面又可靠的解读。图像融合技术现已广泛应用于医学诊断、遥感探测、矿产勘探以及军事与安防监控等诸多领域。可见光成像具有丰富的颜色、形状与纹理信息，但是在低光照高浓度粉尘烟雾以及雨雪夜间等环境下，受背景噪声干扰严重，成像质量较差。而在这些特殊环境下红外成像具有一定的优势，但红外成像分辨率低，边缘纹理易受损模糊。可见光与红外图像传感器的成像特点及其局限性使得利用单一的传感器难以完成不同场景条件下的识别、探测与跟踪等任务，而通过可见光成像和红外成像互补，可以弥补特殊环境对可见光成像的影响，改善红外成像的边缘质量与分辨率，便于获得更加完备、精准的目标图像信息。

已有可见光与红外图像的融合方法可分为基于变换域的融合和基于空间域的融合，基于变换域的融合，近年来集中于多尺度变换方法，传统的算法如拉普拉斯金字塔、主成分分析、高斯金字塔、小波变换、曲波变换、轮廓波变换，这些方法具有特征提取效率低、信息冗余等问题，改进算法有非下采样轮廓波变换、非下采样剪切波变换、非下采样双树复轮廓波变换等，而这些方法进行多尺度多方向分解及逆变换时比较耗时，变换域的融合策略普遍存在融合效果不高的问题。基于空间域的融合策略直接在图像像素上进行操作，在执行效率上具有一定的优势，可见光与红外图像的目标区域和背景区域具有显著不同的特性，为了凸显目标特征，分解背景区域保留细节，降低融合边缘伪影现象，如何进行基于区域的图像融合以及融合规则的制定是基于空间域融合面临的问题。

因此，需要一种解决或至少改善现有技术中固有的一个或多个问题的图像融合方法。

发明内容

为解决上述问题，本发明提出一种基于多尺度变换与脉冲耦合神经网络的融合方法。将对齐后的可见光与红外图像进行多尺度变换，获取不同尺度下的图像信息，采用非下采样剪切波变换把输入图像分解成高低子频带，采用快速引导滤波进行显著性检测，改善伪影问题。提高算法执行效率，改进脉冲耦合神经网络的模型，采用自适应脉冲耦合神经网络从空间纹理分布以及亮度分布上对图像进行多区域划分，满足可见光与红外图像融合过程中保留红外目标亮度信息和可见光背景纹理信息的需求。该方法既解决了基于区域的图像融合方法所获得的图像细节不够丰富，易出现伪影的问题，又提高了算法的执行效率，且显著性检测也使得融合的图像具有良好的视觉效果。

根据一种实施例形式，提供一种基于可见光和红外图像融合的煤岩界面识别方法，其特征在于包括以下步骤：

A.取同一场景下同一时刻的可见光图像I_VI与红外图像I_IR；

B.对I_VI与I_VI进行配准，以红外图像为基准，将可见光图像与其对齐，得到对齐的可见光

图像AI_VI；

C.通过多尺度变换与脉冲耦合神经网络对图像AI_VI与I_IR进行融合，其图像融合过程与融合规则如下步骤：