[发明专利]一种基于小波域统计信号的图像融合处理方法

说明书

技术领域

本发明涉及一种基于小波域统计信号的图像融合处理方法，属于图像处理的技术领域。

背景技术

图像融合处理方法利用从同一场景获得的多幅初始图像之间信息的冗余性和互补性，最终得到一幅综合之前多幅初始图像优点的内容丰富的融合图像。其中，数码成像时对多聚焦图像的融合是融合处理方法的主要应用之一。

在图像融合处理方法中，基于小波变换的融合处理方法是其中很重要的一类，并已经得到广泛应用。由于人眼视觉系统是在不同尺度上处理接收到的视觉信号，而且对细节信息非常敏感，基于小波变换的图像融合处理方法就是针对上述特性，将图像分解到多个尺度上，并对低频能量和高频细节分别进行处理，从而达到比其他融合处理方法更好的融合效果。其中，基于小波域统计信号的融合处理方法，将待融合的一组初始图像建模为被“模糊”的真实图像与非高斯噪声之和，再利用估计理论估计出真实图像(即融合图像)。

尽管小波变换通常被认为是“去相关”变换，但Crouse证实了小波系数之间存在着一定的相关性，它表现为尺度内的聚集性和尺度间的持续性。小波域隐马尔可夫树模型能够充分反映小波系数在尺度内和尺度间的相关性，利用这个模型的树状结构，使用期望最大的迭代算法，可以更准确估计出融合图像。

Blum提出初始图像的高频小波系数形成模型的“模糊因子”为离散值-1，0，1，这使得期望最大算法中迭代时更新“模糊因子”的步骤略为复杂。同时，在某些场景下，“模糊因子”的离散取值显得较为单一。

发明目的

本发明的目的是提出一种基于小波域统计信号的图像融合处理方法，根据待融合的初始图像的成像特点，使用连续的“模糊因子”，并且在期望最大算法更新“模糊因子”时使用显式更新方法，以此减少图像处理的运算量。

本发明提出的基于小波域统计信号的图像融合处理方法，包括以下步骤：

(1-1)对待融合的一组初始图像中的每个图像分别进行N层小波分解，分别得到每个初始图像的低频尺度系数和每个初始图像在水平方向、垂直方向和对角方向上的N层高频小波系数；

(1-2)对初始图像的上述低频尺度系数进行加权融合，对显著性高的图像尺度系数赋予大的权值，得到融合的低频尺度系数；

(1-3)设各初始图像的高频小波系数为“模糊”的真实图像的高频小波系数与非高斯噪声之和，对上述初始图像在水平方向、垂直方向和对角方向上的N层高频小波系数分别建立隐马尔可夫树模型，使用期望最大的迭代算法对真实图像的高频小波系数进行估计，得到融合的高频小波系数；

(1-4)将上述融合的低频尺度系数和融合的高频小波系数进行小波逆变换，得到融合图像。

上述方法中，步骤(1-2)对初始图像的低频尺度系数进行加权融合的方法，包括以下各步骤：

(2-1)设z_i为第i幅初始图像的低频子带位于坐标(u，v)处的尺度系数，则初始图像的尺度系数的显著性为：Ωi=Σs=-22Σt=-22p(s+3,t+3)[zi(u+s,v+t)]2,]]>其中，