[发明专利]基于能量最小化和梯度正则化的图像融合方法及装置

权利要求书

1.一种基于能量最小化和梯度正则化的图像融合方法，其特征在于，所述方法包括：

获取来自同一场景并进行图像配准的红外图像和可见光图像；

利用非下采样剪切波变换NSST算法对所述红外图像和所述可见光图像进行多尺度多方向分解得到低频子带系数和高频子带系数；

采用基于-能量最小化的优化模型作为所述低频子带系数的融合规则，利用基于-梯度正则化的优化模型作为所述高频子带系数的融合规则；

基于-能量最小化的优化模型，表达式如下：

其中C^IR_l,k(i,j)代表在(i,j)处的最终低频分量融合系数，C^IR_l,k(i,j)与C^VI_l,k(i,j)分别代表红外图像与可见光图像的低频子带系数，l是分解层数，k是每层分解方向的数量，λ代表正则参数，||||₂代表-范数；

公式(1)的欧拉-拉格朗日方程为：

源图像对融合图像贡献的下表达式：

其中ω₁与ω₂代表权重参数，代表源图像对融合图像的贡献；

将公式(2)与(3)相互结合得到公式(1)的解为：

其中λ为一种函数，表示源图像灰度值的变化而变化，表征IR图像的空间信息分布，表达式如下所示：

其中IR(i,j)表示红外图像中像素(i,j)的强度值，p表示像素强度，M_p表示其强度等于p的像素的数量，并且L是灰度级的数量；

利用基于-梯度正则化的优化模型作为高频子带系数的融合规则，表达式如下：

其中D_l,k(i,j)为融合图像在(i,j)处的高频子带系数，D^IR_l,k(i,j)与D^VI_l,k(i,j)分别为红外图像与可见光图像的高频子带系数，l是分解层数，k是每层分解方向的数量，α为正则化参数，|| ||₂代表-范数，|| ||₁代表-范数；

公式(6)的欧拉-拉格朗日方程为：

其中div代表散度算子；

引入时间变量t，得到公式(8)对应的梯度下降流为：

设置方程参数的初始化，对于边界条件采用边缘重复扩展处理：

其中k为迭代次数，Δt为时间步长；

将公式(9)带入到公式(10)中获得D_l,k(i,j)的平稳解：

采用公式(12)对公式(11)进行迭代得到D_l,k(i,j)的最终解，表达式如下：

利用NSST逆变换重构低频子带系数与高频子带系数形成融合图像。

2.根据权利要求1所述的基于能量最小化和梯度正则化的图像融合方法，其特征在于，所述获取来自同一场景并进行图像配准的红外图像和可见光图像，包括：

分别获取同一场景的红外图像和可见光图像；

对红外图像和可见光图像进行特征提取得到特征点，通过进行相似性度量找到匹配的特征点对，通过匹配的特征点对得到图像空间坐标变换参数，由坐标变换参数进行红外图像和可见光图像的图像配准。

3.根据权利要求1所述的基于能量最小化和梯度正则化的图像融合方法，其特征在于，所述利用非下采样剪切波变换NSST算法对所述红外图像和所述可见光图像进行多尺度多方向分解得到低频子带系数和高频子带系数，包括：

利用非下采样剪切波变换NSST算法对所述红外图像和所述可见光图像进行多尺度多方向分解得到低频子带系数和高频子带系数，其中l是分解层数，k是每层分解方向的数量，(i,j)代表像素元的位置，IR代表红外图像，VI代表可见光图像。