【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种基于自适应视觉增强和结构补丁分解的图像融合方法。
技术介绍
1、红外和可见光图像融合是图像处理领域中的一个重要分支，在军事和民用领域都有应用，如目标跟踪、监视成像和自动驾驶。可见光图像有利于计算机视觉任务，因为它们提供了直观的细节。然而，可见光图像容易受到低光和浓雾等天气条件的影响。相比之下，红外图像可以根据热辐射差异将目标与背景区分开来，使其不太容易受到照明和天气条件的影响。然而，红外图像的一个局限性是它们无法提供清晰的纹理细节信息。因此，仅仅依靠从单个传感器获取的图像不能满足计算机视觉应用的需求。因此，将红外与可见光图像进行融合，可以生成包含更有效信息的图像，有利于观察和后续图像处理。
2、现有的图像融合方法可分为基于传统的方法和基于深度学习的方法。传统的方法主要涉及从原始图像中手动提取特征。一种常用的方法是基于多尺度分解的融合方法，该类方法将图像分解为不同尺度的子图像，使用精心设计的规则将它们分别融合。然后，进行逆变换以获得融合图像。基于多尺度变换的经典算法包括金字塔变换、小波变换、边缘保持滤波和非子采样轮廓变换。然而，这些分解方法将源图像投影到频域中，增加了计算复杂性。近年来，随着人工神经网络的不断发展，基于深度学习的图像融合备受关注。基于自动编码器的融合方法通常由编码器、解码器和融合策略组成。然而，由于人工设计融合规则，基于自动编码器的方法融合性能较低。基于卷积神经网络的融合方法可以避免手工制作的融合规则的局限性。然而，由于缺乏基本事实，聚合网络的潜在性能在某些情况下仅被
3、虽然现有的方法在融合可见光和红外图像方面显示出了有效性，但它们往往忽视了夜间条件下可见光图像的照明退化带来的挑战。这些方法主要是为正常光照条件设计的，并且倾向于仅依赖于红外信息来补偿可见图像中减少的照明。因此，通过这些方法生成的融合图像不能完全表达夜间可见图像中存在的丰富场景信息，导致融合性能降低。
4、因此，本专利技术提出一种基于自适应视觉增强和结构补丁分解的图像融合方法，以解决上述问题。
技术实现思路
1、为了解决上述
技术介绍
存在的问题，本专利技术提供了一种基于自适应视觉增强和结构补丁分解的图像融合方法，解决了现有的红外与可见光图像融合方法存在的夜间可见图像细节丢失的技术问题。
2、为了达到上述技术效果，本专利技术是通过以下技术方案实现的：
3、一种基于自适应视觉增强和结构补丁分解的图像融合方法，其特征在于，包括如下制备步骤：
4、s1:获取红外图像和可见光图像；
5、s2:对图像预处理，采用图像增强算法来自适应增强可见光图像，采用加权平均曲率滤波对红外图像进行去噪；
6、s3:将图像分解，使用结构补丁分解将红外图像和增强的可见光图像分解为三个分量：平均强度、信号结构和信号强度；设计一个新的曲线函数来确定平均强度分量的权重；此外，采用相应的策略获得信号结构和信号强度分量的权重；
7、s4:引入了平滑锐化滤波器来增强红外和可见光图像的细节层；
8、s5:多尺度分解和图像融合；通过多尺度分解源图像，然后融合基层和细节层，获得最终融合图像。
9、进一步的，所述s2中图像增强算法具体操作如下：
10、ien＝id
11、d＝et
12、t＝-log(0.5+imean)
13、其中ien是增强后的可见光图像，i是可见光图像，e是曝光矩阵，imean是可见光图像的像素归一化平均值；然后使用加权平均曲率滤波对红外图像进行去噪。
14、进一步的，所述s3中使用结构补丁对红外图像和增强的可见光图像进行分解，并设计一个新的曲线函数来准确估计平均强度分量的权重，具体操作如下：
15、(1)假设在同一位置有k个图像块，xk表示第k个图像中的图像块。将大小为r×r图像块xk分为三个分量：信号强度ck、信号结构sk和平均强度lk，然后，通过以下公式来估计融合图像块的信号强度信号结构和平均强度
16、
17、
18、
19、其中αk和βk分别表示信号结构和平均强度分量的权重，然后根据公式获得融合图像块
20、(2)设计一个新的曲线函数来准确估计平均强度分量的权重，该曲线函数设计如下：
