[发明专利]一种基于Tetrolet变换的近红外与彩色可见光图像融合算法

说明书

本发明提供了一种基于Tetrolet变换的近红外与彩色可见光图像融合算法，属于图像处理技术领域，用于解决近红外与彩色可见光图像融合后对比度低、细节不清晰的问题。首先将彩色可见光图像转换到HSI空间，将其亮度分量与红外图像分别进行Tetrolet变换，得到低频和高频子带系数；其次，针对低频子带系数提出一种期望最大的低频系数融合规则，针对高频子带系数提出一种自适应的PCNN模型作为融合规则；经过Tetrolet逆变换得到融合后的亮度图像；然后，提出了一种饱和度分量拉伸方法；最后，将处理后的各个分量反向映射到RGB空间，完成图像融合。本方法得到的融合图像，细节清晰，颜色饱满，色彩对比度得到明显提升。

技术领域

本发明属于图像处理技术领域，涉及一种近红外与彩色可见光图像融合算法，特别是一种基于Tetrolet变换的近红外与彩色可见光图像融合算法。

背景技术

图像融合是将多传感器获取的多个源图像融合在一起，融合后的图像包含源图像所有重要特征。有效地降低了图像信息的不确定性，达到了增强图像信息的目的，扩展了图像信息的内容。融合图像具有源图像的全部特征信息，更适用于后续的识别处理和研究。红外和可见光图像融合技术可以将红外图像中的热辐射目标信息和可见光图像中的场景信息结合起来，因此本研究在军事和民用领域具有重要意义。在图像融合过程中，近红外与彩色可见光图像融合后会存在对比度低、细节不清晰的问题。

国内外有很多学者进行图像融合算法的研究，2010年，Jens Krommweh提出了Tetrolet变换，它是由自适应Haar小波变换发展起来的稀疏图像表示方法，具有良好的方向性结构，能够表达图像的高维纹理特征，并具有高稀疏性，更适合在图像融合中作为融合框架。Nemalidinned提出了一种基于PCNN的红外与可见光与图像融合方法，低频分量采用脉冲耦合神经网络(PCNN)进行融合，该神经网络经和修正拉普拉斯激励，以保持两个源图像中的最大可用信息。高频分量采用基于能量的局部对数Gabor融合规则，取得了良好的融合效果。Cheng提出了一种新的基于自适应双通道单元的红外与可见光图像融合框架，将脉冲耦合神经网络与奇异值分解(ADS-PCNN)应用到图像融合中，使用高频分量和低频分量的图像平均梯度(IAVG)分别刺激ADS-PCNN，解决了红外与可见光图像之间光谱差异大、融合图像中容易出现黑色伪影的问题。将局部结构信息算子(LSI)作为增强融合精度的自适应连接强度，对每个源图像进行局部奇异值分解，自适应地确定迭代次数。

发明内容

本发明的目的是针对现有的技术存在上述问题，提出了一种基于Tetrolet变换的近红外与彩色可见光图像融合算法，该装置要解决是：近红外与彩色可见光图像融合后对比度低、细节不清晰的问题。

本发明的目的可通过下列技术方案来实现：

一种基于Tetrolet变换的近红外与彩色可见光图像融合算法，包括如下步骤：

步骤一：将可见光图像从RGB空间转换到HSI空间，分别得到色度I_H分量、饱和度I_S分量和亮度分量I_b；

步骤二：处理图像低频子带系数,对亮度分量I_b和红外图像I_i分别进行Tetrolet变换，得到相应的低频系数与和高频系数与对低频系数与采用期望最大算法进行融合，得到融合后的低频系数处理图像高频子带系数，对高频系数与采用改进的自适应PCNN进行融合，得到融合后的高频系数对与进行Tetrolet逆变换，得到融合后的亮度图像I_f；

步骤三：对饱和度I_S分量进行非线性拉伸，得到拉伸后的饱和度分量I'_S；

步骤四：用I_H、I'_S、I_f替换原来的色度I_H分量、饱和度I_S分量和亮度分量I_b，然后反向映射到RGB空间，得到最终的融合图像。