基于区域特征模糊的红外与可见光图像融合方法技术

一种基于区域特征模糊的图像融合方法，其步骤为：１）采用小波框架将待融合图像进行多尺度分解，最终得到一系列高频分量和一个最低频分量；２）对红外图像低频部分进行Ｋ均值聚类分割成三类；３）对聚类分割的三类分别表示成为重要目标区域、次重要区域和背景区域；根据模糊区域特征以及多传感器图像高频部分的量测指标得到融合决策；４）将最后得到的多分辨率图像送入一个同样由小波基函数构造的滤波器中滤波并对滤波后的图像信号进行求和，将小波框架变换层数降一层，将构造滤波器进行一次降采样处理后再作下一层反变换，以此类推，完成整个小波框架的反变换从而得到最终的融合图像；本发明专利技术能大幅度地提高融合后的图像质量，以达到理想的实用效果。

【技术实现步骤摘要】

本专利技术涉及图像处理技术，特别是涉及一种基于区域特征模糊的多传感器图像融合方法，是信息融合领域中一项多尺度、模糊理论以及图像区域分割结合的图像融合方法，在光学成像、目标监视、安全检查等系统中均可有广泛的应用。
技术介绍
近年来，多传感器图像融合技术在机器视觉、遥感、医学、军事等领域得到了广泛地关注。多传感器图像融合是指多个传感器采集的关于同一目标或场景的图像数据，根据某种算法进行适当的综合处理，产生一幅新的，满足某种需求的新图像。由于多传感器获取的图像间既存在冗余性又存在互补性，图像融合可以通过适当的融合这些对同一场景的图像，获得一幅更加适合于人眼和机器识别的图像。目前具有代表性的图像融合方法有基于塔形变换的方法、基于子波变换的方法等。多尺度图像融合的过程是首先将配准后图像经多尺度分解，分解方法包括拉普拉斯、梯度金字塔以及小波分解等方法；分解后图像的每层看作为图像在这一尺度或波段的特征，根据这些特征所反应的能量测度进行加权平均或选择，以达到融合的目的。由于每个像素是属于图像中的某一个区域的，为了保证像素的一致性，有必要发展一套基于区域的多尺度图像融合方法，比较典型的有基于小波的区域融合方法和基于拉普拉斯变换的区域融合方法。这两种方法中，区域的显著性测度是在多尺度上每一层上进行的提取的，也就是求取每个区域的多尺度系数绝对值的和作为显著性测度，融合过程是根据这种测度，选择比较大的那个区域的相应的多尺度系数，融合结果通过多尺度反变换得到。尽管他们的多尺度变换的方法以及图像分割的方法不同，但是对融合准则的选取上，以及融合测度的设计上基本相似，融合结构类似。所以导致了他们共同存在一个问题区域一致性的问题。由于区域的显著性测度是在多尺度展开后每个频段上求取，导致了在每一个频段上的选择可能不一致，即，不是选择同一幅图像相应区域的所有频段，从而出现了区域的不一致性，目标区域的对比度和区域一致性都有所下降。
技术实现思路
针对上述现有技术中存在的缺陷，本专利技术所要解决的技术问题是提供一种能在模糊空间中处理区域融合决策问题的，能够解决多分辨率变换域中的区域一致性问题，以提高融合后的图像质量，达到理想的实用效果的。为了解决上述技术问题，本专利技术所提供的一种，其特征在于，包括如下具体步骤1)采用小波框架将待融合图像进行多尺度分解将原始图像信号输入小波基函数构造的两个滤波器进行分解，得到一个高频分量和一个低频分量，然后将这两个滤波器进行升采样处理，将分解后的低频分量作为输入信号送入经升采样处理后的滤波器中进行小波框架的两层分解，得到又一组高频分量和低频分量，同时滤波器再一次进行升采样处理，将两层分解后得到的低频分量再次作为滤波器的输入信号，可进一步得到更高的分解层数，最终得到小波框架的一系列高频分量和一个最低频分量；2)对红外图像低频部分进行K均值聚类分割成三类K均值算法将红外图像低频部分分成三类，这三类都与聚类中心对应一个欧几里德距离，根据欧几里德距离确定距离的二范数为目标函数，利用简单的寻优算法使得这个目标函数最小，从而得出红外图像分割成三类的结果；3)对红外传感器图像的低频分量部分进行聚类分割成三类后，分别表示成为重要目标区域、次重要区域和背景区域；根据模糊区域特征以及多传感器图像高频部分的量测指标得到融合决策；4)小波框架反变换得到最后融合结果将最后得到的多分辨率图像送入一个同样由小波基函数构造的滤波器中滤波并对滤波后的图像信号进行求和，将小波框架变换层数降一层，将构造滤波器进行一次降采样处理后再作下一层反变换，以此类推，完成整个小波框架的反变换从而得到最终的融合图像。利用本专利技术提供的，由于考虑到区域融合的一致性问题，将所有区域的属性事先判别清楚，对于不同的区域采用不同的策略，使得具有重要区域特征的信息不损失一致性特性；在多分辨率方法上，采用了基于小波框架的多分辨率分解方法，这种方法避免了小波变换的平移变化特性，针对于一些图像配准精度不是特别高的图像具有较强的鲁棒性；针对红外图像低频段的区域分割，采用了K均值算法，该算法具有算法简单，精度高的特点。基于以上三点原因，本专利技术的基于区域特征模糊的图像融合方法能够充分提高图像的融合性能，使融合后的图像质量得到大幅度地提高，对于各种应用系统的后续处理和图像显示具有重要意义和实用价值。本专利技术的基于模糊区域特征的图像融合方法在保证重要区域和背景区域有良好的一致性信息的同时，次重要区域具有显著的高频特征。从而避免了单纯追求图像中所有区域保持一致性特征而产生的矛盾。并将其应用到红外与可见光图像的融合中。附图说明图1为本专利技术的基于区域特征模糊的图像融合方法的流程示意图；图2为本专利技术所采用隶属函数的示意图；图3为不同融合方法对红外与可见光图像融合结果的对照示意图。具体实施例方式以下结合附图说明对本专利技术的实施例作进一步详细描述，但本实施例并不用于限制本专利技术，凡是采用本专利技术的相似方法及其相似变化，均应列入本专利技术的保护范围。本专利技术实施例所提供的一种基于区域特征模糊的图像融合方法的流程参见图1所示，在图1中，待融合图像为红外传感器图像A和CCD传感器图像B。首先分别对红外传感器图像A、CCD传感器图像B分别进行小波框架(多分辨率)变换；经分解系数分别将图像信号以多尺度的形式表示出来；信号的多尺度表示有两部分，一部分是反映信号突变的高频分量部分，也就是信号的细节部分；另一部分是反映信号概貌的低频分量部分；对红外图像低频分量采用K均值分割的聚类方法进行分割，然后将聚类结果与CCD传感器图像B图像的低频分量经区域模糊隶属度函数处理确定融合决策，红外传感器图像A、CCD传感器图像B的高频分量分别经量测指标处理共同确定融合决策；然后红外传感器图像A、CCD传感器图像B的高频分量分别经融合决策确定的融合运算进行融合处理，同时与低频分量共同组成融合后系数，也就是融合结果图像的多分辨率表示，最后进行多分辨率小波框架反变换就可以得到融合图像。具体实施步骤为1)采用传统的9/7小波滤波器组对待融合的原图像进行多分辨率展开离散小波框架是对离散小波变换的修正，在对图像进行离散小波变换的时，一般需要将通过小波变换的高频和低频滤波器的输出进行降采样。小波框架的不同之处就在于没有对这一部分作降采样处理，而是将小波的滤波器系数进行修正。具体的叠代变换过程如公式(1)和公式(2)wi+1(n)=Σkg(2i·k)·si(n-k)---(1)]]>si+1(n)=Σkh(2′·k)·si(n-k)---(2)]]>g(k)是小波框架的分解高频滤波器，h(k)是小波框架的分解低频滤波器。通过公式(1)和公式(2)得到小波框架的高频分量w0，w1，...，wN和最低频分量sN；N为小波框架变换的层数。2)对红外图像低频部分进行K均值聚类分割成三类在对图像的应用和研究过程中，人们往往对图像中的某些部分感兴趣，这些部分一般对应图像中特定的、具有独特性质的区域，由此需要把这些区域分离提取出来。图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术本文档来自技高网...

