[发明专利]基于潜在低秩表示嵌套滚动引导图像滤波的图像融合方法

权利要求书

1.一种基于潜在低秩表示嵌套滚动引导图像滤波的图像融合方法，其特征在于，包括以下步骤：

步骤1：利用潜在低秩表示将待融合的红外图像和可见光图像分别进行分解，得到所述红外图像的低秩子层IR_lrr和显著性子层IR_sal以及所述可见光图像的低秩子层VIS_lrr和显著性子层VIS_sal；

步骤2：利用滚动引导图像滤波分别对低秩子层IR_lrr和低秩子层VIS_lrr进行多尺度分解，得到对应的多个细节层图像；

将低秩子层IR_lrr对应的多个细节层图像进行相加处理后得到图像I_{D_IR}，将低秩子层VIS_lrr对应的多个细节层图像进行相加处理后得到图像I_{D_VIS}，再将图像I_{D_IR}和图像I_{D_VIS}输入到CNN网络中，得到相应的权重映射；

根据所述权重映射对图像I_{D_IR}和图像I_{D_VIS}进行加权合并，得到增强图层D_f；

其中，利用滚动引导图像滤波分别对低秩子层IR_lrr和低秩子层VIS_lrr进行多尺度分解，得到对应的多个细节层图像的过程包括以下步骤：

按照如下的基于滚动引导图像滤波的多尺度分解公式分别对低秩子层IR_lrr和低秩子层VIS_lrr进行多尺度分解：

I_D^j＝I_B^j-1-I_B^j＝I_B^j-1-RGIF(I_B^j-1,σ_s^j,σ_r,H)，j＝1,2...,N (2)

其中，I_D^j为多尺度分解后的第j层的细节层图像，I_B^j为多尺度分解第j层的基础层图像，I_B⁰为未经分解的首次输入图像，RGIF(·)表示滚动引导图像滤波的迭代引导滤波算子，为第j层的正则化参数，σ_r为滤波窗口半径，H为迭代次数，N为多尺度分解的层数；

滚动引导图像滤波的迭代引导滤波算子RGIF(·)的计算过程如下：

利用高斯滤波器对当前的输入图像I进行小结构平滑，并且高斯滤波器的输出图像G作为下一步的引导图像；

为保证引导图像G与引导图像滤波后的输出图像之间的局部线性关系，求解输入图像I与引导图像滤波后的输出图像q之间的成本函数的最优解，确定最优线性系数，并根据所述最优线性系数得到引导图像滤波后的输出图像q，该图像将作为下一步引导图像滤波的引导图像，此时，输入图像仍然为I，反复迭代H次后得到经过滚动引导图像滤波的基础层图像I_B＝RGIF(I,σ_s,σ_r,H)；

步骤3：利用基于改进的视觉显著映射的加权引导图像滤波算法对低秩子层IR_lrr和低秩子层VIS_lrr进行融合，得到低秩子层融合图像B_f；步骤3包括以下步骤：

步骤31：确定低秩子层IR_lrr和低秩子层VIS_lrr中每个像素的显著性值，得到低秩子层IR_lrr和低秩子层VIS_lrr分别对应的视觉显著性映射图；

步骤32：将步骤31得到的两幅视觉显著性映射图进行逐像素的显著性值大小比较，显著性值较大的像素的初始权重映射值设置为1，反之设置为0，完成全部像素的比较之后得到对应的初始权重映射图；

步骤33：分别以低秩子层IR_lrr和低秩子层VIS_lrr作为引导图像，以其对应的初始权重映射图作为输入图像，利用引导图像滤波算法分别对初始权重映射图进行优化，得到对应的最终权重图；

步骤34：利用逐像素加权融合策略对步骤33得到的最终权重图进行融合，融合后得到低秩子层融合图像B_f；

步骤4：利用基于金字塔分解的区域能量特征自适应加权融合方法对显著性子层IR_sal和显著性子层VIS_sal进行融合，得到显著性子层融合图像S_f；步骤4包括以下步骤：

步骤41：分别对显著性子层IR_sal和显著性子层VIS_sal进行拉普拉斯金字塔分解，得到对应的分解层L_A^l和分解层L_B^l；

步骤42：分别计算分解层L_A^l和分解层L_B^l中以某一像素(m,n)为中心的局部能量特征，得到对应的局部能量特征E_A^l和局部能量特征E_B^l；

步骤43：计算局部能量特征E_A^l和局部能量特征E_B^l之间的能量相似度M_AB^l(m,n)，并将能量相似度M_AB^l(m,n)与阈值th进行比较以及对局部能量特征E_A^l和局部能量特征E_B^l进行比较，根据比较结果确定融合系数；

步骤44：根据步骤43确定的融合系数对分解层L_A^l和分解层L_B^l进行加权融合，得到分解层融合图像L_F^l(m,n)，最后通过拉普拉斯逆变换重建显著性子层融合图像S_f；

步骤5：将增强图层D_f、低秩子层融合图像B_f和显著性子层融合图像S_f进行相加重构，得到最终的融合图像F＝B_f+D_f+S_f。