[发明专利]基于区间二型模糊集和CHMM模型的图像融合方法

权利要求书

1.一种基于区间二型模糊集和CHMM模型的图像融合方法，其特征在于，所述方法包括以下步骤：

获取两幅待融合多模态图像并分别进行NSST变换得到各自对应的高频子带系数和低频子带系数；

对每幅待融合多模态图像的低频子带系数的区域能量和区域方差进行自适应加权处理得到对应的低频子带系数的活动测度，根据两幅待融合多模态图像的低频子带系数的活动测度进行低频子带系数融合得到低频融合子带；

对于每幅待融合多模态图像的高频子带系数，建立一个所述高频子带系数的区间二型模糊上下文隐马尔可夫模型描述高频子带系数的统计特性，在每个隐状态上建立区间二型模糊集得到模糊隐状态，构建得到所述高频子带系数的T2-FCHMM统计模型；基于所述高频子带系数的T2-FCHMM统计模型提取得到所述高频子带系数的边缘概率密度和模糊熵并处理得到对应的T2-FCHMM模型统计特征；

对每幅待融合多模态图像的高频子带系数的区域能量和T2-FCHMM模型统计特征加权得到对应的高频子带系数的活动测度，根据两幅待融合多模态图像的高频子带系数的活动测度进行高频子带系数融合得到高频融合子带；

对所述低频融合子带和所述高频融合子带进行NSST逆变换得到融合图像。

2.根据权利要求1所述的图像融合方法，其特征在于，所述处理得到对应的T2-FCHMM模型统计特征，包括对于第A幅待融合多模态图像的高频子带系数

由所述高频子带系数的边缘概率密度按照公式计算得到所述高频子带系数的边缘概率密度的区域能量其中，W₁和W₂表示预设窗口的长宽，i和b为参数，x和y表示待融合多模态图像的像素点位置，j表示分解尺度、k表示高频子带的方向；

由所述高频子带系数的边缘概率密度的区域能量和模糊熵按照公式计算得到所述高频子带系数的T2-FCHMM模型统计特征。

3.根据权利要求1所述的图像融合方法，其特征在于，所述基于所述高频子带系数的T2-FCHMM统计模型提取得到所述高频子带系数的边缘概率密度，包括：

在高频方向子带系数上构建T2-FCHMM统计模型，首先在每一个隐状态上建立区间二型模糊集，得到模糊化的隐状态，每一个模糊隐状态都与一个二型模糊隶属函数有关，使用具有确定均值μ和不确定标准差σ的高斯型隶属函数作为主隶属函数，定义如下：

其上下边界对应的隶属函数(UMF，LMF)分别表示为f(x)，

其中,k₁和k₂是控制模型模糊性的不确定性因素，当k₁的值越小或k₂的值越大，表明不确定覆盖域(FOU)范围越大，模型的不确定性越大；

基于区间二型模糊集的高斯条件概率密度函数表示如下：

对高频子带系数进行GMM建模，

其中，为概率分布函数，且是高频系数H在模糊隐状态为m时的高斯条件概率密度；

然后，建立T2-FCHMM模型来描述不同尺度间、同一尺度不同方向、同一尺度空间领域内的系数相关性，每个系数都与一个上下文变量和一个模糊隐状态相关联，T2-FCHMM的参数集合可以表示为：

其中，分别是模糊隐状态为m时方差的上下限，分别是模糊隐状态的概率分布函数的上下限，且是模糊隐状态条件下基于上下文的概率值的上下限；

使用期望最大化(EM)算法训练数据得到T2-FCHMM模型的参数，包括初始化和迭代训练两个步骤，具体计算过程如下：

(1)初始化步骤

1.1)设置初始参数，

其中，σ²_η为已知噪声方差，δ²_j,k表示j尺度、k方向的高频子带平均能量，k₁、k₂为不确定性因素，每个模糊状态的标准差区间为

1.2)期望E步骤：根据贝叶斯定理，对每个系数计算模糊隐状态的概率，

1.3)最大化M步骤：根据E步骤所得概率，计算以下参数，

其中，M_j,k，N_j,k分别是j尺度k方向高频子带的行数和列数；

1.4)当参数收敛或迭代次数达到预设的最大训练次数时，继续进行下一步，否则，设置训练次数加1，然后返回到步骤1.2)；

1.5)在高频子带上设置(2W_j+1)×(2W_j+1)大小的窗口，使用下列各式完成参数初始化，并将模型训练次数t置零，

(2)迭代训练步骤

2.1)期望E步骤：计算在当前系数和上下文变量的值为v的条件下，模糊隐状态的概率，

2.2)最大化M步骤：通过下式更新模型各个参数，

置t＝t+1，迭代训练步骤(2)直至收敛或达到预设的最大迭代次数T；

由T2-FCHMM模型训练得到高频系数的标准差和概率密度函数，为计算高频系数的边缘概率密度函数，首先通过取标准差区间中值的方式解模糊，

得到σ_j,k,x,y,m作为j尺度k方向的高频子带在(x,y)位置的标准差参数，带入模型中计算得到在该方差下的边缘概率密度函数，

然后，计算高频系数的基于边缘概率密度的区域能量，