基于WSN-LatLRR的红外和可见光图像融合方法技术

本发明专利技术公开了一种基于WSN

【技术实现步骤摘要】
基于WSN
‑
LatLRR的红外和可见光图像融合方法


[0001]本专利技术涉及图像融合这一应用领域，尤其涉及一种基于 WSN
‑
LatLRR的红外和可见光图像融合方法。

技术介绍

[0002]由于成像原理的不同，可见光图像通过反射光谱成像，具有较高的空间分辨率和丰富的背景信息，但易受光照或者天气条件影响，红外传感器通过热辐射成像，受光照或者天气条件影响小，图像比较稳定，但往往缺乏足够的场景背景细节信息。将红外与弱可见光图像进行融合，能产生出更适合人眼观察或计算机视觉任务的合成图像，因此，红外与可见光图像融合技术在军事侦察、医疗诊断及人工智能等领域有着良好的应用前景。
[0003]目前红外与可见光图像融合的算法很多，总的来说可以概括为三类：基于空间域的方法、基于变换域的方法和基于深度学习的方法。基于空间域的图像融合方法是指直接在空间域上对源图像进行操作从而得到融合图像的方法，主要有加权平均法和主成分分析法等，这类方法在运算速度上占据一定的优势，但是会造成源图像细节信息的丢失。基于变换域的图像融合方法是图像融合领域的一个研究热点，主要有基于小波变换的方法、基于金字塔变换的方法、基于轮廓波变换的方法等。近年来随着深度学习技术的发展，基于卷积神经网络和脉冲耦合神经网络的图像融合方法被广泛研究，这类融合方法需要预先进行网络模型训练，然后再实现图像特征提取和融合，融合性能受参数的影响较大，且计算量较大。采用稀疏表示的方法能够有效克服多尺度变换的不足，达到较好的融合性能。针对低照度图像，采用潜在低秩表示方法(LatLRR)将图像进行多层次分解，可以提取源图像中全局结构信息和局部结构信息，融合图像细节信息丰富，清晰度高，具有良好的可视性。但是，LatLRR中用到的核函数是所有奇异值之和，当奇异值特别大时对秩函数的逼近易产生偏差。加权schattenp
‑
范数代替核函数，通过调节p值，能更精确地逼近秩函数。

