基于小波变换的导向显著性图像融合方法技术

本发明专利技术公开了一种基于小波变换的导向显著性图像融合方法。其步骤包括：计算源图像的显著图谱：根据图像的空间频率信息，计算源图像的显著图谱；构建基于显著图谱的权重图：首先对源图像和对应图像的显著图谱分别进行单层小波分解，然后结合带有引导梯度的导向滤波，构建每幅图像的小波系数和尺度系数的权重图；生成融合图像：根据小波分解的源图像和对应的权重图谱，线性融合形成融合图像，然后进行小波逆变换。本发明专利技术的方法对多焦点、多曝光的图像能获得较好的效果，计算简便，高效，可实现性好，可以很方便的应用到个人计算机以及移植到嵌入系统中。本发明专利技术应用于计算机视觉与模式识别,如遥感图像分析，目标跟踪和目标识别。

【技术实现步骤摘要】
基于小波变换的导向显著性图像融合方法
本专利技术涉及机器视觉与模式识别领域，具体涉及基于小波变换的导向显著性图像融合方法。
技术介绍
单幅图像可以有效表征某些颜色通道中传输信息，但往往不能表征所有完整的图像信息。例如，在可见光下获得的图像可以显示场景细节，然而，它们缺乏有效的对比度；相反，红外图像可以有效地表达图像对比度，但不能清晰表征图像细节。为了获得完整的图像信息和发现有用的细节信息，亟须一种有效的融合方法，从而既可以表征图像信息，又有较好的对比度，这就要求有效地结合不同的源图像。目前，这些方法被广泛应用于遥感图像分析、自动识别、计算机视觉和目标跟踪等研究领域。近年来，许多研究者提出了有效的融合方法，大致可以分为两类：基于多尺度分解的融合和基于稀疏表示的融合。基于多尺度分解的融合方法以拉谱拉斯金字塔和小波变换为重点。H.Li提出了一种用于多源图像融合的小波变换方法。Q.Zhang提出了一种非采样Contourlet变换作为图像融合方法。这里，对于低频数据，采用方向模态值法选择融合规则，而对于高频数据，则按方向矢量的带限对比度和标准差(SD)方向设置。S.Y.Yang提出了一种小波四叉树与非下采样方向滤波器相结合的方法。小波变换是由一个细尺度小波包特征和非下采样方向滤波器组的可逆性特征，从而，提高分辨率和融合图像的索引数据。对于常见的红外与可见光图像融合，J.Saeedi提出了一种基于双树复小波变换的融合方法与使用不同规则融合图像模糊逻辑。Z.Zhou提出了一种混合的多尺度分解融合方法基于高斯双边滤波器。这种变换使我们能够更好地捕捉重要的多尺度红外光谱特征，并从大规模的边缘特征中分离出精细尺度的纹理细节。针对多聚焦图像融合，M.Nejati提出的一种新的空间域使用一本字典在视觉和定量评价获得更好的结果的方法。V.N.Gangapure提出了一个可调频率的图像融合算法，利用像素的局部相位的空间信息，可获得新的可测量病灶。S.Li提出了一种基于引导滤波的图像融合算法，充分利用了空间一致性和细节级融合。然而，这些方法忽略了空间一致性或平滑了结果的权重，这不利于图像融合。
技术实现思路
为了解决上述技术的不足，为此本专利技术目的是在多焦点、多曝光的图像中获取更多的图像细节，提出了一种新的具有导引显著性的图像融合方法，充分利用空间一致性和小波变换，避免了图像的过度平滑。根据本专利技术的方案，提出一种基于小波变换的导向显著性图像融合方法，其步骤包括：计算源图像的显著图谱：根据图像的空间频率信息，计算源图像的显著图谱。构建基于显著图谱的权重图：首先对源图像和对应图像的显著图谱分别进行单层小波分解，然后结合带有引导梯度的导向滤波，构建每幅图像的小波系数和尺度系数的权重图。生成融合图像：根据小波分解的源图像和对应的权重图谱，线性融合形成融合图像，然后进行小波逆变换。根据权利要求所述基于小波变换的导向显著性图像融合方法，其特征在于，所述计算源图像的显著图谱的步骤包括：将源图像与高通log滤波卷积，获取源图像的高频信息。