基于人类视觉梯度转化和全变差参数自适应图像融合方法技术

基于人类视觉梯度转化和全变差参数自适应图像融合方法，属于图像融合技术领域。其实现的步骤是：将融合问题转化为TV‑L

An Adaptive Image Fusion Method Based on Human Visual Gradient Conversion and Total Variation Parameters

【技术实现步骤摘要】
基于人类视觉梯度转化和全变差参数自适应图像融合方法
本专利技术属于图像融合
，涉及一种基于人类视觉梯度转化和全变差参数自适应图像融合方法，是图像处理
的一项融合方法，在医疗、军事等各邻域中有广泛地应用。
技术介绍
图像融合技术是图像处理领域的一个研究热点，并被广泛地应用于红外可见光图像处理、医学图像处理等领域。融合方法能够将各个传感器获取的同一场景的有用信息综合成一幅图像，从而能够给予比单一图像更确切、更全面、更可靠的图像信息。该技术充分利用了源图像中的冗余信息和互补信息，更符合人或机器的视觉特征，便于目标检测、辨别和跟踪。本专利技术提出了一种基于人类视觉(HVS)梯度转移和全变差参数自适应图像融合方法。人类视觉系统(humanvisualsystem,HVS)的反应主要取决于背景亮度的局部变化，将其加入到正则项模型中，可以提高不同背景下的视觉效果。不同的梯度，在不同的背景亮度下会有不同的视觉效果，改进的梯度转化模型能加强融合图像边缘细节信息。全变差(TV)模型中保真项能够保持目标的结构边缘特征，正则项能够保持图像中背景的梯度变化纹理细节信息，自适应参数能有效的平衡保真项和正则项的平滑。由于TV模型泛函最优化过程中正则项参数难以确定，提出了耦合梯度TV-L1模型的参数自适应融合算法，运用定点迭代法和全局方差估算法获得自适应参数。可以有效的抑止“阶梯效应”，保留纹理和结构信息，并且具备高度收敛性。本专利技术是一种基于HVS梯度转化和全变差参数自适应图像融合方法。为了确保算法的收敛性，对有关参数的范畴进行了分析。在模型参数选择方面，基于全局方差估计方法自适应地选择调整参数，制约了图像融合优化过程当中的可行域，保留了图像特性，提高了融合图像的质量。
技术实现思路
本专利技术的目的是针对上述现有技术的不足，提出一种基于人类视觉(HVS)梯度转化和全变差参数自适应图像融合方法，解决已有的图像融合方法所得融合图像不能保持图像信息的同时有效地保持图像边缘的细节的问题，并充分整合不同图像的结构信息和功能信息，有效保护图像细节，改善其视觉效果，提高融合图像的质量。本专利技术解决其技术问题所采用的技术方案如下：基于人类视觉梯度转化和全变差参数自适应图像融合方法，首先对待融合的两幅源图像引入线性算子，将融合问题转化为TV-L1模型最小化问题，然后构造定点迭代方程，接着利用共轭梯度法同步迭代求的最优解得到中间结果，最后通过中间结果与源图像整合得到最终的融合图像；具体包括以下步骤：(1)对待融合的两幅源图像引入线性算子，将融合问题转化为TV-L1模型最小化问题；(1.1)这里我们用红外和可见光图像为例，给定一对对准的红外和可见光图像，我们的目标是产生一个融合的图像，同时保留了这两幅图像的热辐射信息和详细的外观信息。这里的红外、可见光和融合图像都是大小为w×h的灰度图像，它们的列向量形式分别表示为u,v,w∈IRwh×1。一方面，热辐射典型的特点是像素强度，这促使我们保持融合后的图像与给定的红外图像具有相似的像素强度分布，例如，下面的lp的范数经验误差(p≥1)应尽可能小：另一方面，关于场景的详细外观信息基本上是由图像中的渐变来表征的，所以保持融合后的图像与可见光图像具有相似的像素梯度而不是相似的像素强度，然而，该模型不符合图像形态学的原理，在稳态解中存在明显的“阶梯效应”。针对以上问题,许多学者已经改善的基本ROF_TV模型，结合Weber定律，引入分母。(1.2)结合上述两式，我们将融合问题转化为一个最小化的能量泛函模型：其中，E1(e)表示最小化的能量泛函模型的保真项，λ是Lagrange乘子；E2(e)表示最小化的能量泛函模型的正则项；p表示保真项的范数；q表示正则项的范数；▽w表示融合图像的梯度；▽v表示可见光图像的梯度；(1.3)当p＝2,q＝1时，令s＝w-v，该优化问题可以改写为：其中，K为点线性算子，主要作用是调节目标图像权重大小。▽是梯度算子表示p范数，s为融合图像的中间结果，▽s表示其s的梯度，第一项为保真项，主要作用是保持融合后图像与观测图像的相似性；第二项为正则项，在优化过程中起到光滑作用；λ是Lagrange乘子，表示正则化参数，在泛函模型中对数据保真项和正则项起到平衡作用。通过这种方式,建立了图像融合的TV模型。(1.4)利用步骤(1.3)得到的最小化的能量泛函模型建立图像融合的TV模型；这是一个极值函数搜索问题，将导致一个变分问题，变分问题是在域Ω中，求函数s(x,y)，满足Ω边界条件，使泛函即公式(5)达到极限值；其中，表示能量泛函数；x、y表示点的横纵坐标；(1.5)在公式(5)中，定义了函数F的域Ω，并具有二阶连续偏导数；为了使公式(6)达到极值，需要J[s(x,y)]一阶变分极小值，从而导出了欧拉-拉格朗日方程PDE：其中，对建立的图像融合的TV模型。针对图像融合模型有：可得：其中，Fs表示函数F对s的导数；Fp表示函数F对的x偏导数；K*为K的伴随算子，从而可得上述TV模型取极值的对应的Eular_Lagrange方程：即对于上式我们根据2001，Chan提出了一种基于图像噪声方差的正则化参数估计方法。从非线性扩散角度看,该方法是非线性扩散方程的一个梯度下降方程：两边同时乘以(s-(u-v))可得：随着时间t的变化，为使该扩散方程达到稳定状态应满足：通过简单的数学推导,得到了正则化参数λ随时间t变化的自适应选择：其中，N表示图像中像素的总和，σ2表示方差，可见，正则化参数与方差成比例。这样,方差和大小的值就可以在变分调整的每个迭代步骤中确定，该模型在权函数的指导下,在图像的平坦区域实现较大的平滑,在边缘处实现较小的平滑,从而更好地保持图像的边缘信息和纹理特征。(2)构造定点迭代方程；(2.1)计算方程(10),使用不动点迭代法计算，得到：其中，L(s)为构造的微分算子，当它作用于z时表示为：其中，z表示变量；β表示变量；▽z表示z的梯度；(2.2)令对偶变换上式(12)表示为非线性对偶方程：(2.3)对(15)中的平方根项固定化处理，令s＝sm，消除m表示用来迭代的数值，初始值为0，然后得到定点迭代公式：(2.4)定点迭代中确定合适的λ十分的困难。为了改善正则化,使用方差来计算正则化参数λ。为了准确估计迭代过程中sm包含的方差nm的统计特性,提出了一种完全方差的图像同步迭代辅助计算。图像的大小与图像sm完全相同。开始时，令和图像的方差n0服从相同的分布，设定n0～N(0,σ2)，则有n0～N(0,σ2)，要求是单独存在的，但n被添加到图像中，并与图像一起存在；提出了一个新的迭代方程作为附加的同步迭代方程：定义公式中：联合式(17)和(18)，构成最终的定点迭代方程：其中，在任何迭代的m中,从局部角度看不可能知道每一个图像点大小的差异,但由于分布在同步迭代过程中的分布非常接近,所以总能知道方差分布的整体情况。重申:事实上,在迭代的过程,和nm是同步计算,sm是正常的融合图像,是一个纯粹的方差的图像。方差图像的存在是为了帮助估计估计sm中方差的nm统计特性。(3)利用共轭梯度法同步求解中的sm+1和①检查是否符合终止条件,如果||▽f(s0)||＜ε迭代终止,计算s0为近似最优解，即s0＝本文档来自技高网...

