图像融合中图像增强方法及装置制造方法及图纸

本发明专利技术公开一种图像融合中图像增强方法及装置。该方法通过获取需要进行图像融合的两个源图像；将两个源图像进行图像增强得到两个增强图；基于预先训练的SVM模型，提取两个增强图中的融合决策无争议的像素；将融合决策无争议的像素进行融合，得到第一融合图像；基于预先训练的SVM模型，提取两个增强图中的融合决策有争议的像素；将融合决策有争议的像素与多尺度加权PCA融合，得到第二融合图像；通过第一融合图像和第二融合图像的逻辑运算得到最终融合图像；与传统方法相比，所需要的计算资源和训练训练样本更少，效率更高，图像融合得到的融合图像的效果更好。的融合图像的效果更好。的融合图像的效果更好。

【技术实现步骤摘要】
图像融合中图像增强方法及装置


[0001]本专利技术涉及图像融合
，尤其涉及一种图像融合中图像增强方法及装置。

技术介绍

[0002]图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率，利于监测。图像融合作为信息融合的一个分支，是当前信息融合研究中的一个热点。图像融合的数据形式是包含有明暗、色彩、温度、距离以及其他的景物特征的图像。这些图像可以以一幅，或者一列的形式给出。图像融合是将2张或2张以上的图像信息的融合到1张图像上，使得融合的图像含有更多的信息、能够更方便人来观察或者计算机处理。图像融合的目标是在实际应用目标下将相关信息最大合并的基础上减少输出的不确定度和冗余度。图像融合的优点很明显，它能扩大图像所含有的时间空间信息，减少不确定性，增加可靠性，改进系统的鲁棒性能。
[0003]现有的图像融合方法中有很多基于深度学习的图像融合方法，但基于深度学习的图像融合方法需要大量的样本和计算资源以及时间来训练模型，效率低，成本高；在这些方面，浅层机器学习方法在图像融合方面有一定优势，浅层机器学习方法需要的计算资源和训练样本更少。支持向量机(英文：Support Vector Machine,，简称：SVM)是一种常用的经典浅层学习模型，通常通过使用一些提取的特征来区分用于生成融合决策的聚焦和非聚焦恢复训练。由于浅层机器学习模型缺乏特征提取能力，需要采用给定的特征提取方法来呈现图像特征，但现有的特征提取方法得到的融合图像的效果仍有待进一步改善。因此，有必要提出一种图像融合中图像增强方法及装置，以解决上述问题。融合

