[发明专利]基于多尺度变换与脉冲耦合神经网络的红外偏振融合方法

摘要

本发明是基于多尺度变换与脉冲耦合神经网络的红外偏振融合方法，包括以下步骤1】通过斯托克斯矢量表示法得到成像区域的偏振信息；解算出成像区域的斯托克斯矢量S＝(I,Q,U,V)T；2】根据成像区域的偏振信息求解偏振度图像IDP和偏振角图像IAP；3】利用NSCT算法对归一化后的偏振角图像和偏振度图像进行融合，得到复合偏振图像IP；本发明基于非下采样Conterlet变换(Non‑Subsampled Conterlet Tranformation，NSCT)和自适应脉冲耦合神经网络算法(Adaptive Pulse Coupled Neural Network，APCNN)算法实现偏振图和红外辐射强度图像的二次融合。其中，NSCT算法将偏振图像细节在各个方向上得到了保护，而APCNN算法提高了异类图像融合的质量。

主权项

基于多尺度变换与脉冲耦合神经网络的红外偏振融合方法，其特征在于：所述方法包括以下步骤：1】通过斯托克斯矢量表示法得到成像区域的偏振信息；当红外偏振系统中偏振片分别旋转到0°、45°、90°和135°等4个不同位置时，获得4个不同偏振方向的红外强度图像图I′(0°)、I′(45°)、I′(90°)和I′(135°)；解算出成像区域的斯托克斯矢量S＝(I,Q,U,V)T；其中，I代表红外强度图像，Q表示0°与90°线偏振光分量之差，U表示45°与135°线偏振光分量之差，V代表右旋与左旋圆偏振光分量之差；2】根据成像区域的偏振信息求解偏振度图像IDP和偏振角图像IAP；3】利用NSCT算法对归一化后的偏振角图像和偏振度图像进行融合，得到复合偏振图像IP，实现第一次融合；3.1】将原DoP图像和原AoP图像进行NSCT分解，分别得到分解系数图和3.2】设融合图像后的复合偏振图像为IP，其对应的NSCT分解系数为其中aX表示图像X的低频子带图像，其中X＝IDP、IAP、IP，CXs,l表示图像X在第s层、第l个方向子带上的高频系数，其中X＝IDP、IAP、IP，IDP、IAP、IP分别代表偏振度图像、偏振角图像、归一化偏振度图像与归一化偏振角图像融合后得到的复合偏振图像；3.3】根据传统的像素级图像融合准则，由和得到融合系数4】利用NSCT算法对复合偏振图像IP和红外强度图像I分别进行多尺度分解，得到相应的不同尺度，不同方向上的NSCT分解系数图；4.1】将复合偏振图像IP和红外强度图像I分别进行NSCT分解，分别得到分解系数图和4.2】设融合图像后的复合偏振图像为IF，其对应的NSCT分解系数为其中aX表示图像X的低频子带图像，其中X＝IP、I、IF，CXs,l表示图像X在第s层、第l个方向子带上的高频系数，其中，X＝IP、I、IF，IP、I、IF分别代表复合偏振图像、红外强度图像、将复合偏振图像和红外强度图像进行融合后得到的总复合偏振图像；5】利用APCNN算法分别得到各尺度各方向上NSCT系数图的点火图；6】对复合偏振图像IP和红外强度图像I的NSCT子带系数和进行融合；6.1】基于像素平均的原则，根据NSCT低频子带系数aIP和aI求解融合系数aIF；6.2】基于点火图融合原则，根据NSCT高频子带系数和求解融合系数6.3】对所有尺度方向上的融合系数进行NSCT逆变换，得到红外偏振融合图像，实现第二次融合；所述步骤1】斯托克斯矢量S＝(I,Q,U,V)T的具体解算方法：Q＝I′(0°)‑I′(90°)U＝I′(45°)‑I′(135°)；所述步骤2】中求解具体步骤是：偏振度图像表示为：进行归一化处理后得到：偏振角图像表示为归一化处理后得到：所述步骤5】的具体步骤是：5.1】根据主成分分析法计算复合偏振图像和红外强度图像各个高频子带系数对应的外界激励矩阵：SX＝PCA(X)其中：所述是符合偏振图像Ip经过NSCT分解得到的高频系数图；所述CIs,l是红外强度图像I经过NSCT分解得到的高频系数图；5.2】将外界激励矩阵输入到APCNN模型中，激发神经元，最终得到各系数图的点火图KX，其中所述是符合偏振图像Ip经过NSCT分解得到的高频系数图；所述CIs,l是红外强度图像I经过NSCT分解得到的高频系数图；步骤5】神经元模型迭代计算过程如下：神经元激发过程中，各变量的含义及参数的取值：FXij(n)，为第n次迭代时反馈输入图中位于(i,j)处的反馈输入，其中Xij表示图像X位于(i，j)像素点的像素值；KXij(n)为第n次迭代时点火图中位于(i,j)处的点火状态，1表示第n次迭代时位于(i,j)处点火发生，0表示第n次迭代时位于(i,j)处点火没有发生；KX表示经过n次迭代得到的点火图，当点火图中任意位于(i,j)处的点火值都大于等于1时，即KXij≥1，其中1≤i≤M，1≤j≤N，停止迭代；LXij(n)为第n次迭代时线性连接输入部分中位于(i,j)处的连接输入值；UXij(n)为第n次迭代时神经元的内部活动项位于(i,j)处的值，当UXij(n)的值大于动态阈值θXij(n)时，神经元点火，脉冲发生输出；参数αF、αL和αθ分别表示反馈输入FXij(n)、线性连接输入LXij(n)和动态阈值θXij(n)的衰减时间常数，且通常有αF＜αθ＜αL，VF、VL和Vθ分别为反馈放大系数，连接放大系数和阈值放大系数，通常取VF＝VL＝1；位置(k,l)以(i,j)为中心，在大小为(2u+1)×(2v+1)的局部邻域中，(2u+1)×(2v+1)被称为APCNN的连接范围，u,v＝1,2…。