【技术保护点】
一种基于区域特征模糊的图像融合方法，其特征在于，包括如下具体步骤：１）采用小波框架将待融合图像进行多尺度分解：将原始图像信号输入小波基函数构造的两个滤波器进行分解，得到一个高频分量和一个低频分量，然后将这两个滤波器进行升采样处理，将 分解后的低频分量作为输入信号送入经升采样处理后的滤波器中进行小波框架的两层分解，得到又一组高频分量和低频分量，同时滤波器再一次进行升采样处理，将两层分解后得到的低频分量再次作为滤波器的输入信号，可进一步得到更高的分解层数，最终得到小波框架的一系列高频分量和一个最低频分量；２）对红外图像低频部分进行Ｋ均值聚类分割成三类：Ｋ均值算法将红外图像低频部分分成三类，这三类都与聚类中心对应一个欧几里德距离，根据欧几里德距离确定距离的二范数为目标函数，利用简单的寻优算法使得这个目标 函数最小，从而得出红外图像分割成三类的结果；３）对红外传感器图像的低频分量部分进行聚类分割成三类后，分别表示成为重要目标区域、次重要区域和背景区域；根据模糊区域特征以及多传感器图像高频部分的量测指标得到融合决策；４）小波框架 反变换得到最后融合结果：将最后得到的多分辨率图像送入一个同样由小波基函数构造的滤波器中滤波并对滤波后的图像信号进行求和，将小波框架变换层数降一层，将构造滤波器进行一次降采样处理后再作下一层反变换，以此类推，完成整个小波框架的反变换从而得到最终的融合图像。...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘刚，黄自元，吕学勤，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：31[中国|上海]