本申请涉及图像处理技术领域，提供了一种基于扩展高斯差分和引导滤波的图像融合方法，方法包括：获取多张第一源图像；基于绝对值取大的融合规则，对多张第一源图像两两进行初步融合，以获取初始融合图像；使用均值滤波方法将初始融合图像和初始融合图像对应的两张第二源图像进行分离处理，以获取初始融合图像的第一能量层和两张第二源图像的第二细节层；第二源图像为生成初始融合图像的第一源图像；根据各第二细节层分别获取对应的第一最终决策图；分别对各第一最终决策图进行引导滤波，以获取对应的第二最终决策图；根据第二最终决策图、第二细节层和第一能量层获取对应的最终融合图像。本发明专利技术具有融合效果好和信息保留完整的有益效果。的有益效果。的有益效果。
【技术实现步骤摘要】
基于扩展高斯差分和引导滤波的图像融合方法
[0001]本申请涉及图像处理
，具体而言，涉及一种基于扩展高斯差分和引导滤波的图像融合方法。
技术介绍
[0002]像素级图像融合的算法一般可以分为基于变换域的图像融合、基于空间域的图像融合以及基于深度学习的图像融合。基于变换域的图像融合着重使用多尺度变换的方法，一般包括三个步骤：第一，将源图像分解成为高频成分和低频成分；其次，使用特定的融合方案对两种成分分别进行融合；最后，通过逆MST变换重构融合图像。基于变换域方法的关键在于分解工具的选择和融合方案的选择。最早的多尺度变换工具包括梯度金字塔、拉普拉斯金字塔等。随着小波变换技术的发展，大量的MST分解工具不断涌现，一些方法也被广泛使用：离散小波变换、双树复小波变换、非下采样轮廓波变换、非下采样剪切波变换、形态学小波变换等。
[0003]除了基于变换域的方法，基于空间域的方法是另一种重要的图像融合方法，这种方法直接在像素点上对源图像进行处理。空间域的方法主要基于像素、区域和块分割，可以充分提取图像中的特征信息，同时考虑了局部区域像素间的相关性，提高了有用信息提取的准确性。但是，基于空间域的大多数方法一定程度上依赖于复杂且低效的分割算法，如果处理不当，会在融合图像中引入错误信息。
[0004]基于深度学习的方法在人脸识别、图像分割、图像分类和图像去噪等领域应用广泛。随着图像融合技术的发展，深度学习在该领域也得到了一些应用。虽然基于CNN的图像融合方法、基于GAN的图像融合方法在红外可见光图像融合、多聚焦图像融合等应用场合有一定的效果。但是，由于现有数据集是有限的，所以基于深度学习的方案还有一定可以改进的空间。
[0005]基于上述问题，目前尚未有有效的解决方法。
技术实现思路
[0006]本申请的目的在于提供一种基于扩展高斯差分和引导滤波的图像融合方法，可以提取出源图像中丰富的能量信息和完整保留源图像中完整的边缘信息，在图像融合任务中有良好的融合效果。
[0007]本申请提供了一种基于扩展高斯差分和引导滤波的图像融合方法，其中，包括以下步骤：S1.获取多张第一源图像；S2.基于绝对值取大的融合规则，对多张所述第一源图像两两进行初步融合，以获取初始融合图像；S3.使用均值滤波方法将所述初始融合图像和所述初始融合图像对应的两张第二源图像进行分离处理，以获取所述初始融合图像的第一能量层和两张所述第二源图像的第
二细节层；所述第二源图像为生成所述初始融合图像的第一源图像；S4.根据各所述第二细节层分别获取对应的第一最终决策图；S5.分别对各所述第一最终决策图进行引导滤波，以获取对应的第二最终决策图；S6.根据所述第二最终决策图、所述第二细节层和所述第一能量层获取对应的最终融合图像。
[0008]本申请的基于扩展高斯差分和引导滤波的图像融合方法，通过获取多张第一源图像；基于绝对值取大的融合规则，对多张第一源图像两两进行初步融合，以获取初始融合图像；使用均值滤波方法将初始融合图像和初始融合图像对应的两张第二源图像进行分离处理，以获取初始融合图像的第一能量层和两张第二源图像的第二细节层；第二源图像为生成初始融合图像的第一源图像；根据各第二细节层分别获取对应的第一最终决策图；分别对各第一最终决策图进行引导滤波，以获取对应的第二最终决策图；根据第二最终决策图、第二细节层和第一能量层获取对应的最终融合图像。本申请提供的基于扩展高斯差分和引导滤波的图像融合方法，可以提取源图像中丰富的能量信息和完整保留源图像中完整的边缘信息，在图像融合任务中有良好的融合效果。
[0009]可选地，本申请提供的基于扩展高斯差分和引导滤波的图像融合方法，步骤S2中，根据以下公式计算，以获取初始融合图像：其中，i和j 分别为像素点的横坐标值和纵坐标值；A和B分别表示第一源图像A和第一源图像B的标识;为初始融合图像的像素点的像素值； 为第一源图像A的像素点的像素值； 为第一源图像B的像素点的像素值；为二值决策图的像素点的像素值。
[0010]可选地，本申请提供的基于扩展高斯差分和引导滤波的图像融合方法，步骤S3包括：S301.获取所述初始融合图像的第一能量层和所述第二源图像的第二能量层；S302.根据所述第二能量层和所述第二源图像计算所述第二细节层。
