基于柯西模糊函数的红外与弱可见光图像融合方法技术

本发明专利技术公开一种基于柯西模糊函数的红外与弱可见光图像融合方法，首先利用改进的引导滤波来自适应增强提高弱可见光图像暗区域的可视性，然后利用NSST对红外和增强后的弱可见光图像进行多尺度分解得到红外图像和增强后的弱可见光图像的低频分量与高频分量；接着，利用直觉模糊集构建柯西隶属函数对红外图像和增强后的弱可见光图像的低频分量进行融合，并利用自适应的双通道脉冲发放皮层模型对红外图像和增强后的弱可见光图像的高频分量进行融合；最后利用非下采样剪切波逆变换对融合后的低频分量和高频分量进行重构，得到最终融合图像。本发明专利技术能够更加有效地提取图像的细节信息，并获得更好的融合效果。

【技术实现步骤摘要】
基于柯西模糊函数的红外与弱可见光图像融合方法
本专利技术涉及图像处理
，具体涉及一种基于柯西模糊函数的红外与弱可见光图像融合方法。
技术介绍
基于小波变换的多尺度几何分析的方法对图像融合有着一定的贡献，但是由于小波框架只能构造水平、垂直和对角三个方向元素，因此它们自身仍存在着一些缺点。在此理论基础上，K.Guo和G.Easley等人利用合成小波理论通过把几何和多尺度分析结合起来提出了剪切波(Shearlet)理论。虽然合成小波通过将小波中一维尺度变换因子变换成膨胀因子和剪切因子得到二维空间，通过变换得到的合成小波系统就可以构造任意方向的基元素，但是Shearlet变换理论不具有平移不变性。NSST(Non-subsampledShearletTransform，非下采样剪切波变换NSST)理论中让标准的剪切波滤波器从伪极向坐标系统映射到Cartesian坐标系统，通过快速逆傅里叶变换FFT，进行二维卷积完成，从而避免了下采样操作，使其具有平移不变性，克服了伪Gibbs现象。虽然具有更灵活的结构、更高的计算效率和更理想的图像融合效果，但是实时性仍然达不到某些特殊需求的应用场景的要求。
技术实现思路
本专利技术针对低光照的情况下因可见光图像可视性较差所导致的融合图像对比度低和背景细节保留不充分等问题，提供一种基于柯西模糊函数的红外与弱可见光图像融合方法。为解决上述问题，本专利技术是通过以下技术方案实现的：基于柯西模糊函数的红外与弱可见光图像融合方法，具体包括步骤如下：步骤1、利用引导滤波对弱可见光图像进行分解，得到图像的基础层和细节层；再利用比例因子进行动态范围压缩和利用恢复因子来恢复整体对比度，得到增强后的弱可见光图像；步骤2、采用非下采样剪切波变换分别对红外图像和增强后的弱可见光图像进行多尺度分解，分别得到红外图像和增强后的弱可见光图像的低频分量与高频分量；步骤3、利用直觉模糊集构建柯西隶属函数对红外图像和增强后的弱可见光图像的低频分量进行融合，得到融合之后的低频分量；步骤4、利用自适应的双通道脉冲发放皮层模型对红外图像和增强后的弱可见光图像的高频分量进行融合，得到融合之后的高频分量；步骤5、对经过步骤3融合得到的低频分量和经过步骤4融合得到的高频分量，利用非下采样剪切波逆变换进行重构，得到最终融合图像。上述步骤1中，增强后的弱可见光图像I为：式中，β为比例因子，γ为恢复因子，T为目标基础对比度，为基础层，为细节层。上述步骤3的具体步骤为：步骤3.1、利用柯西模糊函数来构建红外图像的隶属函数和非隶属函数；步骤3.2、根据直觉模糊集概念，得出犹豫度；其中犹豫度π(i,j)为：π(i,j)＝1-XIR(i,j)-YIR(i,j)步骤3.3、对犹豫度采取加权平均的方式进行分配，分别得到红外图像和增强后的弱可见光图像的低频分量权值系数；其中红外图像的低频分量权值系数X(i,j)为：增强后的弱可见光图像的低频分量权值系数Y(i,j)为：步骤3.4、根据红外图像和增强后的弱可见光图像在融合过程中的互补关系，得到融合之后的低频分量；其中融合得到的低频分量Low(i,j)为：Low(i,j)＝X(i,j)LowIR(i,j)+Y(i,j)LowI(i,j)式中，LowIR(i,j)为红外图像的低频分量，LowI(i,j)为增强后的弱可见光图像的低频分量，XIR(i,j)为隶属函数，YIR(i,j)为非隶属函数。