CN103578091A

CN103578091A - 一种基于拉普拉斯金字塔的红外偏振图像融合方法

Info

Publication number: CN103578091A
Application number: CN201310470037.6A
Authority: CN
Inventors: 岳振; 李范鸣; 牛继勇; 王宇; 马利祥
Original assignee: Shanghai Institute of Technical Physics of CAS
Current assignee: Shanghai Jiwei Photoelectric Technology Co., Ltd
Priority date: 2013-10-10
Filing date: 2013-10-10
Publication date: 2014-02-12
Anticipated expiration: 2033-10-10
Also published as: CN103578091B

Abstract

本发明公开了一种基于拉普拉斯金字塔的红外偏振图像融合方法，它主要用于红外红外辐射强度图像和偏振度图像融合。它可以对参与融合的每幅图像分别进行高斯金字塔分解，得到图像的各级高斯近似金字塔以及各级拉普拉斯金字塔，然后对高斯近似金字塔的顶层采用加权平均法进行图像融合，对拉普拉斯金字塔的各层，以局部领域平均梯度为判据，进行图像融合，然后对融合后的图像进行图像重构，得到最终的融合图像。本发明实现方法简单，运算速度快，经过测试表明，融合后的图像相对于红外辐射强度图像和偏振度图像有明显的提高。

Description

一种基于拉普拉斯金字塔的红外偏振图像融合方法

技术领域：

本发明属于图像探测与处理领域，具体涉及一种基于拉普拉斯金字塔的红外偏振图像融合方法。

背景技术：

复杂背景下的红外目标及红外伪装目标的探测与识别有其特殊性，复杂背景下和经过伪装的目标，目标与背景、真假目标之间的灰度差异较小，在红外辐射强度图像中难以分辨。尤其近年来，红外伪装技术迅速发展，红外伪装力求达到目标和背景以及真假目标之间的“同谱同色”，对红外系统提出了挑战。红外辐射是电磁波，辐射强度、偏振性、相位等都是红外辐射的重要特征。研究人员发现，红外辐射的偏振特性也可以用来探测和识别目标。而且基于红外偏振成像技术的目标探测和识别，在目标与背景之间，目标各部分之间灰度对比度较小时，可以发挥独特作用。

偏振成像引入了线偏振（S₁,S₂）、圆偏振（S₃）、偏振度P、偏振角θ等特征，增加了目标和探测识别的依据，丰富了红外图像的信息量。研究表明，在很多红外场景中，新引入的五维特征值图像中，总有特征图像中目标和背景的对比度比较适于目标探测，尤其是偏振度图像，可以较好的抑制背景噪声，对红外探测有着独特的优势。

偏振图像保留了原有的辐射强度信息（S₀），虽然偏振之后辐射的能量有所衰减，但基本特性得到保持，因此对偏振图像与红外辐射强度图像进行融合，可以优势互补，进一步增强系统的探测能力。

发明内容：

针对红外偏振图像融合的不足，本发明提出一种基于拉普拉斯金字塔的红外偏振图像融合方法，事实表明用此方法得到的红外融合图像效果有明显提高。并且它经过修改之后可以方便的应用其它类的图像融合。

实现本发明的技术解决方案为：一种基于拉普拉斯金字塔的红外偏振图像融合方法，拉普拉斯金字塔可以根据需要分解为n层，经测试，n取3-5为佳，步骤如下：

1.一种基于拉普拉斯金字塔的红外偏振图像融合方法，其特征在于包括以下步骤：

步骤1：计算红外辐射强度图像X和偏振度图像Y的分辨率近似，通过对源图像进行低通高斯滤波，并对滤波后的结果以2为因数进行下采样来完成，将得到的近似放在高斯近似金字塔的第J-1级，它的行数和列数均为第J级输入图像的1/2；

步骤2：由步骤1产生的降低分辨率近似来创建第J级输入图像的一个估计，它通过对产生的降低的分辨率近似以2为因数进行上采样并进行双三次内插滤波来完成，得到的预测图像与第J级输入图像的维数相同；

步骤3：计算步骤2的预测图像和步骤1的输入之间的差，得到第J级预测残差，把得到的结果放在拉普拉斯金字塔的第J级；

步骤4：重复步骤1至步骤3，依次得到红外辐射强度图像和偏振度图像的高斯金字塔第J-1级、J-2级、…、J-n级近似和拉普拉斯金字塔第J级、J-1级、…、J-n+1级预测残差；