【技术保护点】
1.基于人类视觉梯度转化和全变差参数自适应图像融合方法，其特征在于，包括以下步骤：步骤一、对待融合的两幅源图像引入线性算子，将融合问题转化为TV‑L

【技术特征摘要】
1.基于人类视觉梯度转化和全变差参数自适应图像融合方法，其特征在于，包括以下步骤：步骤一、对待融合的两幅源图像引入线性算子，将融合问题转化为TV-L1模型最小化问题；(1.1)给定红外图像、可见光图像和融合图像都是大小为w×h的灰度图像，它们的列向量形式分别表示为u,v,w∈IRwh×1；(1.2)给定最小化的能量泛函模型：其中，E1(e)表示最小化的能量泛函模型的保真项，λ是Lagrange乘子；E2(e)表示最小化的能量泛函模型的正则项；p表示保真项的范数；q表示正则项的范数；▽w表示融合图像的梯度；▽v表示可见光图像的梯度；(1.3)当p＝2，q＝1时，令s＝w-v，最小化的能量泛函模型改写为：其中，K为点线性算子，用于调节目标图像权重大小；▽是梯度算子，表示p范数，s为融合图像的中间结果，▽s表示其s的梯度；第一项为保真项，作用是保持融合后图像与观测图像的相似性；第二项为正则项，在优化过程中起到光滑作用；λ是Lagrange乘子，表示正则化参数，在泛函模型中对数据保真项和正则项起到平衡作用；(1.4)利用步骤(1.3)得到的最小化的能量泛函模型建立图像融合的TV模型；这是一个极值函数搜索问题，将导致一个变分问题，变分问题是在域中，求函数s(x,y)，满足Ω边界条件，使泛函即公式(5)达到极限值；其中，表示能量泛函数；x、y表示点的横纵坐标；(1.5)在公式(5)中，定义了函数F的域Ω，并具有二阶连续偏导数；为了使公式(6)达到极值，需要J[s(x,y)]一阶变分极小值，从而导出了欧拉-拉格朗日方程PDE：其中，针对图像融合模型(4)有：进而得到：其中，Fs表示函数F对s的导数；Fp表示函数F对的x偏导数；Fq表示函数F对y的偏导数；K*为K的伴随算子，从而得到上述模型(4)取极值的对应的Eular_Lagrange方程：即：对于公式(11)采用非线性扩散方程的一个梯度下降方程：两边同时乘以(s-(u-v))得：随着时间t的变化，为使该扩散方程达到稳定状态应满足：通过数学推导，得到了正则化参数λ随时间t变化的自适应选择：其中，N表示图像中像素的总和，σ2表示图像中像素的方差...

【专利技术属性】
技术研发人员：罗晓清，张战成，尹云飞，袁衬衬，张宝成，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32