基于多尺度变换分解的目标显著的图像融合方法及系统技术方案

本发明专利技术公开了一种基于多尺度变换分解的目标显著的图像融合方法及系统，本发明专利技术的方法与传统的多尺度分解方法的不同之处主要在于低频信息的融合，首先采用具体的多尺度分解方法将红外图像和可见光图像分解为低频带和高频带，高频部分采用常见的“最大绝对值”的融合规则来进行融合；为了突出目标，利用红外图像分解的低频信息所表征的红外特征确定低频信息的融合权重，最终的融合图像既能突出显著的红外目标特征，又能保持可见光图像清晰的背景、纹理细节和对比度信息。

Image Fusion Method and System for Target Significance Based on Multi-scale Transform Decomposition

【技术实现步骤摘要】
基于多尺度变换分解的目标显著的图像融合方法及系统
本专利技术涉及图像处理领域，更具体地说，涉及一种基于多尺度变换分解的目标显著的图像融合方法及系统。
技术介绍
近年来，随着物联网的发展，越来越多的传感器被应用到数据采集中，对同一场景的数据采集也由单传感器转变为多种不同类型的传感器采集以获得该场景更加全面、准确的信息。但是不同类型的传感器采集到的信息存在着大量的冗余，这些信息浪费传输带宽以及存储空间，而且不同传感器采集的信息分布在不同图片中也不利于后续的处理。为了解决这些问题，图像融合技术受到越来越多的关注。红外与可见光图像的融合研究是多源传感器信息融合领域研究内容的分支。红外传感器反映的是景物温度差或辐射差，不易受光照和风沙烟雾等复杂条件的影响，并且可以全天候工作。但是，红外图像都有细节信息表现不明显、对比度低、成像效果差等缺点，可视性较差。可见光成像传感器与红外传感器不同，它只与目标场景的反射有关，能够捕获具有丰富外观信息。将红外和可见光图像的特征信息融合到一幅图像，有利于突出目标，增强图像中的有用信息，便于在隐匿或者迷惑等复杂的情况下更精确、快速地探测目标。现在，图像融合技术已经本文档来自技高网...

【技术保护点】
1.一种基于多尺度变换分解的目标显著的图像融合方法，其特征在于，包含如下步骤：S1、基于可见光成像传感器与红外传感器分别对同一目标进行成像，对应的得到红外图像A和可见光图像B；S2、多尺度变换分解的方法分别对红外图像A和可见光图像B进行分解，分解为低频带{LAN,LBN}和高频带{LAl,LBl}，N表示顶层，l表示其它层；其中，参数中字母A代表红外图像A的数据，字母B代表可见光图像B的数据；S3、对从红外图像分解出来的低频部分的每个像素点x分别取绝对值，则得到红外特征的显著性强度R(x)：R(x)＝|LAN|；根据下述公式对所有像素点处的R(x)进行归一化和非线性变换处理，得到C：

【技术特征摘要】
1.一种基于多尺度变换分解的目标显著的图像融合方法，其特征在于，包含如下步骤：S1、基于可见光成像传感器与红外传感器分别对同一目标进行成像，对应的得到红外图像A和可见光图像B；S2、多尺度变换分解的方法分别对红外图像A和可见光图像B进行分解，分解为低频带{LAN,LBN}和高频带{LAl,LBl}，N表示顶层，l表示其它层；其中，参数中字母A代表红外图像A的数据，字母B代表可见光图像B的数据；S3、对从红外图像分解出来的低频部分的每个像素点x分别取绝对值，则得到红外特征的显著性强度R(x)：R(x)＝|LAN|；根据下述公式对所有像素点处的R(x)进行归一化和非线性变换处理，得到C：式中，函数Sλ：[0,1]→[0,1]为非线性变换函数，定义为：其中，Ω表示整个图像区域内的像素点，函数的参数λ为预设值，λ>0；S4、根据下述公式计算得到低频融合结果LFN：LFN＝C·LAN+(1-C)·LBN；S5、根据下述公式计算得到高频融合结果LF：S6、在LFN与LFl上执行与步骤S2中所述多尺度变换分解的方法的逆变换，重建最终融合图像。2.根据权利要求1所述的基于多尺度变换分解的目标显著的图像融合方法，其特征在于，所述多尺度变换分解的方法包括：拉普拉斯金字塔、低频比率金字塔、离散小波变换、双树复小波变换、曲波变换或非下采样轮廓波变换。3.根据权利要求1所述的基于多尺度变换分解的目标显著的图像融合方法，其特征在于，所述多尺度变换分解的方法为拉普拉斯金字塔，所述步骤S6中的逆变换的方法为：从最高层开始逐层按照分解方法相对应的逆变换进行递推，可以恢复各图层，最终重建融合图像：式中，N为金字塔的总层数，Il表示第l层的递推结果，LFl表示融合后金字塔的第l层，表示第l+1层膨胀后图像。4.一种基于多尺度变换分解的目标显著...

【专利技术属性】
技术研发人员：陈珺，李雪娇，罗林波，王永涛，罗大鹏，魏龙生，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42