[发明专利]基于区间二型模糊集和CHMM模型的图像融合方法

说明书

本发明公开了一种基于区间二型模糊集和CHMM模型的图像融合方法，涉及图像融合领域，包括：对两幅待融合图像的低频子带进行活动测度度量，并根据低频活动测度进行低频子带系数融合得到低频融合子带；利用上下文隐马尔可夫模型描述高频子带系数之间的相关性，构建得到高频子带系数的T2‑FCHMM统计模型；将得到的高频子带系数的边缘概率密度和模糊熵结合起来作为T2‑FCHMM模型统计特征与高频子带系数的区域能量结合得到高频子带系数的活动测度，根据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；对低频融合子带和高频融合子带进行逆变换得到融合图像，从而增加了融合图像的可信度和可理解性。

技术领域

本发明涉及图像融合领域，尤其是一种基于区间二型模糊集和CHMM模型的图像融合方法。

背景技术

图像融合是指将两幅或两幅以上的图像通过特定的算法融合为一幅新的图像的技术，使其具有比单一图像更丰富、可靠、清晰的综合信息，目前，图像融合技术在许多领域都得到了广泛的应用，包括遥感图像的分析和处理、无人驾驶、医学图像处理和军事目标识别等方面。

多尺度变换作为一种常用的图像处理手段被广泛使用，能够将图像从空间域变换到变换域中，得到反映图像概貌的低频子带系数和反映图像细节和纹理的高频子带系数，分别对低频子带系数和高频子带系数设计融合规则得到低频和高频融合子带，最后通过逆变换得到融合图像。

多尺度变换设计两个基本问题，即多尺度分解方法的选择和用于多尺度系数融合的融合策略，一直以来，许多研究者不断尝试解决这两个问题，目前对于多尺度分解方法有多种：非下采样剪切波变化NSST、非下采样轮廓波变换NSCT，其中，非下采样剪切波变化NSST集成剪切波变换多方向性的优点的同时，避免了伪吉布斯现象的出现，相比于非下采样轮廓波变换操作效率更好、复杂度也较低，因而更适用于多模态图像融合。

NSST域分解系数在尺度间、方向间和空间邻域内存在极强的统计相关性，作为一种有效的统计建模技术，上下文隐马尔可夫模型CHMM(Contextual Hidden Markov Model)能够利用上下文信息来充分、有效地捕获NSST域高频方向子带系数的相关性。但是，由于CHMM模型的参数是不确定的，训练数据不足、数据损坏、噪声等都会对建模结果产生影响，导致建模不准确，进而影响融合图像的质量。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于区间二型模糊集和CHMM模型的图像融合方法，本发明的技术方案如下：

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，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，建立一个高频子带系数的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，构建得到高频子带系数的T2-FCHMM统计模型；基于高频子带系数的T2-FCHMM统计模型提取得到高频子带系数的边缘概率密度的区域能量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；

对低频融合子带和高频融合子带进行NSST逆变换得到融合图像。