每幅图像的显著图谱Sai就是图像中的高频信息，即通过对应的源图像imi与高通log滤波HFlog卷积获得，具体定义如下Sai＝imi*HFlog(1)根据权利要求1所述基于小波变换的导向显著性图像融合方法，其特征在于，所述构建基于显著图谱的权重图，步骤包括：首先对源图像和对应图像的显著图谱分别进行单层小波分解，然后结合带有引导梯度的导向滤波，构建每幅图像的小波系数和尺度系数的权重图。每幅图像的显著导向图谱通过式(2)定义，具体表征如下：其中max(.)表示最大函数，变量th是一个预定义的阈值，这个值通过每幅图像的局部对比度和清晰度自适应选择。x是图像的像素坐标。首先，对所有源图像和引导显著图谱进行小波分解这里,cAio和cAig分别表征第i个源图像和导向显著图谱的近似系数；cHio,cVio,和cDio分别表征第i个源图像的水平方向，垂直方向和对角方向的细节系数矩阵；cHig,cVig,andcDig分别表征第i个导向显著图谱的水平方向，垂直方向和对角方向的细节系数矩阵.接着，通过带导向显著图谱cAig的增强滤波对由小波分解的近似系数cAio进行滤波，获得对应的系数权重图谱，具体表达如下：其他小波细节系数cHio,cVio,和cDio同样按照上述过程进行滤波，获得对应的权重图谱，具体如式(5)表征。这里的参数r是局部窗口半径的大小，λ是正则化参数。为了融合的需要，需要将这些权重图谱进行归一化，即这里的FGG是本专利技术提出的带有显著图谱的增强滤波。假设引导图像G和输入图像I在局部窗口满足线性关系，即Gj＝αiIj+βi(7)其中ωi表示以像素i为中心的窗口，j是窗口ωi的一个像素，αi和βi是线性系数。为了减小晕现象，本专利技术引进了带有约束导向梯度的增强滤波，构建带有导向梯度约束的能量函数，即其中参数λ防止系数αi变得过大，参数μ主要保持滤波图像的逼真度。对于该能量函数的解，通过对能量函数E(αi,βi)做状语变量(αi,βi)偏导即可，该解具体表征如下：βi＝ci+αidi这里的N是局部窗口ωi中的像素个数，.和分别是G,I,和在ωi中的平均值.根据权利要求1所述基于小波变换的导向显著性图像融合方法，其特征在于，所述生成融合图像，步骤包括：根据小波分解的源图像和对应的权重图谱，线性融合形成融合图像，然后进行小波逆变换。最终的小波分解系数cAf,cHf,cVf,和cDf通过对应的权重与源图像的小波分解系数相信融合而成，即接着通过对所融合的小波分解系数进行逆变换即可得到融合的图像，紧接着通过增强滤波FGG对图像进行增强，获得更多的图像细节。本专利技术的有益效果如下：本专利技术基于小波变换的导向显著性的图像融合方法，对多焦点、多曝光的图像能获得较好的效果，计算简便，高效，可实现性好，可以很方便的应用到个人计算机以及移植到嵌入系统中。本专利技术应用于计算机视觉与模式识别,如遥感图像分析，目标跟踪和目标识别。附图说明图1是本专利技术给出的图像融合流程图。图2是第一焦点的源图像；图3是第二焦点的源图像；图4是本专利技术对焦点不同的图1和图2的图像融合显示。图5是第一种图像的曝光不足图像；图6是第一种图像的正常曝光图像；图7是第一种图像的过渡曝光图像；图8是本专利技术对曝光不同的图5到图7的图像融合显示。图9是第一种图像从曝光从不足到过度曝光的源图像之一。图10是第一种图像从曝光从不足到过度曝光的源图像之二。图11是第一种图像从曝光从不足到过度曝光的源图像之三。图12是第一种图像从曝光从不足到过度曝光的源图像之四。图13是第一种图像从曝光从不足到过度曝光的源图像之五。图14是第一种图像从曝光从不足到过度曝光的源图像之六。图15是本专利技术对曝光不同图9到图14的图像融合显示。具体实施方式下面结合附图对本专利技术作进一步详细说明。下面结合附图对本专利技术做出详细的说明。应该指出，所描述的实例仅是为了说明目的，而不是对本专利技术范围进行约束限制。本专利技术基于小波变换的导向显著性图像融合方法，其步骤包括：计算源图像的显著图谱：根据图像的空间频率信息，计算源图像的显著图谱。构建基于显著图谱的权重图：首先对源图像和对应图像的显著图谱分别进行单层小波分解，然后结合带有引导梯度的本文档来自技高网...

