【技术实现步骤摘要】
基于红外补偿器和生成对抗网络的红外与可见光融合方法
[0001]本专利技术涉及图像融合
,尤其是涉及一种基于红外补偿器和生成对抗网络的红外与可见光融合方法。
技术介绍
[0002]由于成像传感器本身的限制,很难获得满足人们需求的高质量图像。图像融合在这方面起到了很重要的作用,图像融合的目标便是将两幅图像或多幅图像进行融合并在融合图像中保留源图像中丰富的有效信息。这种对图像信息的重建可以广泛的应用于许多的计算机视觉领域,如目标识别、目标跟踪、自动驾驶等。而红外与可见光图像的融合一直都是多源传感器图像融合的热点领域之一,红外图像是热成像仪所形成的图像,所以目标图像可以通过热辐射的差异较为容易的识别出来,但由于纹理轮廓几乎不会影响物体的辐射热量,因此红外图像无法保留场景中的细节信息。而可见光图像是通过捕捉反射光形成的,所以包含了很多纹理信息。正由于这两种源图像的强互补性,因此融合出的结果很有可能呈现出图像所有不同的特性。
[0003]近年来,人们提出了许多不同的融合方法,总体大致分为传统方法和基于深度学习的融合方法。然而大多数的传统方法中的活动级别度量和融合规则都是以手动方式设计的,随着方法性能的提升这些都变得越来越复杂,因此存在实现难度和计算成本问题。深度学习的火热也为图像融合领域提供一种全新的思路。目前深度学习在图像融合中应用主要是卷积神经网络和生成对抗网络,经过检索中国专利CN112750095A公开了一种红外与可见光融合方法、交通监控装置及存储介质,通过将可见光图像和红外图像进行高斯金字塔和拉普拉斯金
【技术保护点】
【技术特征摘要】
1.一种基于红外补偿器和生成对抗网络的红外与可见光融合方法,其特征在于,包括以下步骤:S1采用改进的生成对抗网络中的生成器,获取红外图像的强度信息和可见光图像的细节信息,并通过判别器与生成器之间的博弈对抗获取源图像信息;S2采用红外补偿器对红外图像进行特征提取得到目标热辐射信息;S3对由红外补偿器提取到的目标热辐射信息以及由生成对抗网络得到的源图像信息进行信息重构,得到最终的融合图像。2.根据权利要求1所述的一种基于红外补偿器和生成对抗网络的红外与可见光融合方法,其特征在于,所述步骤S1中生成对抗网络通过带有梯度惩罚的Wasserstein距离来设计生成器和判别器的网络结构以及损失函数,以解决传统生成对抗网络的生成图像质量问题。3.根据权利要求1所述的一种基于红外补偿器和生成对抗网络的红外与可见光融合方法,其特征在于,所述步骤S1中生成对抗网络通过控制比例因子使网络专注于学习一个部分来择取强度信息和梯度信息。4.根据权利要求1所述的一种基于红外补偿器和生成对抗网络的红外与可见光融合方法,其特征在于,所述的生成器模型的损失函数表示为:L=L
advers
(G)+γL
contentcontent
其中,L
advers
(G)为生成器和判别器之间的对抗性损失,E
z
表示生成器生成的数据分布,z表示生成器生成的数据,P
g
表示生成器生成数据的集合,L
content
是内容损失,H和W是输入图像的长度和宽度,||
·
||表示矩阵的范数,I
f
为融合图像的像素强度值,I
r
为红外图像的像素强度值,I
v
表示可见光图像的梯度值,是梯度运算符,D(z)为通过判别器生成的数据,调节机制是指控制比例因子使网络专注于学习一个某部分,τ是比例因子。5.根据权利要求1所述的一种基于红外补偿器和生成对抗网络的红外与可见光融合方法,其特征在于,所述的判别器模型的损失函数表示为:其中前两项为Wasserstein距离估计,后一项是梯度惩罚表达式,E
x
为可见光图像的数据分布,P
vis
是可见光图像的集合,P
g
是生成器生成的数据分布,是沿连接生成数据和真实数据的直线均匀采样的样本,μ是惩罚因子,D(x)是可见光图像输入判别器后生成的数据。6.根据权利要求1所述的一种基于红外补偿器和生成对抗网络的红外与可见光融合方法,其特征在于,所述的红外补偿器采用基于背景重构和红外的方法对红外图像进行特征提取。7.根据权利要求1所述的一种基于红外补偿器和生成对抗网络的红外与可见光融合方法,其特征在于,所述步骤S2中对红外图像特征的提取包括:S21首先对红外背景进行预重构,然后使用滤波器对出现的块状伪影进行平滑处理,得到最终的红外背景图,其过程表达式为:
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。