步骤5：对红外辐射强度图像和偏振度图像的高斯近似金字塔的第J-n级采用加权平均法进行图像融合，得到第J-n级近似融合图像；对拉普拉斯金字塔的第J级、J-1级、…、J-n+1级预测残差，分别以局部邻域平均梯度为判据，进行图像融合，分别得到第J级、J-1级、…、J-n+1级预测残差融合；

其具体方法步骤如下：

（5-1）对于高斯近似金字塔的第J-n级，采用加权平均法进行图像融合，

F^(J-n)(m,n)＝0.9×X^(J-n)(m,n)+0.1×Y^(J-n)(m,n)

式中X^(J-n)(m,n)为红外辐射强度图像的高斯近似金字塔第J-n级图像在点(m,n)处的值，Y^(J-n)(m,n)为偏振度图像的高斯近似金字塔第J-n级图像在点(m,n)处的值，F^(J-n)(m,n)为第J-n级近似融合图像在点(m,n)处的值；

（5-2）对于拉普拉斯金字塔的第J，J-1，…，J-n+1级，以局部邻域平均梯度为判据，进行图像融合，对任一点(m,n)，计算以此点为中心的局部邻域的平均梯度值，平均梯度H计算公式如下：

H = \frac{1}{N \times N} Σ_{m = 1}^{N} Σ_{n = 1}^{N} \sqrt{{(X (m, n) - X (m + 1, n))}^{2} + {(X (m, n) - X (m, n + 1))}^{2}}

式中，N×N为选取邻域的大小，X(m,n)为图像在点(m,n)处的灰度值，取两幅图像在点(m,n)处平均梯度值较大的图像的残差图像在(m,n)处的值作为融合图像在(m,n)处的值，计算公式如下：

F^{i} (m, n) = \{\begin{matrix} X^{(i)} (m, n), H (X^{(i)} (m, n)) &GreaterEqual; H (Y^{(i)} (m, n)) \\ Y^{(i)} (m, n), H (X^{(i)} (m, n)) < H (Y^{(i)} (m, n)) \end{matrix}

式中，X⁽ⁱ⁾(m,n)为红外辐射强度图像第_i级预测残差图像在点(m,n)处的值，Y⁽ⁱ⁾(m,n)为偏振度图像第_i级预测残差图像在点(m,n)处的值，H(X⁽ⁱ⁾(m,n))为红外辐射强度图像第_i级预测残差图像在点(m,n)处的平均梯度值，H(Y⁽ⁱ⁾(m,n))为红外偏振度图像第_i级预测残差图像在点(m,n)处的平均梯度值，Fⁱ(m,n)为第_i级预测残差融合图像在点(m,n)处的值；

步骤6：通过对第J-n级近似融合图像以2为因数进行上采样并进行双三次内插滤波得到第J-n+1级近似融合预测，与第J-n+1级近似残差融合相加得到J-n+1级融合图像；

步骤7：重复步骤6，依次得到第J-n+2级融合图像、…、第J-1级、第J级融合图像，第J级融合图像即为所求图像。

本发明与现有技术相比，有显著地优点：以拉普拉斯金字塔分解体系为基础，引入局部领域平均梯度为判据，对红外偏振图像融合效果有一个明显提高。方法可以随着不同的图像可以进行自适应调整，显著地提升了方法的实用性并扩大了方法的使用范围。

下面结合附图对本发明作进一步详细描述。

附图说明

图1：基于拉普拉斯金字塔的红外偏振融合方法。

图2：创建高斯近似金字塔和拉普拉斯金字塔简略图。

图3：以三层拉普拉斯金字塔为例对图4和图5的红外偏振融合方法。

图4：一幅256×256像素的红外辐射强度图像。

图5：一幅256×256像素的红外偏振度图像。

图6：采用图3方法对图4和图5融合得到的融合图像。

具体实施方式：

下面根据附图对本发明的具体实施方式作进一步的详细说明。

图2是创建高斯近似金字塔和拉普拉斯金字塔简略图。

步骤1：计算图4红外辐射强度图像和图5偏振度图像（即第J级输入图像）的分辨率近似。通过对源图像进行低通高斯滤波，并对滤波后的结果以2为因数进行下采样来完成，将得到的近似放在高斯近似金字塔的第J-1级，它的行数和列数均为第J级输入图像的1/2；

