一种微光多源图像融合方法、系统及产品技术方案

本发明专利技术涉及一种微光多源图像融合方法、系统及产品。该方法包括：对同一场景的微光多源图像进行拉普拉斯金字塔分解，确定高频子图像以及低频子图像；计算高频子图像的隶属度函数，并确定图像直觉模糊集合的隶属度、非隶属度以及犹豫度；根据隶属度、非隶属度以及犹豫度，利用等腰三角形模型计算模糊熵；根据模糊熵确定高频子图像的融合决策图；对融合决策图进行优化，确定优化后的融合决策图；根据优化后的融合决策图以及高频子图像确定融合后的高频子图像；根据低频子图像的绝对值确定融合后的低频子图像；根据融合后的高频子图像以及融合后的低频子图像重建融合图像。本发明专利技术能够提高融合图像的质量。提高融合图像的质量。提高融合图像的质量。

【技术实现步骤摘要】
一种微光多源图像融合方法、系统及产品


[0001]本专利技术涉及图像融合领域，特别是涉及一种微光多源图像融合方法、系统及产品。

技术介绍

[0002]图像融合的目的是将不同传感器获得的图像进行融合生成一幅信息更丰富的图像，以便后续处理和决策。一种传感器只能从一个方面获取信息，不能提供所有需要的信息。可见光图像具有较高的空间分辨率和丰富的细节信息，但是可见光传感器受光照条件影响，在夜间、雾等场景下，可见光图像质量较差，不能有效描述场景中的信息。而红外传感器可以根据热辐射区分目标与背景，不受光照条件影响，但红外图像分辨率较低，纹理细节较少。由于可见光和红外图像互补性很强，红外与可见光图像融合在监控、侦查等领域有着广泛应用，尤其对于提高军事夜视侦察的装备性能具有重要的技术支持。
[0003]目前，红外与可见光图像融合方法主要包括以下几种：基于稀疏表示的方法、基于神经网络的方法和基于多尺度变换的方法等。基于稀疏表示的方法中，构造能够表示目标数据的超完备字典仍然很困难。而设计合适的神经网络结构并优化对应的参数仍然是一个挑战。基于多尺度变换的图像融合方法是图像融合领域中的常用方法之一，多尺度变换方法首先将每一幅源图像分解成一系列的子图像表示，变换方法包括拉普拉斯金字塔分解、非下采样剪切波变换和小波变换等；然后，根据给定的融合规则对源图像的不同尺度子图像进行融合；最后，对融合图像进行相应的逆变换得到最终的融合图像。由于图像成像和人类感知存在大量不确定性，因此高质量的图像融合可认为是一个模糊问题，而目前的融合规则大多过于简单，只是简单地选取最大值或平均值，使得融合图像中引入了伪影而影响图像质量。

