[发明专利]基于NSST和自适应双通道PCNN的图像融合方法及装置

权利要求书

1.一种基于NSST和自适应双通道PCNN的图像融合方法，其特征在于，所述方法包括：

获取来自同一场景且进行图像配准的红外图像和可见光图像；

利用局部非下采样剪切变换NSST对红外图像和可见光图像进行多尺度分解分别得到低频子带系数和高频子带系数；

分别计算低频子带系数的改进拉普拉斯能量INSML和以及高频子带系数的改进平均梯度IAVG作为自适应双通道PCNN模型的外界刺激；

分别将分解后的低频子带系数和分解后的高频子带系数输入到含有三重链接强度的自适应双通道PCNN模型中得到低频融合系数和高频融合系数；

利用NSST逆变换重构低频融合系数和高频融合系数得到融合图像。

2.根据权利要求1所述的基于NSST和自适应双通道PCNN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2所述的基于NSST和自适应双通道PCNN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分解得到低频子带系数和高频子带系数，包括：

利用非采样剪切变换NSST分别对所述红外图像和所述可见光图像进行多尺度分解分别形成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。

4.根据权利要求1所述的基于NSST和自适应双通道PCNN的图像融合方法，其特征在于，所述分别计算低频子带系数的改进拉普拉斯能量INSML和以及高频子带系数的改进平均梯度IAVG作为自适应双通道PCNN模型的外界刺激，包括：

计算改进的拉普拉斯能量ISML作为低频子带的PCNN外界刺激，具体表达式如下：

其中表示低频子带分解系数，l表示分解层数，k表示各层的分解的方向数；W(a,b)代表加权模板，取3×3窗口；INSML(i,j)是改进的拉普拉斯能量和算子，它能有效地反应低频子带图像的边缘能量特征；

采用改进的平均梯度作为高频子带的PCNN外界刺激，具体表达式如下：

其中表示高频子带分解系数，IAVG(i,j)作为图像的梯度特征。