System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数字图像处理中的图像融合,具体涉及一种基于频域分解的红外与可见光图像融合方法及系统。
技术介绍
1、多源图像融合技术是指通过融合多个传感器获得的图像信息,以获得更准确,可靠和全面的场景描述,是数字图像处理与计算机视觉领域中一个重要的研究方向,并且在许多实际的应用中,如机器视觉、医疗诊断、遥感、军事侦察等方面,都起着至关重要的作用。
2、针对红外图像与可见光图像的融合,研究人员已经提出了不同的融合算法,一些算法取得了较好的融合效果,并应用于实际场景;如专利号cn111709903a公开的一种红外与可见光图像融合方法,通过在生成器中加入残差网络及跳跃连接,获取并保留更多源图像信息,得到相似度更高生物融合图像与源图像;专利号cn116452480a公开的一种红外与可见光图像融合的方法,通过深度学习模型在红外与可见光图像的特征提取模块中利用了卷积和自注意力机制的结合,来提取源图像的特征;但是在实际使用时:
3、(1)由于受硬件设施或环境条件的限制,单一传感器或单一成像方式获得的图像很难完整反映场景信息;这就需要融合不同传感器或不同成像方式获得的多幅图像,以实现信息互补,增加图像的信息量,为后继图像处理任务提供更多、更可靠的信息;
4、(2)现有融合算法的融合结果存在有用信息得不到有效保留和边缘细节模糊问题,主要原因在于对源图像中信息的描述不够充分,导致信息量不够丰富;
5、针对以上问题,如何设计出一种细节信息更丰富、有用信息保留更完整的红外与可见光图像融合方法及其系统已经成为
技术实现思路
1、针对上述存在的问题,本专利技术旨在提供一种基于频域分解的红外与可见光图像融合方法及系统,本方法通过将图像结构信息解释为决定图像基本内容或结构(主要边缘、纹理)的中频成分和对图像结构进行补充、强化的高频成分,以及形成图像基本灰度等级,对图像结构决定作用较小的低频成分;在此基础上,对各频率成分设计融合规则,融合图像更符合人眼视觉系统(hvs)的感知特性;能够有效地融合红外与可见光图像中的重要信息,同时实现信息互补,提高融合图像的质量与视觉效果,提升了图像融合技术在各类场景中的应用程度,具有融合质量与视觉效果、保留了源图像中的重要信息且能实现信息互补等特点。
2、为了实现上述目的,本专利技术所采用的技术方案如下:
3、一种基于频域分解的红外与可见光图像融合方法,包括
4、步骤1:对源图像fa和fb进行离散余弦变换,得到变换系数fa和fb;
5、步骤2:将变换系数fa和fb分解成不同的频率成分,将fa与fb的系数按规则分别分解为低频系数与结构信息系数与和次要细节系数与
6、步骤3:对步骤2得到的各频域分量进行离散余弦反变换,得到低频子图像与结构子图像与和次要细节子图像与
7、步骤4:根据各频率成分子图像融合规则,分别对步骤3得到的低频子图像进行融合,得到融合结果fl、fs和fn;
8、步骤5:重构图像,通过组合步骤4得到的图像fl、fs和fn,得到最终的融合图像f。
9、优选的,步骤1所述的对源图像fa和fb进行离散余弦变换的过程包括
10、步骤1.1:设同一场景下的输入图像为红外图像fa和可见光图像fb;
11、步骤1.2:对红外图像fa进行离散余弦变换,计算公式如下:
12、
13、其中,u=0,1,…,m-1v=0,1,…,n-1
14、
15、式中,m×n为图像的尺寸,fa为图像fa离散余弦变换结果;
16、步骤1.3:采用步骤1.2中的计算公式,计算得可见光图像fb的离散余弦变换结果fb。
17、优选的,步骤2所述的将变换系数fa和fb分解成不同的频率成分的过程包括
18、步骤2.1:对于系数矩阵fa中坐标为(u,v)点,设da(u,v)为(u,v)到fa左上角的距离,fa(u,v)的幅值记为ra(u,v),系数分类为低频系数结构信息系数和次要细节系数的规则如下:
19、若da(u,v)≤τf,则
20、若da(u,v)>τf且ra(u,v)>τe,则
21、若da(u,v)>τf且ra(u,v)≤τe,则
22、式中,τf为频率阈值,设定为τe为能量阈值,设定为6;
23、步骤2.2:采用步骤2.1中的分类规则,将系数矩阵fb分类为低频系数结构信息系数和次要细节系数
24、优选的,步骤3所述的对步骤2得到的各频域分量进行离散余弦反变换的过程包括
