【技术实现步骤摘要】
红外和可见光图像融合方法、系统、计算机设备及应用
本专利技术属于图像融合
，尤其涉及一种红外和可见光图像融合方法、系统、计算机设备及应用。
技术介绍
图像融合技术一直是计算机视觉领域中的研究热点。图像融合主要是将同一场景中多幅图像的互补信息按照一定的融合策略生成单幅图像，从而增强图像中目标细节表达的能力，便于后续图像处理。目前，图像融合技术已经在测绘遥感[1]、人脸识别[2]、医学成像[3]、军事侦察[4]、输电线路故障检测[5]等领域得到了广泛的应用。红外图像和可见光图像是图像融合中研究最为广泛的两类图像[6]。红外图像可以根据目标和背景热辐射差异来区分目标和背景，受光照以及天气条件影响较小[7]。然而，红外图像相比于可见光图像，对场景的细节表达能力往往不足。可见光图像具有较强的细节分辨能力，但受光照变化影响严重。目前常用的图像融合方法多数将可见光图像的信息进行最大程度的保留，而当光照严重影响可见光图像的成像质量时，如何针对红外图像的较低分辨率，对红外图像的信息量进行最大程度的提取和融合，是目前研究的热点问题。
【技术保护点】
1.一种红外和可见光图像融合方法，其特征在于，所述红外和可见光图像融合方法包括：/n对原始红外图像进行基于卷积神经网络的超分辨率重构，获得重构后高分辨率的红外图像；/n对可见光和高分辨率的红外图像各自进行各向异性扩散，得到相应的基础层和细节层；/n利用KL变换获取最大特征向量对细节层进行融合，利用显著度自适应提取对基础层进行融合；/n将融合后的细节层和基础层通过线性重构得到最终的融合图像。/n
【技术特征摘要】
1.一种红外和可见光图像融合方法，其特征在于，所述红外和可见光图像融合方法包括：
对原始红外图像进行基于卷积神经网络的超分辨率重构，获得重构后高分辨率的红外图像；
对可见光和高分辨率的红外图像各自进行各向异性扩散，得到相应的基础层和细节层；
利用KL变换获取最大特征向量对细节层进行融合，利用显著度自适应提取对基础层进行融合；
将融合后的细节层和基础层通过线性重构得到最终的融合图像。
2.如权利要求1所述的红外和可见光图像融合方法，其特征在于，所述红外和可见光图像融合方法的融合策略，高分辨率红外融合图像为IIR(x，y)，尺寸为m2×n2，可见光融合图像记为IVIS(x，y)，尺寸为m1×n1，AD(·)表示对图像进行各项异性扩散，IIR(x，y)和IVIS(x，y)经过各项异性扩散得到的基础层图像和分别表示为：
细节层图像和由图像IIR(x，y)、IVIS(x，y)分别减去对应的基础层得到：
提取可见光图像尺寸m1×n1，赋值于高分辨率红外图像IIR(x，y)扩散后得到的基础层和细节层使基础层和细节层的大小都为m1×n1；
细节层利用KL变换获取最大特征向量的方法进行融合，将细节层和置为列向量并记为X，求取X的协方差矩阵CXX，CXX的特征向量记为：
求取特征值σ1和σ2，并找出其最大特征值σmax，记作：
σmax＝max(σ1，σ2)；
σmax相对应的特征向量为ξmax，计算出融合权重系数D1、D2：
最后得到的融合细节层表示为：
在对基础层图像进行融合时，将和的显著度记为表示为：
式中：x0和y0表示像素点在图像中的位置，MeanIR(x，y)为图像内所有像素点的平均值，图像计算出的显著度记为
和的权重分别为WIR和WVIS，其计算式为：
WVIS＝1-WIR；
基础层融合图像的表达式：
3.如权利要求1所述的红外和可见光图像融合方法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。