[发明专利]一种基于NSST域IICM的多传感器图像融合方法

说明书

技术领域

本发明属于图像信息融合技术领域，具体涉及一种基于NSST域IICM的多传感器图像融合方法。

背景技术

图像融合是指针对不同传感器或同一传感器在不同工作模式下获取的关于同一场景的图像目标信息进行整合，充分利用各幅源图像中所包含的互补信息，以获取一幅内容更全面、信息更可靠的融合图像。图像传感器技术的飞速发展为人们提供了日益丰富的多传感器图像数据。然而，作为对立面，这些大量多角度、多层次的图像数据既存在互补性，又充斥着极大的冗余性和复杂性。因此，如何从这些兼有互补性和冗余性的多源海量数据中高效率地提取更可靠、更精炼、更准确的信息，已经成为图像融合领域迫切需要解决的热点问题。

近年来，国内外专家学者针对图像融合问题提出了诸多解决办法和研究途径，其中较为主流的方法主要有以下两类：一类是以非下采样轮廓波变换（NSCT）为代表的多尺度多分辨率分析方法；另一类是以第三代神经网络—脉冲耦合神经网络（PCNN）为代表的神经网络方法。针对前一类方法，虽然NSCT具有良好的图像处理性能，但其计算复杂度较高，难以适用于实时性要求较高的场合。为解决这一问题，Easley等人在研究图像特征最优逼近和图像稀疏表示的基础上提出了非下采样剪切波变换（NSST），与NSCT相比，NSST更能有效地捕捉图像的细节和特征信息，同时计算复杂度指标大幅降低，能够很好地应用于军事、医疗等实时性要求较高的实际场合。此外，交叉视觉皮层模型（ICM）作为经典PCNN的改进模型，具有良好的生物学背景和图像处理能力，然而，经典ICM模型中仍然存在待定系数较多，脉冲发放机制不明确的缺陷。

发明内容

针对上述现有技术中存在的缺陷或不足，本发明的目的在于，提供一种基于NSST域IICM的多传感器图像融合方法，该方法针对经典ICM模型提出其改进模型—IICM，一方面利用NSST完成多传感器源图像的多分辨率分析和最终融合图像的重构工作，另一方面采用IICM进行高、低频子带图像融合，从而使多传感器图像融合问题的合理解决。

为了达到上述目的，本发明采用如下的技术方案予以解决：

一种基于NSST域IICM的多传感器图像融合方法，该方法具体包括以下步骤：

步骤1，构建IICM模型，IICM模型的离散数学表达式如式1～式4所示：

F_ij[n]＝S_ij(1)

θ_ij[n]＝θ_ij[n-1]-Δ+hY_ij[n](3)

其中，下标ij为交叉视觉皮层神经元的定位标号；n为迭代次数，n的取值为非负整数；F_ij,S_ij,Y_ij,θ_ij分别是定位标号为ij的神经元的树突输入、神经元的外部输入、神经元的二值输出和动态阈值；S_ij采用图像中像素点对应的像素值；Δ为调整步长，取15；h为阈值幅度常数，取500；T为时间矩阵，其与神经元输出矩阵Y大小相等，其元素T_ij与Y_ij相联系，T_ij等于Y_ij为1时即神经元ij点火时所对应的迭代次数n的值；

步骤2，输入所有待融合的多传感器源图像，并对它们分别进行NSST变换，尺度分解级数为K，l_k为k尺度下的方向分解级数，其中1≤k≤K，每幅待融合多传感器源图像分别得到一幅低频子带图像和多幅高频子带图像；

步骤3，将所有高频子带图像和低频子带图像导入步骤1构建的IICM模型，根据预先设定的调整步长Δ，执行步骤3.1完成低频子带图像的融合，执行步骤3.2完成高频子带图像的融合；

步骤4，将步骤3获得的最终融合图像的高频子带图像和最终融合图像的低频子带图像进行NSST逆变换，得到最终融合图像。

进一步的，所述步骤3中步骤3.1的具体步骤如下：

根据待融合多传感器源图像的低频子带图像，利用式5确定调整步长Δ_{n_low}，并利用式1～式4将各幅待融合多传感器源图像对应的低频子带图像分别导入IICM模型，从最左上角的神经元开始运行，遍历所有低频子带图像，记录每幅低频子带图像的时间矩阵T中的对应元素值T_ij，并利用式6确定最终融合图像的低频子带图像fuse_low：