一种多模态图像融合方法技术

本发明专利技术公开了一种多模态图像融合方法。该方法首先对待融合图像进行滤波去噪处理；使用非下采样轮廓波变换将去噪后的图像进行多方向多频率的分解；之后利用分解生成的高低频子带构建异质随机耦合神经网络模型；利用遗传算法选择模型最优参数；将参数导入模型中处理子带图像，得到点火映射图；通过点火映射图确定不同位置像素点的重要程度，并基于此确定子带的融合方案，进行加权融合，最终重建融合子带得到融合图像。本发明专利技术公开的融合算法可以利用异质随机耦合神经网络在提取不同尺度特征方面的优势，避免出现中大尺度上特征分析不准确导致的伪影。该融合算法能够很好地保留待融合图像的细节信息，融合效果优秀。

【技术实现步骤摘要】

本专利技术属于数字图像处理，具体地说，是涉及一种多模态图像融合方法。

技术介绍

1、传统的图像融合有像素级融合、特征级融合和决策级融合三种。最基础的像素级融合方法有着能够提取出边缘和纹理等细节信息的独特优势。但该方法的计算量大且耗时长。特征级融合通过提取代表性的特征，如边缘、纹理等，再把这些特征融合成单一的特征向量。相对于像素级融合，特征级融合的计算速度更快，但在提取特征信息时可能会丢失很多细节。决策层融合会对待融合图像进行处理，根据经验或规则进行决策。该融合方式抗干扰能力强，但缺乏灵活性，信息损失量大，融合精度较低。

2、像素级图像融合是当前主流的融合方法，其算法多采用金字塔分解或域变换分解来对边缘、纹理等细节信息进行提取，充分利用不同频率下细节信息的特征，更多保留待融合图像当中的重要信息。本专利技术引入异质随机耦合神经网络，用以处理分解子带，独特的神经元设计强化了对不同尺度以及彩色图像的特征提取能力，尽可能保留待融合图像中的重要特征。不同于常见的对分解子带进行平均或取最值的方式，异质随机耦合神经网络会对分解子带进行迭代点火，并根据所生成的点本文档来自技高网...

【技术保护点】

1.一种多模态图像融合方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种多模态图像融合方法，其特征在于，在所述步骤中S3中，异质随机耦合神经网络模型数学表示如下：

3.根据权利要求2所述的一种多模态图像融合方法，其特征在于，在所述步骤S4中，遗传算法具体包括如下步骤:

4.根据权利要求3所述的一种多模态图像融合方法，其特征在于，在所述步骤S7中，融合子带有高低频两种；在三图像融合方案中，对于低频信号有：

【技术特征摘要】

1.一种多模态图像融合方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种多模态图像融合方法，其特征在于，在所述步骤中s3中，异质随机耦合神经网络模型数学表示如下：

3.根据权利要求2所述的一种...

【专利技术属性】
技术研发人员：刘明哲，李惠斌，刘浩然，王凯民，陈怡然，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：