技术实现思路

[0004]本专利技术提供一种图像融合中图像增强方法及装置，以解决现有技术中现有的特征提取方法得到的融合图像的效果仍有待进一步改善的问题。
[0005]第一方面，本专利技术提供一种图像融合中图像增强方法，包括：
[0006]获取需要进行图像融合的两个源图像；
[0007]将两个源图像分别从RGB空间转换到HSV空间，从V通道中得到第一光照图；对所述第一光照图进行过滤，得到第二光照图；对第二光照图进行伽玛校正，得到中间图像；确定中间图像的权重，进行中间图像融合得到第三光照图；根据第三光照图得到反射图，将反射图从HSV空间转回RGB空间得到两个增强图；
[0008]基于预先训练的SVM模型，提取所述两个增强图中的融合决策无争议的像素；
[0009]将所述融合决策无争议的像素进行融合，得到第一融合图像；
[0010]基于预先训练的SVM模型，提取所述两个增强图中的融合决策有争议的像素；
[0011]将所述融合决策有争议的像素与多尺度加权PCA融合，得到第二融合图像；
[0012]通过第一融合图像和第二融合图像的逻辑运算得到最终融合图像。
[0013]进一步地，将两个源图像分别从RGB空间转换到HSV空间，从V通道中得到第一光照图；对所述第一光照图进行过滤，得到第二光照图；对第二光照图进行伽玛校正，得到中间图像；确定中间图像的权重，进行中间图像融合得到第三光照图；根据第三光照图得到反射图，将反射图从HSV空间转回RGB空间得到两个增强图的步骤中，根据Retinex理论得到第三光照图对应的反射图。
[0014]进一步地，所述预先训练的SVM模型的训练过程中：通过滑动窗口提取两个样本图像中聚焦区域和非聚焦区域的图像特征，所述滑动窗口用于提取标准偏差、空间频率、平均梯度、图像梯度能量和修正拉普拉斯算子这五个度量，所述五个度量用于在滑动窗口中呈现样本图像的图像特征，当窗口滑动到一个像素位置时，计算五个度量，形成一个特征向量，当滑动窗口遍历增强图的所有像素时，形成SVM的输入特征。
[0015]进一步地，所述预先训练的SVM模型的训练过程中：将增强图中聚焦和未聚焦区域分割成块，构建训练数据集；利用粒子群优化算法寻找支持向量机的优化参数，选择精度最好的支持向量机的优化参数训练SVM模型。
[0016]进一步地，将所述融合决策有争议的像素与多尺度加权PCA融合，得到第二融合图像的步骤中，计算融合决策有争议的像素的融合权重，滑动窗口的每个尺寸只反映单一尺度的区域特征，不同尺寸的窗口同时与PCA结合得到相应的融合权重，区域特征用多尺度表示。
[0017]第二方面，本专利技术提供一种图像融合中图像增强装置，包括：
[0018]获取单元，用于获取需要进行图像融合的两个源图像；
[0019]增强单元，用于将两个源图像分别从RGB空间转换到HSV空间，从V通道中得到第一光照图；对所述第一光照图进行过滤，得到第二光照图；对第二光照图进行伽玛校正，得到中间图像；确定中间图像的权重，进行中间图像融合得到第三光照图；根据第三光照图得到反射图，将反射图从HSV空间转回RGB空间得到两个增强图；
[0020]第一提取单元，用于基于预先训练的SVM模型，提取所述两个增强图中的融合决策无争议的像素；
[0021]第一融合单元，用于将所述融合决策无争议的像素进行融合，得到第一融合图像；
[0022]第二提取单元，用于基于预先训练的SVM模型，提取所述两个增强图中的融合决策有争议的像素；
[0023]第二融合单元，用于将所述融合决策有争议的像素与多尺度加权PCA融合，得到第二融合图像；
[0024]第三融合单元，用于通过第一融合图像和第二融合图像的逻辑运算得到最终融合图像。
[0025]进一步地，所述增强单元，用于根据Retinex理论得到第三光照图对应的反射图。
[0026]进一步地，所述预先训练的SVM模型的训练过程中：通过滑动窗口提取两个样本图像中聚焦区域和非聚焦区域的图像特征，所述滑动窗口用于提取标准偏差、空间频率、平均梯度、图像梯度能量和修正拉普拉斯算子这五个度量，所述五个度量用于在滑动窗口中呈现样本图像的图像特征，当窗口滑动到一个像素位置时，计算五个度量，形成一个特征向量，当滑动窗口遍历增强图的所有像素时，形成SVM的输入特征。
[0027]进一步地，所述预先训练的SVM模型的训练过程中：将增强图中聚焦和未聚焦区域分割成块，构建训练数据集；利用粒子群优化算法寻找支持向量机的优化参数，选择精度最好的支持向量机的优化参数训练SVM模型。
[0028]进一步地，所述第二融合单元，用于计算融合决策有争议的像素的融合权重，滑动窗口的每个尺寸只反映单一尺度的区域特征，不同尺寸的窗口同时与PCA结合得到相应的融合权重，区域特征用多尺度表示。
[0029]本专利技术的有益效果如下：本专利技术提供的一种图像融合中图像增强方法及装置，通过获取需要进行图像融合的两个源图像；将两个源图像分别从RGB空间转换到HSV空间，从V通道中得到第一光照图；对所述第一光照图进行过滤，得到第二光照图；对第二光照图进行伽玛校正，得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像融合中图像增强方法，其特征在于，包括：获取需要进行图像融合的两个源图像；将两个源图像分别从RGB空间转换到HSV空间，从V通道中得到第一光照图；对所述第一光照图进行过滤，得到第二光照图；对第二光照图进行伽玛校正，得到中间图像；确定中间图像的权重，进行中间图像融合得到第三光照图；根据第三光照图得到反射图，将反射图从HSV空间转回RGB空间得到两个增强图；基于预先训练的SVM模型，提取所述两个增强图中的融合决策无争议的像素；将所述融合决策无争议的像素进行融合，得到第一融合图像；基于预先训练的SVM模型，提取所述两个增强图中的融合决策有争议的像素；将所述融合决策有争议的像素与多尺度加权PCA融合，得到第二融合图像；通过第一融合图像和第二融合图像的逻辑运算得到最终融合图像。2.如权利要求1所述的方法，其特征在于，将两个源图像分别从RGB空间转换到HSV空间，从V通道中得到第一光照图；对所述第一光照图进行过滤，得到第二光照图；对第二光照图进行伽玛校正，得到中间图像；确定中间图像的权重，进行中间图像融合得到第三光照图；根据第三光照图得到反射图，将反射图从HSV空间转回RGB空间得到两个增强图的步骤中，根据Retinex理论得到第三光照图对应的反射图。3.如权利要求1所述的方法，其特征在于，所述预先训练的SVM模型的训练过程中：通过滑动窗口提取两个样本图像中聚焦区域和非聚焦区域的图像特征，所述滑动窗口用于提取标准偏差、空间频率、平均梯度、图像梯度能量和修正拉普拉斯算子这五个度量，所述五个度量用于在滑动窗口中呈现样本图像的图像特征，当窗口滑动到一个像素位置时，计算五个度量，形成一个特征向量，当滑动窗口遍历增强图的所有像素时，形成SVM的输入特征。4.如权利要求3所述的方法，其特征在于，所述预先训练的SVM模型的训练过程中：将增强图中聚焦和未聚焦区域分割成块，构建训练数据集；利用粒子群优化算法寻找支持向量机的优化参数，选择精度最好的支持向量机的优化参数训练SVM模型。5.如权利要求1所述的方法，其特征在于，将所述融合决策有争议的像素与多尺度加权PCA融合，得到第二融合图像的步骤中，计算融合决策有争议的像素的融合权重，滑动窗口的每个尺寸只反映单...

【专利技术属性】
技术研发人员：张文杰，张金磊，张京乐，迟长飞，刘晓平，
申请(专利权)人：北京中拓新源科技有限公司，
类型：发明
国别省市：