一种参数智能学习的红外双波段图像像素级融合方法技术

本发明专利技术涉及一种参数智能学习的红外双波段图像像素级融合方法，通过编码器

【技术实现步骤摘要】
一种参数智能学习的红外双波段图像像素级融合方法


[0001]本专利技术属于数字图像处理中图像融合领域，涉及一种参数智能学习的红外双波段图像像素级融合方法。

技术介绍

[0002]红外成像导弹、红外搜索与跟踪系统等在远距探测时以各类作战飞机、巡航导弹等目标为主要探测对象。而由于复杂多变的战场环境，现代探测设备探测不再局限于内陆或沿海地区，由单一的大陆性气候和背景，增加复杂气象下的对抗作战，远距离探测环境和背景更加恶劣，因此通过红外双波段图像融合系统可提供更多更丰富的原始数据和新的目标特征信息。
[0003]目前关于红外双波段图像像素级融合的方法大多都采用固定参数融合的方式，例如传统加权融合算法中，通过人为选择权重配比实现图像融合，无法做到根据输入场景图像类型自主选择融合权重。
[0004]因此，在对传统红外双波段图像融合方法的深入研究的基础上，提出一种参数智能学习的红外双波段图像像素级融合方法，提升像素级图像融合方法环境适应性，凸显融合图像中目标的信息，提升融合过程的自主性与融合结果的最佳性。

技术实现思路

[0005]要解决的技术问题
[0006]为了避免现有技术的不足之处，本专利技术提出一种参数智能学习的红外双波段图像像素级融合方法，实现像素级图像融合权重的自适应选择。
[0007]技术方案
[0008]一种参数智能学习的红外双波段图像像素级融合方法，其特征在于步骤如下：
[0009]步骤1：对内容完全相同的红外中波、长波图像数据进行配准，将配准后完全一致的部分留存，其余部分裁剪，得到处理后的中波、长波融合图像数据集Data＝{(I
m1
,I
l1
),(I
m2
,I
l2
),...(I
mn
,I
ln
)}，其中I
m
表示中波图像，I
l
表示长波图像；
[0010]步骤2：将数据集分为两组Data
train
和Data
test
，Data
train
图像作为训练样本，Data
test
作为测试样本；
[0011]步骤3：构建深度学习网络，深度学习网络输入为步骤2训练集的中波、长波图像，输出为像素级图像融合方法融合权重矩阵，其大小与图像大小相同。融合权重生成公式如下：
[0012]α＝FuseNet(I
m
,I
L
)
[0013]其中α为融合权重矩阵，FuseNet为深度学习网络；
[0014]步骤4：将步骤3的像素级图像融合权重作为传统像素级图像融合方法的融合权重矩阵，将融合权重矩阵与中波图像的哈达玛积加上单位矩阵与融合权重矩阵的差与长波图像的哈达玛积，得到融合图像，完成融合模型构建；
[0015]融合公式：
[0016]其中I
fuse
为融合后图像；
[0017]步骤5：以步骤2的训练数据集对融合模型进行训练，得到深度学习图像融合权重模型：
[0018]model
fuse
＝FuseNet
train
(Data
train
)
[0019]步骤6：将图像步骤2的测试集中中波、长波图像分组输入步骤5训练后模型，根据融合图像融合公式得到融合图像。
[0020]所述深度学习网络为无监督或有监督。
[0021]有益效果
[0022]本专利技术提出的一种参数智能学习的红外双波段图像像素级融合方法，通过编码器
‑
解码器结构，构建无监督深度学习网络，利用神经网络算法分类与感知特性得到自适应融合权重矩阵，结合传统像素级图像融合算法，得到一种参数智能学习的红外双波段图像像素级融合方法，解决空战环境中复杂多变背景下融合权重智能选择的问题。本方法通过利用无监督深度神经网络，改变了原有传统像素级图像融合方法在不同环境下及背景下需人为设置融合参数的问题，使得算法可以不依赖人为选择，根据环境背景自主生成融合所需参数，实现图像融合。
[0023]本专利技术的优点与有益效果主要体现在：在现有传统像素级图像融合方法基础上，利用深度学习算法强分类、感知能力，实现像素级图像融合算法融合参数智能化，可根据环境不同自主确定融合权重，实现环境自适应融合，同时提升了传统方法融合效果，增加深度学习可解释性，最终达到凸显图像中目标信息的目的。
附图说明
[0024]图1：红外双波段图像像素级融合模型结构；
[0025]图2：红外双波段图像像素级融合流程图；
[0026]图3：红外双波段图像像素级融合方法流程图；
[0027]图4：红外双波段图像像素级融合结果
[0028]a、长波天空背景；b、中波天空背景；c、融合权重；d、中波
‑
长波；e、长波
‑
中波；f、长波地面背景；g、中波地面背景；h、融合权重；i、中波
‑
长波；j、长波
‑
中波；k、长波海面背景；l、中波海面背景；m、融合权重；n、中波
‑
长波；o、长波
‑
中波。
具体实施方式
[0029]现结合实施例、附图对本专利技术作进一步描述：
[0030]本专利技术提供如下的技术方案：建立一种参数智能学习的红外双波段图像像素级融合模型，所述的模型设计方法包括以下步骤，其中主要包括三个部分：第一部分是对数据集进行预处理；第二部分是模型构建；第三部分是对融合模型的训练与测试：
[0031]第一部分包括两个步骤：
[0032]步骤一，获取红外中波、长波图像数据，对中波、长波数据进行配准、裁剪等预处理操作，得到处理后的中波、长波融合图像数据集Data＝{(I
m1
,I
l1
),(I
m2
,I
l2
),
…
(I
mn
,I
ln
)}，其中I
m
表示中波图像，I
l
表示长波图像
[0033]步骤二，将步骤一中所述数据集分为两组Data
train
和Data
test
，Data
train
图像作为训练样本，Data
test
作为测试样本。
[0034]第二部分包括两个步骤：
[0035]步骤三，根据编码器
‑
解码器结构，构建无监督深度学习网络，其输入为步骤二所述训练集中波、长波图像，输出为像素级图像融合方法融合权重矩阵，其大小与图像像大小相同。融合权重生成公式如下：
[0036]α＝FuseNet(I
m
,I
L
)
ꢀꢀ
(1)
[0037]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种参数智能学习的红外双波段图像像素级融合方法，其特征在于步骤如下：步骤1：对内容完全相同的红外中波、长波图像数据进行配准，将配准后完全一致的部分留存，其余部分裁剪，得到处理后的中波、长波融合图像数据集Data＝{(I
m1
,I
l1
),(I
m2
,I
l2
),
…
(I
mn
,I
ln
)}，其中I
m
表示中波图像，I
l
表示长波图像；步骤2：将数据集分为两组Data
train
和Data
test
，Data
train
图像作为训练样本，Data
test
作为测试样本；步骤3：构建深度学习网络，深度学习网络输入为步骤2训练集的中波、长波图像，输出为像素级图像融合方法融...

【专利技术属性】
技术研发人员：李少毅，杨曦，林健，孙扬，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：