技术实现思路

[0004]针对当前可见光和红外图像融合方法的不足，本专利技术提供一种基于WSN
‑
LatLRR的红外和可见光图像融合方法。本专利技术能够充分利用可见光和红外图像的低秩先验，提高融合效果。
[0005]本专利技术采用的技术方案如下：
[0006]基于WSN
‑
LatLRR的红外和可见光图像融合方法，其特征包括以下步骤：
[0007]步骤1、对可见光图像I1和红外图像I2进行预处理：处理为低秩分解的数据矩阵P(I1)和P(I2)，所述的P(I
r
)(r＝1，2)表示将图像I
r
均分为大小为n
×
n的M个子块，并把每个图像子块重排为一列数据；
[0008]步骤2、可见光图像数据P(I1)通过k级加权schatten p
‑
范数潜在低秩分解，得到k个显著图像和一个低秩图像和一个低秩图像红外图像数据P(I2)通过k
级加权schatten p
‑
范数潜在低秩分解，得到k个显著图像和一个低秩图像所述(r＝1，2)表示P(I
r
)(r＝1，2)第j级分解后得到的显著部分(共M列)；表示将中每列数据重排为n
×
n的矩阵后重构为整个显著图的操作。
[0009]所述加权schattenp
‑
范数潜在低秩分解即求如下优化问题：
[0010][0011]其中，X表示输入数据即P(I1)或P(I2)，Z和L分别表示低秩系数和显著性系数，XZ和XL分别为低秩部分矩阵和显著部分矩阵，E表示稀疏噪声，表示加权schattenp
‑
范数的p次方，||E‖1表示1范数，λ表示平衡系数且λ＞0，s.t.为约束条件。
[0012]所述优化问题通过增广拉格朗日乘子法求解。
[0013]步骤3、选用基础图像融合策略，对低秩图像和融合，得到融合后的低秩图像
[0014]优选的，所述基础图像融合策略采用平均融合、像素加权融合、区域能量加权融合、绝对值最大融合、最小二乘融合和加权最小二乘融合等；
[0015]步骤4、选用一种显著图像融合策略，对显著部分矩阵和融合，得到融合后的显著矩阵(j＝1，
…
，k)，进一步重构得到融合后的显著图像
[0016]优选的，所述显著图像融合策略采用核范数加权融合、绝对值最大融合、最小二乘融合和加权最小二乘融合等。
[0017]所述核范数加权融合的权重的计算公式如下
[0018][0019]其中，表示的第m列，m＝1，
…
，M，表示的权重值。
[0020]步骤5、将步骤3和步骤4的结果相加得到最后的融合结果：
[0021][0022]进一步地，步骤2所述优化问题通过增广拉格朗日乘子法求解，具体过程为：
[0023]2‑
1通过定义J＝Z和S＝L构建增广拉格朗日函数：
[0024][0025]其中，M1，M2，M3为拉格朗日乘子，μ为惩罚系数。
[0026]2‑
2按如下次序迭代交替更新各个变量，直到满足收敛条件。
[0027][0028][0029]其中，ρ和max
μ
为预先定义的常量。
[0030]进一步地，步骤2
‑
2所述J
*
和S
*
可采用广义迭代收缩算法求解，所述E
*
用收缩算法求解。
[0031]进一步地，步骤2
‑
2所述收敛条件为：
[0032]max(|X
‑
XZ
‑
LX
‑
E|)＜ε1且max(|Z
‑
J|)＜ε2且max(|L
‑ꢀ
J|)＜ε3；其中，ε1，ε2，ε3为接近0的常量。
[0033]进一步地，步骤2所述的加权schattenp
‑
范数计算公式为
[0034][0035]其中，0＜p≤1，σ
i
表示Z的第i个奇异值，N为奇异值个数。ε＝10
‑
16
，B表示数据矩阵Z的列数，δ表示图像噪声方差。
[0036]所述图像噪声方差用基于局部标准差的噪声估计方法自适应确定。
[0037]本专利技术的有益效果是：
[0038]1、本专利技术提出基于加权schattenp
‑
范数实现潜在低秩表示，通过选取升序的权向量，使得大的奇异值进行小的收缩，而小的奇异值尽可能较大的收缩，增加了矩阵的低秩性，从而保留主要的数据成分，提高图像分解的效率；
[0039]2、本专利技术通过自适应估计的图像噪声计算加权schatten p
‑
范数的权值，通过调节加权schattenp
‑
范数的p值，更精确地逼近秩函数，更好地降低原始图像的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于WSN
‑
LatLRR的红外和可见光图像融合方法，其特征在于包括以下步骤：步骤1、对可见光图像I1和红外图像I2进行预处理：处理为低秩分解的数据矩阵P(I1)和P(I2)，所述的P(I
r
)(r＝1,2)表示将图像I
r
均分为大小为n
×
n的M个子块，并把每个图像子块重排为一列数据；步骤2、可见光图像数据P(I1)通过k级加权schatten p
‑
范数潜在低秩分解，得到k个显著图像和一个低秩图像和一个低秩图像红外图像数据P(I2)通过k级加权schatten p
‑
范数潜在低秩分解，得到k个显著图像和一个低秩图像所述表示P(I
r
)第j级分解后得到的显著部分，其中r＝1,2；表示将中每列数据重排为n
×
n的矩阵后重构为整个显著图的操作；步骤3、选用基础图像融合策略，对低秩图像和融合，得到融合后的低秩图像步骤4、选用显著图像融合策略，对显著部分矩阵和融合，得到融合后的显著矩阵进一步重构得到融合后的显著图像其中，j＝1，
…
，k。步骤5、将步骤3和步骤4的结果相加得到最后的融合结果：2.根据权利要求1所述的基于WSN
‑
LatLRR的红外和可见光图像融合方法，其特征在于步骤1所述加权schatten p
‑
范数潜在低秩分解即求如下优化问题：其中，X表示输入数据即P(I1)或P(I2)，Z和L分别表示低秩系数和显著性系数，XZ和XL分别为低秩部分矩阵和显著部分矩阵，E表示稀疏噪声，表示加权schatten p
‑
范数的p次方，||E||1表示1范数，λ表示平衡系数且λ＞0，s.t.为约束条件。3.根据权利要求1所述的基于WSN
‑
LatLRR的红外和可见光图像融合方法，其特征在于所述核范数加权融合的权重的计算公式如下：其中，表示的第m列，m＝1，
…
，M，表示的权重值。4.根据权利要求1所述的基于WSN
‑
LatLRR的红外和可见光图像融合方法，其特征在于步骤2所述优化问题通过增广拉格朗日乘子法求解，具体过程为：2
‑
1.通过定义J＝Z和S＝L构建增广拉格朗日函数：
其中，M1，M2，M3为拉格朗日乘子，μ为惩罚系数；2
‑
2.按如下...

【专利技术属性】
技术研发人员：赵辽英，潘巧英，厉小润，
申请(专利权)人：浙江大学，
类型：发明
国别省市：