一种红外图像与可见光图像的融合方法技术

本发明专利技术属于图像融合技术领域，具体涉及一种红外图像与可见光图像的融合方法，包括步骤：使用梯度导向滤波分别对源红外、源可见光图像进行第一级分解，以得到第一级红外、可见光分解图像，使用均值滤波、梯度导向滤波对第一级红外分解图像进行第二级分解，以得到第二级红外分解图像，使用均值滤波、梯度导向滤波对第一级可见光分解图像进行第二级分解，以得到第二级可见光分解图像；基于分解得到的各级红外、可见光分解图像计算各级图像的融合权重；基于计算得到的各级图像融合权重对各级红外、可见光分解图像进行融合重构，以得到融合图像。用本发明专利技术所述的图像融合方法，能够更好地实现图像信息的互补，改善融合图像模糊化问题，提高图像对比度。提高图像对比度。提高图像对比度。

【技术实现步骤摘要】
一种红外图像与可见光图像的融合方法


[0001]本专利技术属于图像融合
，具体涉及一种红外图像与可见光图像的融合方法。

技术介绍

[0002]红外传感器与可见光传感器是通过采集不同波段的光波信息处理后得到红外图像与可见光图像。现有的红外传感器得到的红外图像，能够直接反映出物体的温度信息，热目标利于分辨。但是红外图像的细节信息描述不足，分辨率和清晰度较低。相比于红外传感器，可见光传感器采集到的可见光图像细节丰富，分辨率和清晰度较高，但是成像效果易受环境影响，如光照，烟雾等。红外图像与可见光图像融合技术指的是将红外传感器采集到的红外图像，以及可见光传感器采集到的可见光图像，利用特定的技术，结合各自图像的优点以互补信息，融合成更符合人们需求的图像，弥补单一图像的缺点。
[0003]而传统的红外图像与可见光图像融合技术中，存在各分解层信息冗余，融合结果轮廓模糊化，对比度降低的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种红外图像与可见光图像的融合方法，将梯度导向滤波技术应用到红外与可见光图像融合技术中，可以更好地保留图像中的边缘特征，去模糊化，以便得到效果更好的融合图像。
[0005]为实现以上目的，本专利技术采用以下技术方案：
[0006]一种红外图像与可见光图像的融合方法，包括以下步骤：
[0007]S1、使用梯度导向滤波分别对源红外图像、源可见光图像进行第一级分解，以得到第一级红外分解图像、第一级可见光分解图像，使用均值滤波、梯度导向滤波对第一级红外分解图像进行第二级分解，以得到第二级红外分解图像，使用均值滤波、梯度导向滤波对第一级可见光分解图像进行第二级分解，以得到第二级可见光分解图像；
[0008]S2、基于分解得到的第一级红外分解图像、第一级可见光分解图像、第二级红外分解图像、第二级可见光分解图像计算各级图像的融合权重；
[0009]S3、基于计算得到的各级图像融合权重对各级红外分解图像、各级可见光分解图像进行融合重构，以得到融合图像。
[0010]作为优选方案，步骤S1包括：
[0011]S1.1、使用梯度导向滤波分别对源红外图像、源可见光图像进行第一级分解，以得到第一级红外平滑图像、第一级红外细节层图像、第一级可见光平滑图像、第一级可见光细节层图像；
[0012]S1.2、使用均值滤波分别对第一级红外平滑图像、第一级可见光平滑图像进行第二级分解，以得到第二级红外平滑图像、第二级可见光平滑图像、第二级红外细节层图像、第二级可见光细节层图像；
[0013]S1.3、使用梯度导向滤波分别对第一级红外平滑图像、第一级可见光平滑图像进行平滑操作，以得到第二级红外基本层图像、第二级可见光基本层图像；
[0014]第一级红外分解图像包括第一级红外平滑图像、第一级红外细节层图像，第一级可见光分解图像包括第一级可见光平滑图像、第一级可见光细节层图像；
