[发明专利]基于局部处理卷积字典学习的可见光与红外图像融合方法

说明书

本发明公开了一种基于局部处理卷积字典学习的可见光与红外图像融合方法，包括以下步骤：源图像分解；低通分量融合；细节分量融合；图像重建。本发明的优点是：解决了全局卷积稀疏编码问题，又克服融合图像模糊的缺陷。实验结果表明，所提方法在主观和客观评价上都优于其他对比方法，相比于深度学习融合算法，本发明在客观评价指标Q^AB/F,Q^e和Q^p上分别平均提高5.18％，5.02％和4.77％，较好地表达了源图像的全局信息，又保留了局部细节。

技术领域

本发明涉及图像融合技术领域，特别涉及一种基于局部处理卷积字典学习的可见光与红外图像融合方法。

背景技术

热红外图像根据自身的成像原理，可将背景与监测目标区分开来，这对于全天候以及夜间监测具有很好的效果，然而所获得可见光图像清晰度低且模糊，识别度很低；相反，可见图像可提供具有高空间分辨率和清晰度的纹理细节，但是在夜间或者有遮挡物的情况下，不能够很好的监测到目标。因此，通过融合技术手段，既可达到可见光的高分辨，又具有热红外图像的热辐射信息。

近年来，红外和可见光融合算法迅速发展，国内外学者提出许多新颖有效地融合算法。目前以多尺度变换，稀疏域，深度学习等融合方法最为活跃。基于多尺度变换的方法是图像融合中，它假定图像将由不同颗粒中的各个层表示。这些方法将源图像分解为多个级别，将特定的图层与特定规则融合在一起，并相应地重建目标图像。基于稀疏域的方法是基于图像的表示形式，该图像在超完备字典中具有稀疏基的线性组合，这是其良好性能的关键。基于深度学习的融合方法使用各类神经网络的优越性，使融合算法具有较强的适应性和抗噪声能力。但是，上述几种流行的融合算法仍然存在某些问题：基于多尺度变换的方法过度依赖预定义的变换、相应的分解和重构级别，然而目前仍没有标准用于评估这些转换和级别，盲目选择转换易降低融合性能；基于传统稀疏域的方法来构建具有目标数据良好表示的合适的超完备字典仍然很困难；基于深度学习的融合方法需要设计适当的神经网络并调整相应参数。

发明内容

本发明针对现有技术的缺陷，提供了一种基于局部处理卷积字典学习的可见光与红外图像融合方法，将源图像分解为低通部分和细节内容；我们使用最大值策略来获得融合后的低通部分，而对于细节部分，使用学习过局部处理卷积字典和卷积稀疏编码；通过融合低通部分和细节内容来重建获得最终的融合图像；解决了现有技术中存在的缺陷。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于局部处理卷积字典学习的可见光与红外图像融合方法，包括以下步骤：

步骤1，将得到的远红外图像A和源可见光图像B通过快速傅里叶低通分解，分解为低通分量L_A和L_B，以及细节分量H_A和H_B；

步骤2，低通分量{L_A,L_B}通过最大值策略进行融合，如式(1)，得到低通分量L_F；

L_F＝max{L_A,L_B} (1)

步骤3，细节分量{H_A,H_B}首先通过卷积稀疏编码获得各自的稀疏系数，如式(2和式(3)，然后对稀疏系数进行取最大值，如式(4)，最后将获得的系数与所学习的卷积字典进行卷积获得最终的融合图像细节分量H_F，如式(5)；