21、
22、其中c(lk)表示在图像块xk的中心像素的平均强度值，参数δ用于控制函数的陡峭度，通过调整该值，可以根据具体要求在函数的陡峭度上找到一个平衡点，对βk进行归一化处理；
23、(3)获取信号强度和信号结构分量的具体操作如下：
24、信号强度与融合结果的局部对比度有关，信号强度越大，融合结果的对比度和细节就越强，所以选择最大的信号强度作为融合信号强度：
25、
26、其中c1表示红外图像补丁的信号强度，c2表示可见光图像补丁的信号强度；表示xk的平均移除块；对于信号结构，理想的信号结构由以下公式确定：
27、
28、其中权重p(p≥0)是一个指数参数；
29、为了减少时间开销，将补丁级分解和融合转换为图像级滤波:
30、
31、通过这种重写，上述公式变成了两个分量的补丁级分解，其中每个补丁被分解为两个分量：平均分量lk(低频基层)和平均移除分量xk-lk(高频细节层)，等效地使用平均滤波来实现补丁级聚合过程，以减少时间开销，最终融合的图像：
32、
33、其中f(xk)是由补丁平均值形成的平均图像，wbk是由低频补丁权重组成的权重图，wdk是由高频补丁权重组成的权重图，如果每个像素在以其为中心的补丁内计算单独的平均强度，则上述公式变为：
34、
35、其本质上是用于红外与可见光图像融合的单尺度两层分解模型，f(wbk)和f(wdk)分别是基层和细节层的权重图。
36、进一步的，所述s4中，引入了平滑锐化滤波器来增强红外和可见光图像的细节层，平滑锐化滤波器是基于补丁插值模型和广义伽玛分布的引导边缘感知平滑锐化滤波器，它将平滑和锐化操作组合到一个滤波器中，通过改变平滑锐化滤波器的参数h的值可以控制平滑或锐化程度，更有效地增强细节层。
37、进一步的，所述s5中使用多尺度工具分解源图像，将原始图像设为尺度1，根据以下公式，针对每个尺度j，融合细节层图像为：
38、
39、其中，表示不大于x的最小整数。a是一个常数，取决于核的大小。h和w分别表示输入图像高和宽。然后对f(xk(1))进行下采样得到：
40、xk(2)＝↓(f(xk(1)))
41、其中↓表示因子为2的下采样操作，按如下方式获得尺度为j的基层图像：
42、
43、通过逐步上采样并将细节层加回中间基层来获得融合图像：
44、
<本文档来自技高网...【技术保护点】
1.一种基于自适应视觉增强和结构补丁分解的图像融合方法，其特征在于，包括如下制备步骤：
2.根据权利要求1所述的一种基于自适应视觉增强和结构补丁分解的图像融合方法，其特征在于，所述S2中图像增强算法具体操作如下：
3.根据权利要求1所述的一种基于自适应视觉增强和结构补丁分解的图像融合方法，其特征在于，所述S3中使用结构补丁对红外图像和增强的可见光图像进行分解，并设计一个新的曲线函数来准确估计平均强度分量的权重，具体操作如下：
4.根据权利要求1所述的一种基于自适应视觉增强和结构补丁分解的图像融合方法，其特征在于，所述S4中，引入了平滑锐化滤波器来增强红外和可见光图像的细节层，平滑锐化滤波器是基于补丁插值模型和广义伽玛分布的引导边缘感知平滑锐化滤波器，它将平滑和锐化操作组合到一个滤波器中，通过改变平滑锐化滤波器的参数h的值可以控制平滑或锐化程度，更有效地增强细节层。
5.根据权利要求1所述的一种基于自适应视觉增强和结构补丁分解的图像融合方法，其特征在于，所述S5中使用多尺度工具分解源图像，将原始图像设为尺度1，根据以下公式，针对每个尺
...【技术特征摘要】
1.一种基于自适应视觉增强和结构补丁分解的图像融合方法，其特征在于，包括如下制备步骤：
2.根据权利要求1所述的一种基于自适应视觉增强和结构补丁分解的图像融合方法，其特征在于，所述s2中图像增强算法具体操作如下：
3.根据权利要求1所述的一种基于自适应视觉增强和结构补丁分解的图像融合方法，其特征在于，所述s3中使用结构补丁对红外图像和增强的可见光图像进行分解，并设计一个新的曲线函数来准确估计平均强度分量的权重，具体操作如下：
4.根据权利要求1所述的一种基于自适应视觉增...
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。