步骤2：由步骤1产生的降低分辨率近似来创建第J级输入图像的一个估计。它通过对产生的降低的分辨率近似以2为因数进行上采样并进行双三次内插滤波来完成，得到的预测图像与第J级输入图像的维数相同；

图3是以三层拉普拉斯金字塔为例对图4和图5的红外偏振融合方法。

步骤4：重复步骤1至步骤3，依次得到图4红外辐射强度图像和图5偏振度图像的高斯金字塔第J-1级、J-2级、J-3级近似和拉普拉斯金字塔第J级、J-1级、J-2级预测残差；

步骤5：对图4和图5的高斯近似金字塔的第J-3级采用加权平均法进行图像融合，得到第J-3级近似融合图像。对拉普拉斯金字塔的J级，J-1级，J-2级预测残差，分别以局部邻域平均梯度为判据，进行图像融合，分别得到第J级，J-1级，J-2级预测残差融合；

其具体方法如下：

(5-1)对图4和图5的高斯近似金字塔的第J-3级，采用加权平均法进行图像融合，

F^(J-3)(m,n)＝0.9×X^(J-3)(m,n)+0.1×Y^(J-3)(m,n)

式中X^(J-3)(m,n)为图4的高斯近似金字塔第J-3级图像在点(m,n)处的值，Y^(J-3)(m,n)为图5的高斯近似金字塔第J-3级图像在点(m,n)处的值，F^(J-3)(m,n)为第J-3级近似融合图像在点(m,n)处的值；

H = \frac{1}{N \times N} Σ_{m = 1}^{N} Σ_{n = 1}^{N} \sqrt{{(X (m, n) - X (m + 1, n))}^{2} + {(X (m, n) - X (m, n + 1))}^{2}}

式中，N×N为选取邻域的大小，X(m,n)为图像在点(m,n)处的灰度值，取图4和图5两幅图像在点(m,n)处平均梯度值较大的图像的残差图像在(m,n)处的值作为融合图像在(m,n)处的值，具体方法如下：

F^{i} (m, n) = \{\begin{matrix} X^{(i)} (m, n), H (X^{(i)} (m, n)) &GreaterEqual; H (Y^{(i)} (m, n)) \\ Y^{(i)} (m, n), H (X^{(i)} (m, n)) < H (Y^{(i)} (m, n)) \end{matrix}

式中，X⁽ⁱ⁾(m,n)为图4第_i级预测残差图像在点(m,n)处的值，Y⁽ⁱ⁾(m,n)为图5第_i级预测残差图像在点(m,n)处的值，H(X⁽ⁱ⁾(m,n))为图4第_i级预测残差图像在点(m,n)处的平均梯度值，H(Y⁽ⁱ⁾(m,n))为图5第_i级预测残差图像在点(m,n)处的平均梯度值，Fⁱ(m,n)为第_i级预测残差融合图像在点(m,n)处的值；

步骤6：通过对第J-3级近似融合图像以2为因数进行上采样并进行双三次内插滤波得到第J-2级近似融合预测，与第J-2级近似残差融合相加得到J-2级融合图像；

步骤7：重复步骤6，依次得到第J-1级融合图像、第J级融合图像，第J级融合图像即为所求图像，即图6。

Claims

其具体方法步骤如下：

F^(J-n)(m,n)＝0.9×X^(J-n)(m,n)+0.1×Y^(J-n)(m,n)

H = \frac{1}{N \times N} Σ_{m = 1}^{N} Σ_{n = 1}^{N} \sqrt{{(X (m, n) - X (m + 1, n))}^{2} + {(X (m, n) - X (m, n + 1))}^{2}}

F^{i} (m, n) = \{\begin{matrix} X^{(i)} (m, n), H (X^{(i)} (m, n)) &GreaterEqual; H (Y^{(i)} (m, n)) \\ Y^{(i)} (m, n), H (X^{(i)} (m, n)) < H (Y^{(i)} (m, n)) \end{matrix}