一种基于改进的GoDec算法的红外与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改进的GoDec算法的红外与可见光图像融合方法，包括：获取红外图像和可见光图像；通过改进的GoDec算法对红外图像和可见光图像矩阵进行GoDec分解，并分别得到低秩图像和稀疏图像；对低秩图像进行非下采样Contourlet变换，分别得到高频子带和低频子带；利用分层贝叶斯方法融合低频子带，利用相位一致性融合高频子带，进行逆变换得到融合后的低秩分量；使用加权平均策略融合稀疏图像得到稀疏分量，叠加低秩分量和稀疏分量得到融合图片。本发明专利技术解决了红外与可见光图像融合时融合图像的边缘强度，平均梯度以及视觉信息保真度等图像评价指标不高的问题，非采样Contourlet变换更好地弥补了小波变换和Contourlet变换在图像融合特征描述、方向性等方面的缺陷。方面的缺陷。方面的缺陷。

【技术实现步骤摘要】
一种基于改进的GoDec算法的红外与可见光图像融合方法


[0001]本专利技术涉及图像处理的
，尤其涉及一种基于改进的GoDec算法的红外与可见光图像融合方法。

技术介绍

[0002]近年来红外与可见光图像融合作为多源图像融合中的一个重要分支，既继承了图像融合的基本理论和方法，又具有其自身的特性。红外传感器利用景物的热辐射性质成像，具有不受天气和光照环境影响的特点，但其获得的红外图像整体比较模糊，且具有较低的空间分辨率和图像对比度；相对而言，可见光传感器通过探测场景反射的可见光成像，其获得的可见光图像具有较高的空间分辨率、清晰的纹理信息以及丰富的图像细节成分，但其容易受光照条件以及天气环境的干扰。
[0003]根据融合层次以及技术手段的不同，红外与可见光图像融合技术大致可分为像素级融合、特征级融合以及决策级融合三类。其中，特征级融合方法依赖于图像的显著性，因此融合结果易引起图像失真问题。决策级融合对图像特征提取和预处理要求较高，因此该类方法融合代价最大、复杂度较高。
[0004]随着小波变换、Contourlet变换以及非采样Contourlet变换等分析方法在图像融合技术中的快速推广，基于变换域的像素级图像融合技术逐渐成为红外与可见光图像融合研究的热点问题。虽然小波变换和Contourlet变换能够有效提高融合图像的空间分辨率，但是小波变换无法准确描述图像边缘和纹理特征、Contourlet变换须对图像进行下采样等限制导致这两类方法的图像融合结果易出现图像失真等问题，非采样Contourlet变换是在Contourlet变换基础上提出的一类具有多方向性、平移旋转不变性以及各向异性的多尺度分析方法，其较好地弥补了小波变换和Contourlet变换在图像融合特征描述以及方向性等方面的缺陷。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有存在的问题，提出了本专利技术。
[0007]因此，本专利技术解决的技术问题是：特征级融合方法依赖于图像的显著性，融合结果易引起图像失真问题；决策级融合对图像特征提取和预处理要求较高，融合代价最大、复杂度较高；小波变换和Contourlet变换能够有效提高融合图像的空间分辨率，但是小波变换无法准确描述图像边缘和纹理特征、Contourlet变换须对图像进行下采样等限制导致这两类方法的图像融合结果易出现图像失真等问题。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：获取红外图像和可见光图像；通过改进的GoDec算法对红外图像IR和可见光图像VIS矩阵进行GoDec分解，并分别得到各自
对应的低秩图像和稀疏图像；对低秩图像进行非下采样Contourlet变换，分别得到各自对应的高频子带和低频子带；利用分层贝叶斯方法融合低频子带，利用相位一致性融合高频子带，进行逆变换得到融合后的低秩分量；使用加权平均策略融合稀疏图像得到稀疏分量，叠加低秩分量和稀疏分量得到融合图片。
[0009]作为本专利技术所述的基于改进的GoDec算法的红外与可见光图像融合方法的一种优选方案，其中：利用改进的GoDec算法对红外图像IR和可见光图像VIS矩阵进行GoDec分解，并得到各自对应的低秩图像和稀疏图像的过程包括，
[0010]改进的GoDec算法引入了广义最大相关熵，其计算公式为：
[0011]card(S)≤k
[0012]其中，||.||
F
表示矩阵的F范数，使分解后的重构误差最小，E为基于半二次优化理论提出的辅助变量，为期望算子，为基于广义最大相关熵的核函数的对偶函数，rank(L)表示对L矩阵求秩，card(S)表示矩阵S的稀疏度，r、k为预设值；其中，r＝300，k＝100000，基于广义最大相关熵只考虑高斯核的核函数为：
[0013][0014]其中，Γ(.)为伽马函数，α>0为形状参数，β>0为规模参数，λ＝1/β
α
为核参数，γ
α,β
＝α/2β，γ
α,β
＝α/2β为归一化常数，α＝2，β＝1；利用HQ优化策略处理M估计问题，即最小Welsch M估计量，定义为1
‑
G
α,β
(e)；考虑HQ函数的加性形式，由最小值函数δ(.)式决定，对于Welsch M估计量，函数δ(.)为：
[0015][0016]交替求解以下问题直至收敛：
