[发明专利]基于梯度域导向滤波和改进PCNN的图像融合方法

说明书

本发明涉及一种基于梯度域导向滤波和改进PCNN的图像融合方法，属于图像处理领域。首先，根据图像的结构、清晰度以及对比度显著性这三个互补的图像特征对源图像进行检测，得到初始决策图，此决策图模型能够有效、准确地度量特征的显著性，大大提高方法的性能；然后，为了充分利用图像的空间一致性，同时抑制图像中的块效应，采用梯度域导向滤波对初始决策图进行优化，得到优化决策图；其次，对优化决策图和待融合图像进行加权操作，得到最优决策图；最后，为了使融合的图像更符合人眼的视觉特性，采用改进的PCNN对优化的决策图进行处理，得到最终的融合图。本发明解决了传统图像融合方法的方法复杂、效率低以及过度依赖人工设计的问题，同时图像的融合质量进一步提高。

技术领域

本发明属于图像处理领域，具体涉及一种多源图像融合方法，可以应用于各种民用的图像处理系统。

背景技术

图像融合是指利用一定的技术将两幅或者多幅多源图像的重要信息进行合并的过程，目的是使所获得的融合图像能够充分利用不同源图像信息，以便更准确全面描述场景信息。作为图像融合技术中一个重要组成部分，红外与可见光图像融合后的图像清晰度更高、信息量更大、获取目标和场景的信息更全面且更适合人类视觉感知，已经在军事、工业和民用等领域得到应用。在民用领域中，将红外与可见光融合技术应用在汽车夜视系统中，可以提高汽车在浓雾、大雨等恶劣天气条件下行车的安全性。

近年来，由于深度学习在计算机视觉与图像处理领域中取得的相关成果，使得许多学者开始研究将深度学习应用到图像融合方面。文献“Li S,Kang X,Hu J.Image Fusionwith Guided Filtering[J].IEEE Transactions on Image Processing,2013, 22(7):2864-2875.”提出了一种基于引导滤波的方法，它能以高计算效率获得更好的结果。然而，该方法通过拉普拉斯算子直接生成像素显著度来构造最终的融合权重图，并不能很好地表示源图像视觉上可辨别的特征。此外，由于引导滤波器使用局部线性模型，不能在某些边缘附近很好地表示图像从而产生光晕伪影。文献“江泽涛，吴辉，周晓玲.基于改进引导滤波和(Dual Channel Spiking Cortical Model，DCSCM)DCSCM 的红外与可见光图像融合方法[J].光学学报,2018,32(2):021002.”则将改进的导向滤波与DCSCM相结合，提出了一种融合方法，但该方法中引导滤波权重因子为常数，容易导致图像在边缘处细节信息模糊。针对上述文献存在问题，本发明提出基于梯度域导向滤波和改进的脉冲耦合神经网络(Gradient Domain Guided Filter and improved Pulse Coupled Neural Network，GDGF-PCNN)的融合方法。

发明内容

要解决的技术问题

针对融合方法所获得的融合图像产生光晕伪影以及对比度低的问题，充分利用导向滤波器的边缘平滑和边缘梯度保持特性以及(pulse coupled neural network，PCNN)PCNN模型的利于视觉感知的特点，提出一种基于梯度域导向滤波和改进的脉冲耦合神经网络(Gradient domain guided filter and improved PCNN，GDGF-PCNN)的融合方法，较好的保留了图像的边缘、纹理和细节信息，避免了目标边缘的光晕伪影现象，而且更利于视觉观察，达到了很好的融合效果。

技术方案

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：