[0011]在实际应用中，为了使得最终融合图像含有更加丰富的能量层信息，本专利技术直接将初始融合图像的第一能量层作为最终融合图像的能量层。通过使用均值滤波方法，可以提高分离的效率。
[0012]可选地，本申请提供的基于扩展高斯差分和引导滤波的图像融合方法，步骤S4包括：S401.基于边缘特征提取算子，分别对各所述第二细节层进行边缘特征提取，以生成对应的边缘信息决策图；S402.基于空间频率算子，分别对各所述边缘信息决策图进行优化，以获取对应的第一最终决策图。
[0013]可选地，本申请提供的基于扩展高斯差分和引导滤波的图像融合方法，步骤S401包括：
使用扩展高斯差分分别对各所述第二细节层进行边缘特征提取，以生成对应的所述边缘信息决策图。
[0014]通过这种方式，可以使最终融合图像的边界更加清晰。
[0015]可选地，本申请提供的基于扩展高斯差分和引导滤波的图像融合方法，步骤S401中，根据以下公式计算高斯差分变体：其中，为高斯差分变体；和均为高斯平滑滤波函数；为检测出的物体边缘轮廓的权重；为空间域内高斯分布的标准差；代表像素点的二维坐标，即像素点；为该像素点的向量的模；k为精确近似和合适灵敏度之间的权衡参数。
[0016]可选地，本申请提供的基于扩展高斯差分和引导滤波的图像融合方法，步骤S402包括：S4021.对所述空间频率算子进行优化计算，以分别获取各所述第二源图像对应的能量空间频率算子；S4022.分别使用各所述能量空间频率算子对各所述边缘信息决策图进行优化，以获取对应的所述第一最终决策图。
[0017]可选地，本申请提供的基于扩展高斯差分和引导滤波的图像融合方法，所述能量空间频率算子的计算公式如下：其中，为第二源图像的像素点的能量空间频率算子；为第二源图像的像素点的空间频率算子；为第二源图像的像素点的能量算子；i为像素点的横坐标值；j为像素点的纵坐标值。
[0018]通过这种方式，相较于空间频率算子，本申请的能量空间频率算子不仅能够有效检测细节层中的梯度信息，还能有效检测到其中的能量信息，使得融合图像能在最大程度上保留细节层图像中的非显著边缘信息。
[0019]可选地，本申请提供的基于扩展高斯差分和引导滤波的图像融合方法，最终融合图像的计算公式如下：其中，为最终融合图像的像素点的像素值；为最终融合图像的细节层图像的像素点的像素值; 代表第一源图像A的第二最终决策图的像素点的像素值；代表第一源图像B的第二最终决策图的像素点的像
素值； 为第一源图像A的第二细节层的像素点的像素值； 为第一源图像B的第二细节层的像素点的像素值； 为第一能量层的像素点的像素值。
[0020]本申本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于扩展高斯差分和引导滤波的图像融合方法，其特征在于，包括以下步骤：S1.获取多张第一源图像；S2.基于绝对值取大的融合规则，对多张所述第一源图像两两进行初步融合，以获取初始融合图像；S3.使用均值滤波方法将所述初始融合图像和所述初始融合图像对应的两张第二源图像进行分离处理，以获取所述初始融合图像的第一能量层和两张所述第二源图像的第二细节层；所述第二源图像为生成所述初始融合图像的第一源图像；S4.根据各所述第二细节层分别获取对应的第一最终决策图；S5.分别对各所述第一最终决策图进行引导滤波，以获取对应的第二最终决策图；S6.根据所述第二最终决策图、所述第二细节层和所述第一能量层获取对应的最终融合图像。2.根据权利要求1所述的基于扩展高斯差分和引导滤波的图像融合方法，其特征在于，步骤S2中，根据以下公式计算，以获取初始融合图像：其中，i和j 分别为像素点的横坐标值和纵坐标值；A和B分别表示第一源图像A和第一源图像B的标识;为初始融合图像的像素点的像素值； 为第一源图像A的像素点的像素值； 为第一源图像B的像素点的像素值；为二值决策图的像素点的像素值。3.根据权利要求1所述的基于扩展高斯差分和引导滤波的图像融合方法，其特征在于，步骤S3包括：S301.获取所述初始融合图像的第一能量层和所述第二源图像的第二能量层；S302.根据所述第二能量层和所述第二源图像计算所述第二细节层。4.根据权利要求3所述的基于扩展高斯差分和引导滤波的图像融合方法，其特征在于，步骤S4包括：S401.基于边缘特征提取算子，分别对各所述第二细节层进行边缘特征提取，以生成对应的边缘信息决策图；S402.基于空间频率算子，分别对各所述边缘信息决策图进行优化，以获取对应的第一最终决...
【专利技术属性】
技术研发人员：李小松，接玉婵，谭海曙，程晓琦，周富强，
申请(专利权)人：季华实验室，
类型：发明
国别省市：
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。