25、步骤3.1:对低频系数进行dct反变换,得到图像fa的低频子图像dct反变换计算公式如下:
26、
27、其中,x=0,1,…,m-1y=0,1,…,n-1;
28、步骤3.2:采用步骤3.1中的计算公式,得到低频系数所对应的低频子图像结构信息系数与所对应的结构子图像与次要细节系数与所对应的次要细节子图像与
29、优选的,步骤4所述的根据各频率成分子图像融合规则,分别对步骤3得到的低频子图像进行融合的过程包括
30、步骤4.1:基于显著图的低频子图像与的融合;
31、步骤4.2:基于主成分分析的结构子图像与的融合;
32、步骤4.3:基于局部区域对比度的次要细节子图像与的融合。
33、优选的,步骤4.1所述的基于显著图的低频子图像与的融合过程包括
34、(1)定义图像中像素点(x,y)的显著值sa(x,y)为:
35、
36、式中,ωx,y为图像中以(x,y)为中心的局部区域,图像中所有像素处理完得显著图sa;基于上述计算公式,得到图像的显著图sb;
37、(2)定义两幅图像与的区域相似性qa,b(x,y)为:
38、
39、基于sa、sb与qa,b(x,y),定义低频子图像与的融合规则为:
40、若qa,b(x,y)<t,则
41、
42、若qa,b(x,y)≥t,则
43、
44、其中,ω(x,y)计算公式如下:
45、
46、式中,fl为与融合后的低频子图像,t为相似度阈值,取值范围[0.5,1],此处设定为0.9。
47、优选的,步骤4.2所述的基于主成分分析的结构子图像与的融合过程包括
48、(1)将与数据形成两个m×n维的列向量,矩阵η由这两个列向量组成,计算η的协方差矩阵cηη;得cηη的特征值λ1、λ2和特征向量记λmax为λ1、λ2的最大值,最大特征值λmax对应的特征向量为最大特征向量vmax;
49、(2)对vmax中的主成分分量p本文档来自技高网...
【技术保护点】
1.一种基于频域分解的红外与可见光图像融合方法,其特征在于:包括
2.根据权利要求1所述的一种基于频域分解的红外与可见光图像融合方法,其特征在于:步骤1所述的对源图像fA和fB进行离散余弦变换的过程包括
3.根据权利要求1所述的一种基于频域分解的红外与可见光图像融合方法,其特征在于:步骤2所述的将变换系数FA和FB分解成不同的频率成分的过程包括
4.根据权利要求1所述的一种基于频域分解的红外与可见光图像融合方法,其特征在于:步骤3所述的对步骤2得到的各频域分量进行离散余弦反变换的过程包括
5.根据权利要求1所述的一种基于频域分解的红外与可见光图像融合方法,其特征在于:步骤4所述的根据各频率成分子图像融合规则,分别对步骤3得到的低频子图像进行融合的过程包括
6.根据权利要求5所述的一种基于频域分解的红外与可见光图像融合方法,其特征在于:步骤4.1所述的基于显著图的低频子图像与的融合过程包括
7.根据权利要求5所述的一种基于频域分解的红外与可见光图像融合方法,其特征在于:步骤4.2所述的基于主成分分析的结构子图像
8.根据权利要求5所述的一种基于频域分解的红外与可见光图像融合方法,其特征在于:步骤4.3所述的基于局部区域对比度的次要细节子图像与的融合过程包括
9.一种基于频域分解的红外与可见光图像融合系统,其特征在于:包括
10.根据权利要求9所述的一种基于频域分解的红外与可见光图像融合系统,其特征在于:所述的
...【技术特征摘要】
1.一种基于频域分解的红外与可见光图像融合方法,其特征在于:包括
2.根据权利要求1所述的一种基于频域分解的红外与可见光图像融合方法,其特征在于:步骤1所述的对源图像fa和fb进行离散余弦变换的过程包括
3.根据权利要求1所述的一种基于频域分解的红外与可见光图像融合方法,其特征在于:步骤2所述的将变换系数fa和fb分解成不同的频率成分的过程包括
4.根据权利要求1所述的一种基于频域分解的红外与可见光图像融合方法,其特征在于:步骤3所述的对步骤2得到的各频域分量进行离散余弦反变换的过程包括
5.根据权利要求1所述的一种基于频域分解的红外与可见光图像融合方法,其特征在于:步骤4所述的根据各频率成分子图像融合规则,分别对步骤3...
【专利技术属性】
技术研发人员:许光宇,林浩杰,吴敏,吴淑雅,王春丽,
申请(专利权)人:安徽理工大学,
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。