[发明专利]一种红外与可见光图像融合方法

权利要求书

1.一种红外与可见光图像融合方法，其特征是所述方法包括以下步骤：

(1)、利用多尺度保边滤波技术对红外与可见光图像多尺度分解，得到红外图像的细节层基础层BS_A和粗糙层以及可见光图像的细节层基础层BS_B，粗糙层

(2)、对红外与可见光图像的细节层图像以及对应的粗糙层图像利用参数自适应融合脉冲耦合神经网络融合得到融合后的细节层图像与粗糙层图像

(3)、对红外与可见光图像的基础层BS_A和BS_B利用显著性能量融合规则得到融合后的基础层图像BS；

(4)、对融合后的细节层图像粗糙层图像和基础层图像BS求和重构得到融合图像F；

步骤(1)采用一种多尺度保边滤波技术，该技术联合滑动窗口滤波器和高斯滤波器对输入图像进行快速提取各个尺度的不同特征信息；

步骤(2)通过改变PA-PCNN模型的输入参数值，以局部像素信息值作为输入点，更加适应于以提取细节信息的PA-PCNN模型；

步骤(1)中EPF域内的多尺度分解具体步骤为：

式(1-3):

其中，I∈{A，B}是输入图像，是经过第i次滑动窗口滤波后的图像，是经过第i次高斯滤波后的图像；

步骤(2)对细节层和粗糙层进行PA-PCNN融合具体步骤如下：

(1)在进行PA-PCNN之前，利用修正的细节拉普拉斯函数对细节层和粗糙层图像进行局部细节信息提取，提升细节层和粗糙层的融合质量；DSML函数表达式如下式(4-5)：

其中I是待输入处理的图像，R为I图像的尺寸大小，m和n分别为权重矩阵W横纵方向上的尺寸值，W矩阵初始化为

(2)将(1)预处理后的各尺度图像代入PA-PCNN模型进行融合，PA-PCNN的数学描述如下：

F_ij[n]＝S_ij[n]＝DSML_I (6)

α_f＝log(1/σ(S)) (11)

其中，DSML_I上一步预处理后的各个尺度图像，F_ij[n]和L_ij[n]分别为第n次迭代中(i,j)位置上的神经元的馈入输入和连接输入，S_ij为输入的图像，V_L为连接输入幅度，L_ij[n]为内部激励阈值，W_ijkl为突触权重常量，α_f为指数衰减系数，Y_ij[n]为着火条件，β为神经元的链接强度，α_e和V_E分别为模型输出E_ij[n]的指数衰减系数和幅度值；σ(S)为图像S的标准差，其取值范围为[0,1]，S'和S_max分别为输入图像的归一化阈值和图像最大强度；

步骤(3)对基础层进行EA融合具体步骤如下：

(1)利用基础层图像的平均值和中位值得到基础层图像的固有特性值：

P_A＝μ_A+Me_A (15)

P_B＝μ_B+Me_B (16)

其中，μ表示BS的平均值，Me表示BS的中位值；

(2)计算基础层图像各自的能量函数值：

其中，α表示调制参数；

(3)通过加权平均得到融合后的基础层BS：

步骤(4)图像重构的融合图像F由式(20)得到

F＝FSⁱ+CSⁱ+BS (20)。