一种基于目标检测的红外与可见光序列图像特征级融合方法，用于图像融合技术领域。本发明专利技术利用区域生长法分割每一帧源图像，根据有效测量计算，自动得出背景区域和目标区域，对分割后的源图像序列采用双树复小波变换方法进行变换；在得到变换后的小波系数后，对目标和背景区域分别应用不同的融合规则，以实现特征级的序列图像融合；得到不同区域的小波融合系数后，使用双树复小波逆变换，即得到融合序列图像。本发明专利技术通过使用不同的融合规则，可尽可能多的保留所感兴趣的目标信息；应用双树复小波变换，可以使融合序列图像具有很好的移不变性、时间稳定性和一致性，计算效率比较高。
【技术实现步骤摘要】
本专利技术涉及的是一种图像处理
的方法，具体地说，是一种。
技术介绍
过去十几年来信息融合，特别是图像融合已引发了世界范围的广泛兴趣和研究热潮，其应用领域遍及国防、对地观测、机器视觉、智能交通、医学成像、安全检查和工业过程等场合。图像融合是关于协同利用多种成像传感器，组合来自同一场景的多源动态图像信息，形成更适合于人类和机器感知，或者进一步图像分析与理解的单一图像的多层次智能信息处理过程，这种单一图像包含有比任何多源图像对动态场景更精确的描述，其处理过程涉及多源动态图像信息的检测、关联、相关、估计、识别与合成、以及系统优化、管理与控制、态势分析和威胁评估等要素。近年来，图像融合已成为一种十分重要和有用的图像分析与计算机视觉技术。图像融合过程必须满足如下的要求尽可能的保留源图像中所有的显著信息；不要引入任何人为的信息；要保持移不变性；要求时间的稳定性和一致性。在序列图像的融合当中，最后这两点尤其重要。图像融合过程可在不同的信息表示层进行，按照信息抽象的程度，图像信息层可分为信号级、像素级、特征级和符号级。目前，从最简单的像素加权到复杂的多分辨率方法(包括金字塔方法和小波方法)，像素级的静态图像融合方法已得到了国内外学者的广泛研究。经对现有技术文献的检索发现，Oliver Rockinger等在“SPIE Conf onSignal Processing，Sensor Fusion，and Target Recognition VII”(pp.378-388，1998.4.)上发表“Pixel-level Image FusionThe case of ImageSequences”(像素级图像融合基于图像序列，SPIE信号处理、传感器融合和目标识别会议，奥兰多)。该文应用离散小波框架(DWF，或者说移不变离散小波变换)对序列图像进行融合，但他们所用的变换方法虽然具有很好的移不变性，但是该变换却存在高度的冗余信息，计算量多，而且，由于在大多数情况下我们只是对图像中的目标信息感兴趣而不是其中的像素，而该方法由于融合方法单一，却不能最大限度的保留目标信息。
技术实现思路
本专利技术的目的在于克服现有技术和方法中的不足，提供一种，使融合序列图像在具有很好的移不变性、时间的稳定性和一致性的同时，可以使其计算效率比较高，并且能最大限度的保留目标信息，使背景信息具有较高的清晰度，有利于提高监控人员在复杂背景下对目标情景的感知能力。本专利技术是通过以下技术方案实现的，本专利技术首先利用区域生长法分割每一帧源图像，根据有效测量计算，自动得出背景区域和目标区域，但为了提高计算效率，在后续的每一帧源图像里面采用模板匹配法找到目标区域；对分割后的源图像序列采用双树复小波变换(DT-CWT)方法进行变换；在得到变换后的小波系数后，对目标和背景区域分别应用不同的融合规则，以实现特征级的序列图像融合；最后，得到不同区域的小波融合系数后，使用DT-CWT逆变换，即可以得到融合序列图像。特征级融合可以使融合序列图像具有很好的移不变性、时间稳定性和一致性，且能尽可能多的保留目标信息。以下对本专利技术作进一步的说明，包括以下步骤第一，目标检测首先，采用一种区域生长方法来分割初始序列图像，区域生长是将具有相似性质的像素集合起来构成区域。采用一种区域生长方法来分割初始红外序列图像，这能比较容易的在分割的红外序列图像里找到目标区域，因为这些目标区域与其余的邻域有着很高的对比度。