上述步骤4的具体步骤为：步骤4.1、将红外图像和增强后的弱可见光图像高频分量的改进的拉普拉斯能量和分别作为自适应双通道脉冲发放皮层模型的2个通道的反馈输入，去激活自适应双通道脉冲发放皮层模型的各个神经元；步骤4.2、在激活自适应双通道脉冲发放皮层模型的各个神经元的过程中，利用像素点的平均梯度去调整自适应双通道脉冲发放皮层模型的2个通道的链接强度系数，以调整自适应双通道脉冲发放皮层模型的内部活动项中链接通道的权重，并将2个通道中神经元的内部活动项较大的那个通道即视为自适应双通道脉冲发放皮层模型的自适应选择通道，该自适应选择通道的神经元内部活动项和链接输入即为所需的神经元内部活动项和链接输入；步骤4.3、根据步骤4.2所得到的神经元内部活动项和链接输入去确定融合图像的高频分量；其中融合图像的高频分量High(i,j)为：式中，(i,j)表示像素空间位置，HighIR(i,j)为红外图像的高频分量，HighI(i,j)为增强后的弱可见光图像的高频分量，FIR(i,j)为红外图像高频分量的改进的拉普拉斯能量和，FI(i,j)为增强后弱可见光图像高频分量的改进的拉普拉斯能量和，βIR(i,j)为红外图像的链接强度系数，βI(i,j)为增强后弱可见光图像的链接强度系数，U(i,j)为神经元的内部活动项，L(i,j)为链接输入。上述步骤4中，红外图像的链接强度系数βIR(i,j)为：增强后的弱可见光图像的链接强度系数βI(i,j)为：式中，HighIR(i+m,j+n)为像素点(i+m,j+n)处的红外图像的高频分量，HighIR(i+m+1,j+n)为像素点(i+m+1,j+n)处的红外图像的高频分量，HighIR(i+m,j+n+1)为像素点(i+m,j+n+1)处的红外图像的高频分量，HighI(i+m,j+n)为像素点(i+m,j+n)处的增强后的弱可见光图像的高频分量，HighI(i+m+1,j+n)为像素点(i+m+1,j+n)处的增强后的弱可见光图像的高频分量，HighI(i+m,j+n+1)为像素点(i+m,j+n+1)处的增强后的弱可见光图像的高频分量，Ω为局部邻域内的窗口大小。上述步骤4中，局部邻域内的窗口大小Ω为奇数。与现有技术相比，本专利技术具有如下特点：1、利用NSST对红外和增强后的弱可见光图像进行多尺度分解，并利用分解所得到的红外图像和增强后的弱可见光图像的低频分量与高频分量来实现图像融合，这样能够使融合图像较好的体现出来，不仅使细节信息更加突出，而且在一定程度上消除了目标周围的伪影；2、利用直觉模糊集构建柯西隶属函数对红外图像和增强后的弱可见光图像的低频分量进行融合，这样能够更为合理的抽取保留了弱可见光图像的背景信息和红外图像的目标信息；3、利用自适应的双通道脉冲发放皮层模型(ADSCM)对红外图像和增强后的弱可见光图像的高频分量进行融合，ADSCM模型考虑到人眼对边缘特征的敏感性，将平均梯度作为ADSCM的链接强度来自适应地选择相应的通道，这样能够更加有效地提取图像的细节信息，获得更好的融合效果；4、利用改进的引导滤波来自适应增强提高弱可见光图像暗区域的可视性，这样能够大大提高了弱可见光图像的对比度及细节信息的清晰度。附图说明图1为基于柯西模糊函数的红外与弱可见光图像融合方法的流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本专利技术进一步详细说明。参见图1，一种基于柯西模糊函数的红外与弱可见光图像融合方法，其具体实施步骤如下：步骤1)弱可见光图像的增强。具体包括下述步骤：步骤1.1)利用引导滤波GFr,ε(I)对弱可见光图像I进行分解，得到图像的基础层和细节层r为滤波器大小，ε为边缘保持度；log(·)为自然对数算子，为了防止对数值为负令ξ≥1本文档来自技高网...