[0015]第二级红外分解图像包括第二级红外平滑图像、第二级红外细节层图像、第二级红外基本层图像，第二级可见光分解图像包括第二级可见光平滑图像、第二级可见光细节层图像、第二级可见光基本层图像。
[0016]作为优选方案，步骤S1.1中，梯度导向滤波算子为：
[0017]SGF＝GDGIF(S,G,r1)，
[0018]其中，GDGIF()表示梯度导向滤波的运算函数，S表示待滤波图像，G表示导向图像，r1表示使用梯度导向滤波对源红外、可见光图像进行第一级分解时梯度导向滤波运算函数的正则化参数，SGF表示使用梯度导向滤波进行分解得到的图像；
[0019]则使用梯度导向滤波分别对源红外图像、源可见光图像进行第一级分解的计算公式为：
[0020]Bi1＝GDGIF(I,I,r1)，
[0021]Di1＝I
‑
Bi1，
[0022]Bv1＝GDGIF(V,V,r1)，
[0023]Dv1＝V
‑
Bv1，
[0024]其中，I表示源红外图像，Bi1表示第一级红外平滑图像，Di1表示第一级红外细节层图像，V表示源可见光图像，Bv1表示第一级可见光平滑图像，Dv1表示第一级可见光细节层图像。
[0025]作为优选方案，步骤S1.2中，均值滤波算子为：
[0026]SMF＝MF(S,h,w)，
[0027]其中，MF()表示均值滤波的运算函数，h表示滤波窗口长度，w表示滤波窗口宽度，SMF表示使用均值滤波进行解得到的图像；
[0028]则使用均值滤波分别对第一级红外平滑图像、第一级可见光平滑图像进行第二级分解的计算公式为：
[0029]Bim＝MF(Bi1,h,w)，
[0030]Di2＝Bi1
‑
Bim，
[0031]Bvm＝MF(Bv1,h,w)，
[0032]Dv2＝Bv1
‑
Bvm，
[0033]其中，Bim表示第二级红外平滑图像，Di2表示第二级红外细节层图像，Bvm表示第二级可见光平滑图像，Dv2表示第二级可见光细节层图像。
[0034]作为优选方案，步骤S1.3中，使用梯度导向滤波分别对第一级红外平滑图像、第一级可见光平滑图像进行平滑操作的计算公式为：
[0035]Bi2＝GDGIF(Bi1,I,r2)，
[0036]Bv2＝GDGIF(Bv1,V,r2)，
[0037]其中，Bi2表示第二级红外基本层图像，Bv2表示第二级可见光基本层图像，r2表示使用梯度导向滤波对第一级红外、可见光平滑图像进行平滑操作时梯度导向滤波运算函数
的正则化参数。
[0038]作为优选方案，步骤S2包括：
[0039]S2.1、基于第二级红外平滑图像、第二级红外基本层图像计算红外图像初始融合权重，基于第二级可见光平滑图像、第二级可见光基本层图像计算可见光图像初始融合权重；
[0040]S2.2、使用梯度导向滤波分别对红外图像初始融合权重、可见光图像初始融合权重进行优化，以得到红外图像基本层融合权重分量、红外图像细节层融合权重分量、可见光图像基本层融合权重分量、可见光图像细节层融合权重分量；
[0041]S2.3、分别对红外图像基本层融合权重分量、红外图像细节层融合权重分量、可见光图像基本层融合权重分量、可见光图像细节层融合权重分量进行归一化处理，以得到归一化后的红外图像基本层融合权重、归一化后的红外图像细节层融合权重、归一化后的可见光图像基本层融合权重、归一化后的可见光图像细节层融合权重。
[0042]作为优选方案，步骤S2.1中，红外图像初始融合权重、可见光图像初始融合权重的计算公式为：
[0043]Sali＝abS(Bim
‑
Bi2)，
[0044]Salv＝abS(Bvm
‑
Bv2)，
