[发明专利]基于梯度域导向滤波和改进PCNN的图像融合方法

权利要求书

1.一种基于梯度域导向滤波和改进PCNN的图像融合方法，其特征在于步骤如下：

步骤1：多视觉特征的初始决策图构造

首先，将源图像I_n进行高斯滤波，得到包含强度变化的近似分量然后将源图像与近似分量相减得到包含细节信息的细节分量表达式如下：

式中*表示卷积操作，G_r,σ表示大小为(2r+1)×(2r+1)，标准差为σ的高斯滤波器；

将输入图像的多视觉特征初始决策图分为三个关键评价特征进行构造：清晰度决策图、对比度决策图以及结构显著性决策图：

1)清晰度决策图

源图像I_n的清晰度的数学表达式为：

式中表示拉普拉斯算子，其数学表达式为：

图像的清晰度决策图表示为：

式中N表示源图像数量，表示像素为k时的清晰度值；

2)对比度决策图

源图像I_n的局部对比度的数学表达式为：

式中表示以(x,y)为中心的窗口的均值，p×q表示窗口大小；然后，对局部对比度LC_n进行局部加权得到对比度图：

CS_n＝LC_n*G_r,σ (7)

图像的对比度决策图表示为：

式中N表示源图像数量，表示像素为k时的对比度值；

3)结构显著性决策图

基于局部窗口W的梯度协方差矩阵表示为：

式中I_x(X)和I_y(X)分别表示点X＝(x,y)沿x和y方向的梯度，为了得到图像的局部结构描述，对上式进行特征值分解：

式中和为矩阵C的特征值；

图像结构显著性的定义为：

式中α用于确定结构中边角的重要性，α＞-1；

图像的结构显著性决策图表示为：

式中N表示源图像数量，表示像素为k时的结构显著性值；

步骤2：基于梯度域导向滤波的决策图优化

将GDGF应用于步骤1中每个基于视觉特征的决策图D_1,n、D_2,n和D_3,n，将相应的源图像I_n的近似分量和细节分量作为引导图像以生成每个特征的最优决策图，即：

式中r₁和r₂为GDGF的参数，m＝(1,2,3)；

通过结合三个特征的决策图，得到源图像的优化决策图，即：

式中和表示得到的近似分量和细节分量的决策图；

对得到的近似分量和细节分量的决策图进行加权处理，得到最终的融合分量，即：

最后，将融合的近似分量和细节分量相加得到最优决策图，即：

步骤3：基于改进PCNN的融合权重图构造

将最优决策图S送入到改进的PCNN中，改进的PCNN的具体实施步骤如下：

(1)对于PCNN网络，网络中的任何神经元由N(i,j)表示，其中i和j表示N(i,j)的位置坐标，将PCNN应用于图像处理，PCNN的大小等于二维图像的输入大小，即像素点与神经元一一对应，因此，将网络的最优决策图S归一化到[0,1]范围中；

(2)分别初始化PCNN网络的内部激活状态U_ij＝0，网络输出Y_ij＝0以及n＝1，网络的动态阈值的初值T_ij由公式(20)计算得到：

上式中，S_max表示最优决策图S中的最大值，S_kl表示与Y_kl对应迭代次数的输入，La表示拉普拉斯算子；

(3)分别利用公式(21)-(25)计算F_ij[n]反馈输入、L_ij[n]链接输入，U_ij[n]内部激活状态、动态阈值T_ij[n]、Y_ij[n]输出以及R_ij最终的输出：

F_ij[n]＝S_ij[n] (21)

U_ij[n]＝F_ij[n](1+βL_ij[n]) (22)

式中，β表示连接系数，α_T表示T_ij[n]的衰减时间常数，V_T分别表示T_ij的固有电压；

(4)如果公式(24)中计算得到Y＝0，则进行下一步计算；如果Y≠0，则令n＝n+1，然后退回到上一步进行循环；

(5)根据公式(25)计算改进PCNN的输出R，并将R归一化到[0,1]，即：

(6)最后，将上一步得到的R与门限值进行比较，得到一个融合映射图F_m；

步骤4：图像融合

计算融合映射图F_m和源图像I_ij之间的差的绝对值，表达式如下：

如果则选择位置(i,j)处的源图像I^A的像素作为融合图像对应位置的像素值；如果则选择位置(i,j)处的源图像I^B的像素作为融合图像对应位置的像素值；否则，选择位置(i,j)处的最优决策图S_ij的像素作为融合图像对应位置的像素值：

。