【技术保护点】
1.基于柯西模糊函数的红外与弱可见光图像融合方法，其特征是，具体包括步骤如下：步骤1、利用引导滤波对弱可见光图像进行分解，得到图像的基础层和细节层；再利用比例因子进行动态范围压缩和利用恢复因子来恢复整体对比度，得到增强后的弱可见光图像；步骤2、采用非下采样剪切波变换分别对红外图像和增强后的弱可见光图像进行多尺度分解，分别得到红外图像和增强后的弱可见光图像的低频分量与高频分量；步骤3、利用直觉模糊集构建柯西隶属函数对红外图像和增强后的弱可见光图像的低频分量进行融合，得到融合之后的低频分量；步骤4、利用自适应的双通道脉冲发放皮层模型对红外图像和增强后的弱可见光图像的高频分量进行融合，得到融合之后的高频分量；步骤5、对经过步骤3融合得到的低频分量和经过步骤4融合得到的高频分量，利用非下采样剪切波逆变换进行重构，得到最终融合图像。

【技术特征摘要】
1.基于柯西模糊函数的红外与弱可见光图像融合方法，其特征是，具体包括步骤如下：步骤1、利用引导滤波对弱可见光图像进行分解，得到图像的基础层和细节层；再利用比例因子进行动态范围压缩和利用恢复因子来恢复整体对比度，得到增强后的弱可见光图像；步骤2、采用非下采样剪切波变换分别对红外图像和增强后的弱可见光图像进行多尺度分解，分别得到红外图像和增强后的弱可见光图像的低频分量与高频分量；步骤3、利用直觉模糊集构建柯西隶属函数对红外图像和增强后的弱可见光图像的低频分量进行融合，得到融合之后的低频分量；步骤4、利用自适应的双通道脉冲发放皮层模型对红外图像和增强后的弱可见光图像的高频分量进行融合，得到融合之后的高频分量；步骤5、对经过步骤3融合得到的低频分量和经过步骤4融合得到的高频分量，利用非下采样剪切波逆变换进行重构，得到最终融合图像。2.权利要求1所述基于柯西模糊函数的红外与弱可见光图像融合方法，其特征是，步骤1中，增强后的弱可见光图像I为：式中，β为比例因子，γ为恢复因子，T为目标基础对比度，为基础层，为细节层。3.权利要求1所述基于柯西模糊函数的红外与弱可见光图像融合方法，其特征是，步骤3的具体步骤为：步骤3.1、利用柯西模糊函数来构建红外图像的隶属函数和非隶属函数；步骤3.2、根据直觉模糊集概念，得出犹豫度；其中犹豫度π(i,j)为：π(i,j)＝1-XIR(i,j)-YIR(i,j)步骤3.3、对犹豫度采取加权平均的方式进行分配，分别得到红外图像和增强后的弱可见光图像的低频分量权值系数；其中红外图像的低频分量权值系数X(i,j)为：增强后的弱可见光图像的低频分量权值系数Y(i,j)为：步骤3.4、根据红外图像和增强后的弱可见光图像在融合过程中的互补关系，得到融合之后的低频分量；其中融合得到的低频分量Low(i,j)为：Low(i,j)＝X(i,j)LowIR(i,j)+Y(i,j)LowI(i,j)式中，LowIR(i,j)为红外图像的低频分量，LowI(i,j)为增强后的弱可见光图像的低频分量，XIR(i,j)为隶属函数，YIR(i,j)为非隶属函数。4.权利要求1所述基于柯西模糊函数的红外与弱可见光图像融合方法，其特征是，步骤4的具体步骤为：步骤4.1、将红外图像和增强后的弱可见光图像高频分...

【专利技术属性】
技术研发人员：江泽涛，何玉婷，江婧，胡硕，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西,45