[0017][0018]根据改进的GoDec算法得到各自的低秩图像L1、L2与稀疏图像S1、S2。
[0019]作为本专利技术所述的基于改进的GoDec算法的红外与可见光图像融合方法，其中：对低秩图像L1、L2进行非下采样Contourlet变换，并分别得到各自对应的高频子带和低频子带的过程包括，采用NSCT变换将低秩图像L1、L2分别分解为低频子带和高频子带；通过非下采样金字塔滤波器组对源图像进行分解，得到每个分解层上的低频图像和高频图像；对低频图像进行NSPFB迭代分解，得到k+1幅与源图像大小相同的子图像，其中高频图像k张，低频图像1张；通过非下采样方向滤波器组对NSPFB的高频图像进行L级方向分解，得到2
L
个方向子图像；第k级低通滤波器的理想频率支持区域为：
[0020][
‑
(π/2
k
)(π/2
k
)]2[0021]等效的滤波器k级联NSPDF表示为：
[0022][0023]其中，H0(z)表示低通滤波器，H1(z)表示对应的高通滤波器。
[0024]作为本专利技术所述的基于改进的GoDec算法的红外与可见光图像融合方法，其中：低频部分的图像分层贝叶斯融合模型包括，将融合低频图像(I)与源低频图像(U，V)之间差异最小化，保持源低频图像的总体轮廓，其表达公式为：
[0025][0026]其中，f、g为损失函数；
[0027]假设差异用L1范数衡量，问题改为：
[0028][0029]令X＝I
‑
V，Y＝U
‑
V，得到：
[0030][0031]对应一个线性回归模型：
[0032]Y＝X+E
[0033]其中，E是拉普拉斯噪声，X受拉普拉斯分布控制；
[0034]通过贝叶斯的方法重新表述为：
[0035][0036]X的先验分布表示为：
[0037][0038]优化拉普拉斯分布后新的模型表示为：
[0039][0040]其中，表示具有均值x
ij
和方差a
ij
的高斯分布，Exp(a
ij
∣λ)表示具有尺度参数λ的指数分布，i的范围为1到h，j的范围为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的GoDec算法的红外与可见光图像融合方法，其特征在于，包括：获取红外图像和可见光图像；通过改进的GoDec算法对所述红外图像IR和所述可见光图像VIS矩阵进行GoDec分解，并分别得到各自对应的低秩图像和稀疏图像；对所述低秩图像进行非下采样Contourlet变换，分别得到各自对应的高频子带和低频子带；利用分层贝叶斯方法融合低频子带，利用相位一致性融合高频子带，进行逆变换得到融合后的低秩分量；使用加权平均策略融合稀疏图像得到稀疏分量，叠加低秩分量和稀疏分量得到融合图片。2.如权利要求1所述的基于改进的GoDec算法的红外与可见光图像融合方法，其特征在于：利用所述改进的GoDec算法对所述红外图像IR和可见光图像VIS矩阵进行GoDec分解，并得到各自对应的所述低秩图像和稀疏图像的过程包括，所述改进的GoDec算法引入了广义最大相关熵，其计算公式为：其中，||.||
F
表示矩阵的F范数，使分解后的重构误差最小，E为基于半二次优化理论提出的辅助变量，为期望算子，为基于广义最大相关熵的核函数的对偶函数，rank(L)表示对L矩阵求秩，card(S)表示矩阵S的稀疏度，r、k为预设值；其中，r＝300，k＝100000，基于广义最大相关熵只考虑高斯核的核函数为：其中，Γ(.)为伽马函数，α>0为形状参数，β>0为规模参数，λ＝1/β
α
为核参数，γ
α,β
＝α/2β，γ
α,β
＝α/2β为归一化常数，α＝2，β＝1；利用HQ优化策略处理M估计问题，即最小Welsch M估计量，定义为1
‑
G
α,β
(e)；考虑HQ函数的加性形式，由最小值函数δ(.)式决定，对于Welsch M估计量，函数δ(.)为：交替求解以下问题直至收敛：根据所述改进的GoDec算法得到各自的低秩图像L1、L2与稀疏图像S1、S2。3.如权利要求1或2所述的基于改进的GoDec算法的红外与可见光图像融合方法，其特征在于：对所述低秩图像L1、L2进行非下采样Contourlet变换，并分别得到各自对应的所述高频子带和低频子带的过程包括，
采用NSCT变换将所述低秩图像L1、L2分别分解为低频子带和高频子带；通过非下采样金字塔滤波器组对源图像进行分解，得到每个分解层上的低频图像和高频图像；对低频图像进行NSPFB迭代分解，得到k+1幅与源图像大小相同的子图像，其中高频图像k张，低频图像1张；通过非下采样方向滤波器组对NSPFB的高频图像进行L级方向分解，得到2
L
个方向子图像；第k级低通滤波器的理想频率支持区域为：[
‑
(π/2
k
)(π/2
k
)]2等效的滤波器k级联NSPDF表示为：其中，H0(z)表示低通滤波器，H1(z)表示对应的高通滤波器。4.如权利要求3所述的基于改进的GoDec算法的红外与可见光图像融合方法，其特征在于：所述低频部分的图像分层贝叶斯融合模型包括，将融合低频图像(I)与源低频图像(U，V)之间差异最小化，保持源低频图像的总体轮廓，其表达公式为：其中，f、g为损失函数；假设差异用L1范数衡量，问题改为：令X＝I
‑
V，Y＝U
‑

【专利技术属性】
技术研发人员：朱金荣，张梦，曹海涛，张剑云，候伍岳，夏长权，邓小颖，陈俊晟，
申请(专利权)人：扬州大学，
类型：发明
国别省市：