技术实现思路

[0004]本专利技术的目的是提供一种微光多源图像融合方法、系统及产品，以解决现有图像融合方法的融合图像质量低的问题。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种微光多源图像融合方法，包括：
[0007]对同一场景的微光多源图像进行拉普拉斯金字塔分解，确定高频子图像以及低频子图像；所述微光多源图像包括可见光图像以及红外图像；
[0008]计算所述高频子图像的隶属度函数，并确定图像直觉模糊集合的隶属度、非隶属度以及犹豫度；
[0009]根据所述隶属度、所述非隶属度以及所述犹豫度，利用等腰三角形模型计算模糊熵；
[0010]根据所述模糊熵确定所述高频子图像的融合决策图；
[0011]对所述融合决策图进行优化，确定优化后的融合决策图；
[0012]根据所述优化后的融合决策图以及所述高频子图像确定融合后的高频子图像；
[0013]根据所述低频子图像的绝对值确定融合后的低频子图像；
[0014]根据所述融合后的高频子图像以及所述融合后的低频子图像重建融合图像。
[0015]可选的，所述计算所述高频子图像的隶属度函数，并确定图像直觉模糊集合的隶属度、非隶属度以及犹豫度，具体包括：
[0016]将所述隶属度函数生成上隶属度以及下隶属度；
[0017]根据所述上隶属度以及下隶属度确定图像直觉模糊集合的隶属度、非隶属度以及犹豫度。
[0018]可选的，所述模糊熵为：
[0019][0020]其中，E(S
h
(i,j))为高频子图像(i，j)处的像素值S
h
(i,j)的模糊熵；m为直觉模糊集的隶属度函数；t为直觉模糊集的犹豫度函数；μ
A
(S
h
(i,j))为高频子图像(i，j)处的像素值S
h
(i,j)的隶属度；ν
A
(S
h
(i,j))为高频子图像(i，j)处的像素值S
h
(i,j)的非隶属度。
[0021]可选的，所述融合决策图为：
[0022]其中，为融合决策图(i，j)处的决策值；为可见光图像A的高频子图像(i，j)处的像素值的模糊熵，；为红外图像B的高频子图像(i，j)处的像素值的模糊熵。
[0023]可选的，所述对所述融合决策图进行优化，确定优化后的融合决策图，具体包括：
[0024]利用平均滤波去除所述融合决策图中的噪声和突变值，确定优化后的融合决策图。
[0025]可选的，所述融合后的高频子图像为：
[0026]其中，为融合后的高频子图像；FMD为优化后的融合决策图；为可见光图像A的高频子图像；为红外图像B的高频子图像。
[0027]一种微光多源图像融合系统，包括：
[0028]拉普拉斯金字塔分解模块，用于对同一场景的微光多源图像进行拉普拉斯金字塔分解，确定高频子图像以及低频子图像；所述微光多源图像包括可见光图像以及红外图像；
[0029]隶属度、非隶属度以及犹豫度确定模块，用于计算所述高频子图像的隶属度函数，并确定图像直觉模糊集合的隶属度、非隶属度以及犹豫度；
[0030]模糊熵计算模块，用于根据所述隶属度、所述非隶属度以及所述犹豫度，利用等腰三角形模型计算模糊熵；
[0031]融合决策图确定模块，用于根据所述模糊熵确定所述高频子图像的融合决策图；
[0032]优化模块，用于对所述融合决策图进行优化，确定优化后的融合决策图；
[0033]融合后的高频子图像确定模块，用于根据所述优化后的融合决策图以及所述高频子图像确定融合后的高频子图像；
[0034]融合后的低频子图像确定模块，用于根据所述低频子图像的绝对值确定融合后的低频子图像；
[0035]融合图像重建模块，用于根据所述融合后的高频子图像以及所述融合后的低频子图像重建融合图像。
[0036]可选的，所述隶属度、非隶属度以及犹豫度计算模块，具体包括：
[0037]上隶属度及下隶属度生成单元，用于将所述隶属度函数生成上隶属度以及下隶属度；
[0038]隶属度、非隶属度以及犹豫度计算单元，用于根据所述上隶属度以及下隶属度确定图像直觉模糊集合的隶属度、非隶属度以及犹豫度。
[0039]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述微光多源图像融合方法。
[0040]一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述微光多源图像融合方法。
[0041]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供了一种微光多源图像融合方法、系统及产品，基于拉普拉斯金字塔分解，并使用等腰三角模糊熵模型设计高频子图像融合规则，充分利用场景中红外与可见光传感器的信息，有效融合了红外图像的热辐射信息和可见光图像中的明亮细节，提高了融合图像的质量。
附图说明
[0042]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种微光多源图像融合方法，其特征在于，包括：对同一场景的微光多源图像进行拉普拉斯金字塔分解，确定高频子图像以及低频子图像；所述微光多源图像包括可见光图像以及红外图像；计算所述高频子图像的隶属度函数，并确定图像直觉模糊集合的隶属度、非隶属度以及犹豫度；根据所述隶属度、所述非隶属度以及所述犹豫度，利用等腰三角形模型计算模糊熵；根据所述模糊熵确定所述高频子图像的融合决策图；对所述融合决策图进行优化，确定优化后的融合决策图；根据所述优化后的融合决策图以及所述高频子图像确定融合后的高频子图像；根据所述低频子图像的绝对值确定融合后的低频子图像；根据所述融合后的高频子图像以及所述融合后的低频子图像重建融合图像。2.根据权利要求1所述的微光多源图像融合方法，其特征在于，所述计算所述高频子图像的隶属度函数，并确定图像直觉模糊集合的隶属度、非隶属度以及犹豫度，具体包括：将所述隶属度函数生成上隶属度以及下隶属度；根据所述上隶属度以及下隶属度确定图像直觉模糊集合的隶属度、非隶属度以及犹豫度。3.根据权利要求1所述的微光多源图像融合方法，其特征在于，所述模糊熵为：E(S
h
(i,j))为高频子图像(i，j)处的像素值S
h
(i,j)的模糊熵；m为直觉模糊集的隶属度函数；t为直觉模糊集的犹豫度函数；μ
A
(S
h
(i,j))为高频子图像(i，j)处的像素值S
h
(i,j)的隶属度；ν
A
(S
h
(i,j))为高频子图像(i，j)处的像素值S
h
(i,j)的非隶属度。4.根据权利要求3所述的微光多源图像融合方法，其特征在于，所述融合决策图为：其中，为融合决策图(i，j)处的决策值；为可见光图像A的高频子图像(i，j)处的像素值的模糊熵；为红外图像B的高频子图像(i，j)处的像素值的模糊熵。5.根据权利要求4所述的微光多源图像融合方法，其特征在于，所述对所述融合决策图进行优化，确定优化后的融合决策图...

【专利技术属性】
技术研发人员：江倩，金鑫，金辛，施盛栋，何有维，冯明，习修良，李淑婷，唐榕蔚，金樱，
申请(专利权)人：云南大学，
类型：发明
国别省市：