[发明专利]基于联合双边滤波和非下采样剪切波的图像融合算法

说明书

本发明提供基于联合双边滤波和非下采样剪切波的图像融合算法，能够对来自不同传感器的遥感图像数据进行信息处理、分析，从而获得兼具不同来源的遥感图像的特征信息。处理过后的图像通常情况下比起源遥感图像的信息更丰富、更全面、更加符合人眼的视觉特性或机器的信息处理方式，以便于后续处理和更好地满足应用要求。

技术领域

本发明涉及图像融合技术领域，尤其涉及基于联合双边滤波和非下采样剪切波的图像融合算法。

背景技术

目前的遥感图像在城市规划、环境监测和军事防御等领域中发挥着重要作用，因此遥感图像的融合已经吸引了世界上越来越多的研究者，成为领域热点。由于在同一区域中的遥感图像的入射波长不同，多频带遥感图像具有显着的差异。高频带遥感图像可以提供场景的整体视图，其类似于光学成像，而低频带遥感图像相对黯淡，但具有更深的渗透。融合不同频带的遥感图像可以增强地面对象的识别和观察，像素级图像融合算法主要可以分为两类：基于多尺度变换(MST)、基于稀疏表示(SR)、基于深度学习。人眼是在不同的尺度上处理接收到的视觉信息并且对细节信息非常敏感，而基于多尺度变换 (MST)的融合算法将源图像分解到不同尺度、不同分辨率上，得到包含图像能量信息的低频分量和主要是图像细节信息的高频分量，并在低频和高频分量上依据不同的融合规则进行图像融合，最后通过多尺度重构获取融合图像。换句话说，基于MST的算法处理图像信息方式与人类视觉系统(HVS)的视觉感知方式高度相似。然而，基于多尺度分解重构的融合方法有其自身的先天缺陷，在分解重构这一过程中总是难免会丢失一些有用信息，从而导致图像融合性能无法实现最佳。基于稀疏表示(SR)的算法主要分类两类：固定词典和基于词典学习。然而，固定字典依赖于特定的变换，而且只有有限的变换能够满足图像内容和应用的多样性。不仅如此，固定字典还存在耗时和计算复杂的缺点。而基于词典学习的方法则会出现颜色失真的问题。

目前，深度学习也被广泛应用于图像融合领域。据研究，基于卷积神经网络(CNN)的融合算法比传统的算法具有更大的研究潜力，是最适合图像融合的架构。但基于深度学习的算法不仅对数据集的需求量大，计算还复杂、耗时的，参数设置繁琐。

本发明为更好的提高多频带遥感图像融合算法的融合性能，提出基于联合双边滤波和非下采样剪切波的图像融合算法，

发明内容

鉴以此，本发明的目的在于提供基于联合双边滤波和非下采样剪切波的图像融合算法，以至少解决以上问题。

本发明采用的技术方案如下：

基于联合双边滤波和非下采样剪切波的图像融合算法，包括以下步骤：

S1:将多源遥感图像进行非下采样剪切波变换分解，获得高频分量图像；

S2:通过联合双边滤波模型对多源遥感图像进行双尺度分解为能量层多源遥感图像和结构层多源遥感图像；

S3:将能量层多源遥感图像进行融合,形成能量层融合图像；

S4:将高频分量图像进行融合,形成高频分量融合图像；

S5:将能量层融合图像作为低频分量与高频分量融合图像进行非下采样剪切波逆变换得到最终的融合图像；

S6:通过客观评价指标评价基于联合双边滤波和非下采样剪切波的图像融合算法的性能。

进一步的，在步骤S1中，在将多源遥感图像进行非下采样剪切波变换分解时，使用最大规则获得高频分量图像。

进一步的，在步骤S3中，在将能量层多源遥感图进行融合时使用Abs-Max 准则，并且将能量层多源遥感图像的像素绝对值作为像素的活跃度。

进一步的，在步骤S2中，在通过联合双边滤波模型对多源遥感图像进行双尺度分解之前，对多源遥感图像进行平滑处理和高斯滤波处理，平滑处理的计算公式如下：