对于区域生长的判决条件，本专利技术采用灰度相似性判决设已分割区域R的灰度均值为x，待测像素点灰度为y，则待测像素点与已分割区域相似性s表示为s＝w(y-x)2(1)式中，w为非负权值。对于足够小的s(根据本专利技术的要求，s的值取为s≤100w)，可认为待测像素与已分割区域相似，并入已分割的区域中，否则，不进行合并。同时用y更新均值 xnew←(Nxold+y)/(N+1)(2)式中，N是已生长区域的像素点个数。然后，对每个候选的区域进行有效测量计算Ci=1(1+e-λ1(μf-μ1))×1(1+e-λ2(μf-μb-μ2))···(2)]]>这里，μf和μb分别表示第i个目标的前景和背景的灰度平均值，λ1和λ2控制指数函数的倾斜度，μ1和μ2分别表示指数函数的偏移量。这就可以根据Ci的值自动得出目标区域和背景区域。但对每一图像帧里面的候选区域都计算其有效测量会使算法变得低效，所以，采用一种模板匹配方法在以后的帧里面找出目标区域。本专利技术采用以像素为匹配特征的相关算法，通过求相似函数h(u,v)=Σx,yf(u+x,v+y)t(x,y)Σx,yf2(u+x,v+y)···(4)]]>的最大值来作为对最佳匹配点的定量度量。其中，h(u，v)表示相似系数，f(u+x，v+y)表示待匹配图像点的灰度值，t(x，y)表示匹配模板像素点的灰度值。在可见光序列图像里面，目标检测也类似于红外序列图像。第二，双树复小波变换(DT-CWT)双树复小波变换很好的解决了标准的离散小波变换(DWT)系数不具备良好的方向选择性的缺点，而且也比Rockinger应用的离散小波框架(或称为移不变离散小波变换)减少了大量的信息冗余。双树复小波变换(DT-CWT)能解决傅立叶滤波器不具备良好的重构性和频率域特性的问题。为了使得双树复小波变换具备近似的移不变性，对树状结构的每一层滤波器的输出做因子为2的子采样，两棵树的滤波器长度分别为奇数和偶数且它们的相位为线性，保证了滤波器的冲击响应对应于复小波变换系数的实数部分和虚数部分。通过对图像的行和列分别进行双树复小波滤波，即对列滤波器的输出再进行行滤波器共轭滤波，可把一维DT-CWT扩展为二维，这就使得二维信号的DT-CWT变换具有4∶1的冗余度。行滤波器的子采样输出和它们的复共轭构成6个带通图像，这些子图像在±15°、±45°和±75°具有很强的方向选择性。双树复小波变换对于滤波器的设计比较严格，为了保证小波变换的完美重建，本专利技术采用Nick Kingsbury专利技术的Q-shift9小波。第三，图像融合在单一的目标区域里，融合规则为系数选择法对于第二步骤中得到的小波系数，在该区域内采用目标区域出现的图像帧里所对应区域的小波系数作为融合小波系数。在重叠目标区域可视条件不同而分别采取系数选择法或者加权平均法对于第二步骤中得到的小波系数，如果该区域的能量系数小于某一相似性系数，就选取小波系数值大的系数作为该区域的融合小波系数；否则，对相应的两个小波系数采用加权平均作为融合小波系数。在背景区域的融合里面，采用最简单的最大选择规则对于第二步骤中得到的小波系数，在该区域内采用小波系数值大的系数作为融合的小波系数。第四，双树复小波逆变换对上面得到的小波系数进行双树复小波逆变换即可得到融合的序列图像。不过由于图像信号是作为实数信号，所以不本文档来自技高网...
【技术保护点】
一种基于目标检测的红外与可见光序列图像特征级融合方法，其特征在于，首先利用区域生长法分割每一帧源图像，根据有效测量计算，自动得出背景区域和目标区域，对分割后的源图像序列采用双树复小波变换方法进行变换；在得到变换后的小波系数后，对目标和背景区域分别应用不同的融合规则，以实现特征级的序列图像融合；得到不同区域的小波融合系数后，使用双树复小波逆变换，即得到融合序列图像。
【技术特征摘要】
【专利技术属性】
技术研发人员：敬忠良，刘从义，杨波，肖刚，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：31[中国|上海]
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。