[发明专利]基于人类视觉梯度转化和全变差参数自适应图像融合方法

说明书

基于人类视觉梯度转化和全变差参数自适应图像融合方法，属于图像融合技术领域。其实现的步骤是：将融合问题转化为TV‑Lsupgt;1/supgt;模型最小化问题，其中的数据保真项保存图像结构信息的主要强度分布，正则项保存图像纹理信息的梯度变化，通过数值迭代得到中间结果图像，再通过相加获得融合图像。为了保证算法求解的收敛性，分析了相关参数的取值范围，在模型参数选择方面，运用全局方差估计法自适应地选择调整参数，可以有效地保护图像特征并提高运算效率。本发明能充分整合源图像的结构和功能信息，有效保护图像细节，改善视觉效果，相比传统的融合方法极大地提高了融合图像的质量。

技术领域

本发明属于图像融合技术领域，涉及一种基于人类视觉梯度转化和全变差参数自适应图像融合方法，是图像处理技术领域的一项融合方法，在医疗、军事等各邻域中有广泛地应用。

背景技术

图像融合技术是图像处理领域的一个研究热点，并被广泛地应用于红外可见光图像处理、医学图像处理等领域。融合方法能够将各个传感器获取的同一场景的有用信息综合成一幅图像，从而能够给予比单一图像更确切、更全面、更可靠的图像信息。该技术充分利用了源图像中的冗余信息和互补信息，更符合人或机器的视觉特征，便于目标检测、辨别和跟踪。本发明提出了一种基于人类视觉(HVS)梯度转移和全变差参数自适应图像融合方法。

人类视觉系统(human visual system,HVS)的反应主要取决于背景亮度的局部变化，将其加入到正则项模型中，可以提高不同背景下的视觉效果。不同的梯度，在不同的背景亮度下会有不同的视觉效果，改进的梯度转化模型能加强融合图像边缘细节信息。

全变差(TV)模型中保真项能够保持目标的结构边缘特征，正则项能够保持图像中背景的梯度变化纹理细节信息，自适应参数能有效的平衡保真项和正则项的平滑。由于TV模型泛函最优化过程中正则项参数难以确定，提出了耦合梯度TV-L¹模型的参数自适应融合算法，运用定点迭代法和全局方差估算法获得自适应参数。可以有效的抑止“阶梯效应”，保留纹理和结构信息，并且具备高度收敛性。

本发明是一种基于HVS梯度转化和全变差参数自适应图像融合方法。为了确保算法的收敛性，对有关参数的范畴进行了分析。在模型参数选择方面，基于全局方差估计方法自适应地选择调整参数，制约了图像融合优化过程当中的可行域，保留了图像特性，提高了融合图像的质量。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于人类视觉(HVS)梯度转化和全变差参数自适应图像融合方法，解决已有的图像融合方法所得融合图像不能保持图像信息的同时有效地保持图像边缘的细节的问题，并充分整合不同图像的结构信息和功能信息，有效保护图像细节，改善其视觉效果，提高融合图像的质量。

本发明解决其技术问题所采用的技术方案如下：

基于人类视觉梯度转化和全变差参数自适应图像融合方法，首先对待融合的两幅源图像引入线性算子，将融合问题转化为TV-L¹模型最小化问题，然后构造定点迭代方程，接着利用共轭梯度法同步迭代求的最优解得到中间结果，最后通过中间结果与源图像整合得到最终的融合图像；具体包括以下步骤：

(1)对待融合的两幅源图像引入线性算子，将融合问题转化为TV-L¹模型最小化问题；

(1.1)这里我们用红外和可见光图像为例，给定一对对准的红外和可见光图像，我们的目标是产生一个融合的图像，同时保留了这两幅图像的热辐射信息和详细的外观信息。这里的红外、可见光和融合图像都是大小为w×h的灰度图像，它们的列向量形式分别表示为u,v,w∈IR^wh×1。

一方面，热辐射典型的特点是像素强度，这促使我们保持融合后的图像与给定的红外图像具有相似的像素强度分布，例如，下面的l^p的范数经验误差(p≥1)应尽可能小：