[0045]其中，abS()表示取绝对值的算子，Sali表示红外图像初始融合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种红外图像与可见光图像的融合方法，其特征在于，包括以下步骤：S1、使用梯度导向滤波分别对源红外图像、源可见光图像进行第一级分解，以得到第一级红外分解图像、第一级可见光分解图像，使用均值滤波、梯度导向滤波对第一级红外分解图像进行第二级分解，以得到第二级红外分解图像，使用均值滤波、梯度导向滤波对第一级可见光分解图像进行第二级分解，以得到第二级可见光分解图像；S2、基于分解得到的第一级红外分解图像、第一级可见光分解图像、第二级红外分解图像、第二级可见光分解图像计算各级图像的融合权重；S3、基于计算得到的各级图像融合权重对各级红外分解图像、各级可见光分解图像进行融合重构，以得到融合图像。2.根据权利要求1所述的一种红外图像与可见光图像的融合方法，其特征在于，步骤S1包括：S1.1、使用梯度导向滤波分别对源红外图像、源可见光图像进行第一级分解，以得到第一级红外平滑图像、第一级红外细节层图像、第一级可见光平滑图像、第一级可见光细节层图像；S1.2、使用均值滤波分别对第一级红外平滑图像、第一级可见光平滑图像进行第二级分解，以得到第二级红外平滑图像、第二级可见光平滑图像、第二级红外细节层图像、第二级可见光细节层图像；S1.3、使用梯度导向滤波分别对第一级红外平滑图像、第一级可见光平滑图像进行平滑操作，以得到第二级红外基本层图像、第二级可见光基本层图像；第一级红外分解图像包括第一级红外平滑图像、第一级红外细节层图像，第一级可见光分解图像包括第一级可见光平滑图像、第一级可见光细节层图像；第二级红外分解图像包括第二级红外平滑图像、第二级红外细节层图像、第二级红外基本层图像，第二级可见光分解图像包括第二级可见光平滑图像、第二级可见光细节层图像、第二级可见光基本层图像。3.根据权利要求2所述的一种红外图像与可见光图像的融合方法，其特征在于，步骤S1.1中，梯度导向滤波算子为：SGF＝GDGIF(S,G,r1)，其中，GDGIF()表示梯度导向滤波的运算函数，S表示待滤波图像，G表示导向图像，r1表示使用梯度导向滤波对源红外、可见光图像进行第一级分解时梯度导向滤波运算函数的正则化参数，SGF表示使用梯度导向滤波进行分解得到的图像；则使用梯度导向滤波分别对源红外图像、源可见光图像进行第一级分解的计算公式为：Bi1＝GDGIF(I,I,r1)，Di1＝I
‑
Bi1，Bv1＝GDGIF(V,V,r1)，Dv1＝V
‑
Bv1，其中，I表示源红外图像，Bi1表示第一级红外平滑图像，Di1表示第一级红外细节层图像，V表示源可见光图像，Bv1表示第一级可见光平滑图像，Dv1表示第一级可见光细节层图像。
4.根据权利要求3所述的一种红外图像与可见光图像的融合方法，其特征在于，步骤S1.2中，均值滤波算子为：SMF＝MF(S,h,w)，其中，MF()表示均值滤波的运算函数，h表示滤波窗口长度，w表示滤波窗口宽度，SMF表示使用均值滤波进行解得到的图像；则使用均值滤波分别对第一级红外平滑图像、第一级可见光平滑图像进行第二级分解的计算公式为：Bim＝MF(Bi1,h,w)，Di2＝Bi1
‑
Bim，Bvm＝MF(Bv1,h,w)，Dv2＝Bv1
‑
Bvm，其中，Bim表示第二级红外平滑图像，Di2表示第二级红外细节层图像，Bvm表示第二级可见光平滑图像，Dv2表示第二级可见光细节层图像。5.根据权利要求4所述的一种红外图像与可见光图像的融合方法，其特征在于，步骤S1.3中，使用梯度导向滤波分别对第一级红外平滑图像、第一级可见光平滑图像进行平滑操作的计算公式为：Bi2＝GDGIF(Bi1,I,r2)，Bv2＝GDGIF(Bv1,V,r2)，其中，Bi2表示第二级红外基本层图像，Bv2表示第二级...

【专利技术属性】
技术研发人员：李旭，张鹏泉，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：