基于梯度域导向滤波和改进PCNN的图像融合方法技术

本发明专利技术涉及一种基于梯度域导向滤波和改进PCNN的图像融合方法，属于图像处理领域。首先，根据图像的结构、清晰度以及对比度显著性这三个互补的图像特征对源图像进行检测，得到初始决策图，此决策图模型能够有效、准确地度量特征的显著性，大大提高方法的性能；然后，为了充分利用图像的空间一致性，同时抑制图像中的块效应，采用梯度域导向滤波对初始决策图进行优化，得到优化决策图；其次，对优化决策图和待融合图像进行加权操作，得到最优决策图；最后，为了使融合的图像更符合人眼的视觉特性，采用改进的PCNN对优化的决策图进行处理，得到最终的融合图。本发明专利技术解决了传统图像融合方法的方法复杂、效率低以及过度依赖人工设计的问题，同时图像的融合质量进一步提高。

【技术实现步骤摘要】
基于梯度域导向滤波和改进PCNN的图像融合方法
本专利技术属于图像处理领域，具体涉及一种多源图像融合方法，可以应用于各种民用的图像处理系统。
技术介绍
图像融合是指利用一定的技术将两幅或者多幅多源图像的重要信息进行合并的过程，目的是使所获得的融合图像能够充分利用不同源图像信息，以便更准确全面描述场景信息。作为图像融合技术中一个重要组成部分，红外与可见光图像融合后的图像清晰度更高、信息量更大、获取目标和场景的信息更全面且更适合人类视觉感知，已经在军事、工业和民用等领域得到应用。在民用领域中，将红外与可见光融合技术应用在汽车夜视系统中，可以提高汽车在浓雾、大雨等恶劣天气条件下行车的安全性。近年来，由于深度学习在计算机视觉与图像处理领域中取得的相关成果，使得许多学者开始研究将深度学习应用到图像融合方面。文献“LiS,KangX,HuJ.ImageFusionwithGuidedFiltering[J].IEEETransactionsonImageProcessing,2013,22(7):2864-2875.”提出了一种基于引导滤波的方法，本文档来自技高网...

【技术保护点】
1.一种基于梯度域导向滤波和改进PCNN的图像融合方法，其特征在于步骤如下：/n步骤1：多视觉特征的初始决策图构造/n首先，将源图像I

【技术特征摘要】
1.一种基于梯度域导向滤波和改进PCNN的图像融合方法，其特征在于步骤如下：
步骤1：多视觉特征的初始决策图构造
首先，将源图像In进行高斯滤波，得到包含强度变化的近似分量然后将源图像与近似分量相减得到包含细节信息的细节分量表达式如下：






式中*表示卷积操作，Gr,σ表示大小为(2r+1)×(2r+1)，标准差为σ的高斯滤波器；
将输入图像的多视觉特征初始决策图分为三个关键评价特征进行构造：清晰度决策图、对比度决策图以及结构显著性决策图：
1)清晰度决策图
源图像In的清晰度的数学表达式为：



式中表示拉普拉斯算子，其数学表达式为：



图像的清晰度决策图表示为：



式中N表示源图像数量，表示像素为k时的清晰度值；
2)对比度决策图
源图像In的局部对比度的数学表达式为：



式中表示以(x,y)为中心的窗口的均值，p×q表示窗口大小；然后，对局部对比度LCn进行局部加权得到对比度图：
CSn＝LCn*Gr,σ(7)
图像的对比度决策图表示为：



式中N表示源图像数量，表示像素为k时的对比度值；
3)结构显著性决策图
基于局部窗口W的梯度协方差矩阵表示为：



式中Ix(X)和Iy(X)分别表示点X＝(x,y)沿x和y方向的梯度，为了得到图像的局部结构描述，对上式进行特征值分解：



式中和为矩阵C的特征值；
图像结构显著性的定义为：



式中α用于确定结构中边角的重要性，α>-1；
图像的结构显著性决策图表示为：



式中N表示源图像数量，表示像素为k时的结构显著性值；
步骤2：基于梯度域导向滤波的决策图优化
将GDGF应用于步骤1中每个基于视觉特征的决策图D1,n、D2,n和D3,n，将相应的源图像In的近似分量和细节分量作为引导图像以生成每个特征的最优决策图，即：






式中r1和r2为GDGF的参数，m＝(1,2,3)；
通过结合三个特征的决策图，得到源图像的优化决策图，即：






式中和表示得到的近似分量和细节分量的决策图；
对得到的近似分量和细节分量的决策图进行加权处理，得到最终的融合分量，即：






最后，将融...

【专利技术属性】
技术研发人员：王健，刘洁，秦春霞，杨珂，魏江，冷月香，刘少华，
申请(专利权)人：西北工业大学，西安爱生技术集团公司，
类型：发明
国别省市：陕西;61