基于UDCT和PCNN的可见光与红外图像融合方法技术

基于UDCT和PCNN的可见光与红外图像融合算法，本发明专利技术涉及图像处理技术领域，解决现有技术由于不能够判断待融合图像低频信息的相似性、不能够判断源图像的细节丰富程度而导致的融合图像不清晰、细节不明显等技术问题。本发明专利技术主要包括将可见光图像和红外图像的源图像分别进行UDCT变换分解后，可得到不同尺度不同方向的UDCT子带系数，其包含了低频和高频的UDCT系数；(2)按照特定的规则对各尺度层采用不同的方式进行融合处理，即对低频系数采用低频系数融合规则，而采用高频系数融合规则处理高频系数，最后可获取融合后的各层UDCT系数；逆变换融合后的各层UDCT系数得到的重构图像便是融合图像。

【技术实现步骤摘要】

本专利技术涉及图像处理
，具体涉及基于UDCT和PCNN的可见光与红外图像融合算法。
技术介绍
当前，利用可见光与红外图像的融合技术来提升红外图像质量是红外图像增强领域的研究热点，而基于多尺度的融合技术则是这一热点中的主流研究方向。基于多尺度的融合技术原理如下：第一步，通过多尺度变换将源图分解为一系列的子图像，这些子图像尺度不同、频率和空间特性相异。第二步，按照特定的融合规则对源图像的变换系数作融合计算。第三步，将融合后的变换系数通过多尺度分解的逆变换得到融合后的高质量图像。尽管传统的基于多尺度分解的图像融合技术，例如小波分解的融合技术在一定程度上能够提升图像质量，但是却有着结构复杂，数据冗余度高的突出缺点。为了解决上述问题，本专利技术采用基于均匀离散曲波变换(UniformDiscreteCurveletTransform，UDCT)来分解源图。将均匀离散曲波变换引入图像融合算法具有很多优点。首先，原始图像在UDCT辅助下进行多方向、多尺度的分解，契合于人类世界感知信息的方式，可以全方位地获取原始图像中的细节特征，进而为图像融合供给更为有效的参考信息。其次，UDCT的平移不变性可有效抑制由于配准精度差对融合结果产生的不良影响。此外，UDCT系数冗余度低且实现简单，并且尺度不同的系数具备空间相关性，所以在融合规则的选择上可以以更为灵活的方式来融合系数。此外融合规则是图像融合过程中的核心环节，融合规则的优劣将在很大程度上影响着图像融合的质量。由于认识到脉冲耦合神经网络(PulseCoupledNeuralNetwork，PCNN)具有脉冲发放、捕获以及变阈值的特征，与人类视觉系统相符，所以本专利技术提出了一种结合均匀离散曲波变换和脉冲耦合神经网络的可见光与红外图像融合方法。
技术实现思路
针对上述现有技术，本专利技术目的在于提供基于UDCT和PCNN的可见光与红外图像融合算法，解决现有技术由于不能够判断待融合图像低频信息的相似性、不能够判断源图像的细节丰富程度而导致的融合图像不清晰、细节不明显等技术问题。为达到上述目的，本专利技术采用的技术方案如下：基于UDCT和PCNN的可见光与红外图像融合算法，包括如下步骤，步骤1、获取可见光源图像和红外源图像，分别划分可见光源图像和红外源图像为可见光图像块和红外图像块；步骤2、对可见光源图像和红外源图像进行均匀离散曲波变换，每幅源图像分别获得一组不同尺度且不同方向的低频子带系数和高频子带系数；步骤3、计算可见光图像块和红外图像块的高斯差分特征值，再根据高斯差分特征值，选择高频融合规则并通过脉冲耦合神经网络对高频子带系数进行融合，获得高频融合系数；步骤4、计算可见光图像块和红外图像块的能量相似度特征值，再根据能量相似度特征值和高斯差分特征值，选择低频融合规则并对低频子带系数进行融合，获得低频融合系数；步骤5、根据低频融合系数和高频融合系数，获得融合系数，再根据融合系数，利用多尺度变换逆变换进行图像重构，获得融合图像。上述方法中，所述的步骤3，包括如下步骤，步骤3.1、计算可见光图像块和红外图像块的高斯差分特征值FDoG,FDoG=g2-g1=Gσ2*I-Gσ1*I=(Gσ2-Gσ1)*I]]>其中，分别表示参数为σ1和σ2的两个高斯函数，I为可见光图像块或红外图像块；步骤3.2、根据高斯差分特征值，将如下公式作为高频融合规则，Cj,lF(i,j)=Cj,lA(i,j),DA(i,j)>DB(i,j)Cj,lB(i,j),DA(i,j)<DB(i,j)]]>其中，以图像二维坐标(i,j)为中心，DA(i,j)、DB(i,j)分别为可见光图像块和红外图像块的高斯差分特征值，X取F、A或B，对应X取值分别为高频融合系数、可见光源图像A的高频子带系数或红外源图像B的高频子带系数；步骤3.3、通过脉冲耦合神经网络对高频子带系数进行融合，获得高频融合系数。上述方法中，所述的步骤4，包括如下步骤，步骤4.1、通过如下公式，计算可见光图像块和红外图像块的能量相似度特征值S(i,j)S(i,j)=min{E(FA(i,j)),E(FB(i,j))本文档来自技高网...

【技术保护点】
基于UDCT和PCNN的可见光与红外图像融合算法，其特征在于，包括如下步骤，步骤1、获取可见光源图像和红外源图像，分别划分可见光源图像和红外源图像为可见光图像块和红外图像块；步骤2、对可见光源图像和红外源图像进行均匀离散曲波变换，每幅源图像分别获得一组不同尺度且不同方向的低频子带系数和高频子带系数；步骤3、计算可见光图像块和红外图像块的高斯差分特征值，再根据高斯差分特征值，选择高频融合规则并通过脉冲耦合神经网络对高频子带系数进行融合，获得高频融合系数；步骤4、计算可见光图像块和红外图像块的能量相似度特征值，再根据能量相似度特征值和高斯差分特征值，选择低频融合规则并对低频子带系数进行融合，获得低频融合系数；步骤5、根据低频融合系数和高频融合系数，获得融合系数，再根据融合系数，利用多尺度变换逆变换进行图像重构，获得融合图像。

【技术特征摘要】
1.基于UDCT和PCNN的可见光与红外图像融合算法，其特征在于，包括如下步骤，步骤1、获取可见光源图像和红外源图像，分别划分可见光源图像和红外源图像为可见光图像块和红外图像块；步骤2、对可见光源图像和红外源图像进行均匀离散曲波变换，每幅源图像分别获得一组不同尺度且不同方向的低频子带系数和高频子带系数；步骤3、计算可见光图像块和红外图像块的高斯差分特征值，再根据高斯差分特征值，选择高频融合规则并通过脉冲耦合神经网络对高频子带系数进行融合，获得高频融合系数；步骤4、计算可见光图像块和红外图像块的能量相似度特征值，再根据能量相似度特征值和高斯差分特征值，选择低频融合规则并对低频子带系数进行融合，获得低频融合系数；步骤5、根据低频融合系数和高频融合系数，获得融合系数，再根据融合系数，利用多尺度变换逆变换进行图像重构，获得融合图像。2.根据权利要求1所述的基于UDCT和PCNN的可见光与红外图像融合算法，其特征在于，所述的步骤3，包括如下步骤，步骤3.1、计算可见光图像块和红外图像块的高斯差分特征值FDoG,FDoG=g2-g1=...

【专利技术属性】
技术研发人员：何小海，甘炜，吴晓红，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51