[发明专利]一种图像融合方法

说明书

技术领域

本发明属于图像处理领域，尤其涉及一种图像融合方法。

背景技术

图像融合是图像处理领域中的经典问题，把来自各个传感器关于同一目标的多幅源图像整合成一幅质量更高的图像。小波变换能够实现对图像的多尺度分解且具有时频域局部化特性，可较好地提取并保留对视觉起关键作用的细节信息，因而成为较常用的图像融合方法，但由于传统的小波变换方向选择性十分有限，不能实现对图像的轮廓和边缘细节的最佳稀疏表示；另外由于其不具备平移不变性，使得对信号的微小平移都非常敏感，从而影响图像融合的效果。

Contourlet变换不仅保留了小波变换的多尺度特性，而且可以在不同尺度不同方向上以稀疏的形式表达图像，在图像融合中取得了良好的效果，但使用CT分解图像过程中有下采样操作，不具备平移不变性，会使融合图像在边缘处出现伪吉布斯现象。

发明内容

为了解决上述问题，本发明提供一种图像融合算法，首先将源图像经过双树复小波变换分解后得到低频系数及高频系数，对于低频系数，提出了自适应加权融合法，对于数据量较大的高频系数，提出了压缩采样-脉冲耦合神经网络融合法，最后对融合系数进行双树复小波变换逆变换，得到融合图像；该方法可以有效地提高图像融合的计算效率和质量。

本发明一种图像融合方法是按照以下步骤操作：

步骤1：对图像A和图像B做双树复小波变换，得到低频系数和高频系数；

步骤2：对低频系数和高频系数做滤波处理；

步骤3：对低频系数做自适应加权融合；

步骤4：对高频系数做压缩采样-脉冲耦合神经网络融合；

步骤5：对融合后的低频系数组和高频系数组做双树复小波变换，得到融合的图片C。

所述步骤3中的自适应加权融合是按照以下步骤操作：

步骤3-1：分别计算图像A和图像B低频3×3区域能量；

步骤3-2：分别计算图像A和图像B低频5×5区域平均梯度；

步骤3-3：计算加权系数μ；

步骤3-4：计算低频融合系数L_C。

所述步骤4中的压缩采样-脉冲耦合神经网络融合是按照以下步骤操作：

步骤4-1：对高频系数H_A和H_B分别压缩采样，得到采样系数y_A和y_B；

步骤4-2：对测量采样系数y_A和y_B进行融合，得到融合系数y_F；

步骤4-3：利用正交匹配追踪方法对y_C进行重建,进而得到高频融合系数H_C。

本发明具有的有益效果：本发明提出一种图像融合防范，可以在不同尺度多个方向上描述图像，能捕获源图像更丰富的边缘细节及纹理信息，根据高频、频系数择不同的融合方法，低频系数采用应加权融合方法；对于数据量较大的高频系数采用了压缩采样-脉冲耦合神经网络融合，该融合方法能够有效、准确地选择融合系数，能够在多聚焦图像融合、医学图像融合上达到较好的客观指标和视觉效果，还可以适用于其他类型图像，红外和可见光图像融合、遥感图像融合等。

具体实施方式

以下所示实施例的具体实施方式，对本发明的上述内容再作进一步的详细说明。

本发明一种图像融合方法是按照以下步骤操作：

步骤1：对图像A和图像B做双树复小波变换，得到低频系数L_A、L_B和高频系数H_A、H_B；

步骤2：对低频系数和高频系数做滤波处理，；

步骤3：对低频系数做自适应加权融合；

步骤3-1：分别计算L_A、L_B低频3×3区域能量，计算公式如(1)；

其中，Q为A或者B，表示图像A或者图像B，L_Q(i，j)表示在处低频系数；

步骤3-2：分别计算图像A和图像B低频5×5区域平均梯度，计算公式如(2)；

其中，Q为A或者B，表示图像A或者图像B，△L_QX(i,j)、△L_QY(i,j)分别为L_Q(i，j)在X，Y方向上的一阶差分；

步骤3-3：计算加权系数μ，计算公式如(3)；