【技术保护点】
基于小波变换的导向显著性图像融合方法，其步骤包括：步骤1，计算源图像的显著图谱：根据图像的空间频率信息，计算源图像的显著图谱。步骤2，构建基于显著图谱的权重图：首先对源图像和对应图像的显著图谱分别进行单层小波分解，然后结合带有引导梯度的导向滤波，构建每幅图像的小波系数和尺度系数的权重图。步骤3，生成融合图像：根据小波分解的源图像和对应的权重图谱，线性融合形成融合图像，然后进行小波逆变换。

【技术特征摘要】
1.基于小波变换的导向显著性图像融合方法，其步骤包括：步骤1，计算源图像的显著图谱：根据图像的空间频率信息，计算源图像的显著图谱。步骤2，构建基于显著图谱的权重图：首先对源图像和对应图像的显著图谱分别进行单层小波分解，然后结合带有引导梯度的导向滤波，构建每幅图像的小波系数和尺度系数的权重图。步骤3，生成融合图像：根据小波分解的源图像和对应的权重图谱，线性融合形成融合图像，然后进行小波逆变换。2.根据权利要求所述基于小波变换的导向显著性图像融合方法，其特征在于，所述步骤1包括：将源图像与高通log滤波卷积，获取源图像的高频信息。3.根据权利要求1所述基于小波变换的导向显著性图像融合方法，其特征在于，所述步骤2包括：首先对源图像和对应图像的显著图谱分别进行单层小波分解，然后结合带有引导梯度的导向滤波，构建每幅图像的小波系数和尺度系数的权重图。4.根据权利要求1所述基于小波变换的导向显著性图像融合方法，其特征在于，所述步骤3包括：根据小波分解的源图像和对应的权重图谱，线性融合形成融合图像，然后进行小波逆变换。5.根据权利要求1所述基于小波变换的导向显著性图像融合方法，其特征在于，所述步骤1中，每幅图像的显著图谱Sai就是图像中的高频信息，即通过对应的源图像imi与高通log滤波HFlog卷积获得，具体定义如下：Sai＝imi*HFlog(1)。6.根据权利要求1所述基于小波变换的导向显著性图像融合方法，其特征在于，所述步骤2中，每幅图像的显著导向图谱通过式(2)定义，具体表征如下：其中max(.)表示最大函数，变量th是一个预定义的阈值，这个值通过每幅图像的局部对比度和清晰度自适应选择，x是图像的像素坐标。7.根据权利要求6所述基于小波变换的导向显著性图像融合方法，其特征在于，具体包括如下步骤：首先，对所有源图像和引导显著图谱进行小波分解这里,cAio和cAig分别表征第i个源图像和导向显著图谱的近似系数；cHio,cVio,和cDio分别表征第i个源图像的水平方向，垂直方向和对角方向的细节系数矩阵；cHig,cVig,andcDig分别表征第i个导向显著图谱的水平方向，垂直方向和对角方向的细节系数矩阵；接着，通过带导向显著图谱cAig的增强滤波对由小波分解的近似系数cAio进行滤波，获得对应的系数权重图谱，具体表达如下：其他小波细节系数cHio,cVio,和cDio同样按照上述过程进行滤波，获得对应的权重图谱，具体如式(5)表征；这里的参数r是局部窗口半径的大小，λ是正则化参数；为了融合的需要，将这些权重图谱进行归一化，即

【专利技术属性】
技术研发人员：相入喜，朱锡芳，吴峰，熊超，李辉，许清泉，
申请(专利权)人：常州工学院，
类型：发明
国别省市：江苏,32