CN105225214B - 一种基于直觉模糊处理理论的图像融合方法及其系统 - Google Patents

Abstract

本发明公开了一种基于直觉模糊处理理论的图像融合方法及其系统，该方法包括：步骤一，对待融合的第一源图像、第二源图像进行分解处理，得到该第一源图像、该第二源图像的低频系数和高频系数；步骤二，对该第一源图像、该第二源图像的低频系数和高频系数进行直觉模糊化处理，得到直觉模糊犹豫度；以及步骤三，根据该直觉模糊犹豫度选取融合图像的变换系数，并根据该变换系数对该第一源图像、该第二源图像的各子带系数进行逆变换处理，得到融合图像。本发明可充分利用图像自身固有的模糊性进行图像融合。

Description

一种基于直觉模糊处理理论的图像融合方法及其系统

技术领域

本发明涉及图像融合领域，尤其涉及一种基于直觉模糊处理理论的图像融合方法及其系统。

背景技术

图像融合是将不同成像设备从不同角度或成像设备在不同时间对同一目标的多个成像通过特定的算法合并成一幅图像的过程。由于不同传感器具有不同的成像原理，所获得的图像也各有特点，将这些图像有机的结合起来可以提供更加可靠精确的信息，使得人们更加方便有效地观察目标或分析数据。这些图像之间具有互补性和冗余性，将它们融合起来所得到的融合图像与由单一传感器获得的图像相比，融合图像包含更多信息，具有较强的鲁棒性，能够提供更加准确可靠的观察。因此将多个图像融合起来使得多方面信息在一幅图像中得到体现具有重要的意义。

根据国内外图像融合算法的研究现状，图像融合算法可以分为以下三类：空间域图像融合算法、变换域图像融合算法以及基于人工智能的融合算法。空间域融合算法直接对源图像像素值进行处理并融合，在进行融合时不需要对图像进行分解。变换域图像融合算法是通过某种变换将源图像分解成不同分辨率的系数，然后将对应系数依据一定融合规则进行融合的过程。人工智能包括语义学、模糊逻辑、神经网络、直觉模糊等。人工智能的方法既可以在空间域使用，直接对图像像素进行处理，也可以在变换域对图像的分解系数进行处理从而得到融合图像。

在众多与人工智能技术相结合的融合算法中，基于模糊及直觉模糊的融合算法得到了学者们的广泛关注。最早将模糊理论引入图像融合的是加拿大的A Nejatali和IRCiric，随着近几十年的发展，基于模糊理论的图像融合算法得到了广泛的研究，也出现了少量基于直觉模糊理论的图像融合算法。但这些算法只引入了直觉模糊逻辑，算法复杂、不灵活。

目前，基于变换域的或基于传统模糊处理的图像融合算法面临如下问题：

(1)通过变换域得到融合图像的系数的算法复杂，费时费力。

(2)没有考虑减小因图像自身的模糊性所带来的融合误差。

(3)基于传统模糊集处理的图像融合算法没有完全表现出或充分利用图像的模糊性。

发明内容

本发明的目的在于提供一种基于直觉模糊处理理论的图像融合方法及其系统，巧妙地利用了直觉模糊集特有的参数：犹豫度，然后在NSCT变换域中选择出含有更大信息量的参数来获取融合图像，该法可充分利用图像自身固有的模糊性进行图像融合。

为了实现上述目的，本发明提供一种基于直觉模糊处理理论的图像融合方法，包括：

步骤一，对待融合的第一源图像、第二源图像进行分解处理，得到该第一源图像、该第二源图像的低频系数和高频系数；

步骤二，对该第一源图像、该第二源图像的低频系数和高频系数进行直觉模糊化处理，得到直觉模糊犹豫度；以及

步骤三，根据该直觉模糊犹豫度选取融合图像的变换系数，并根据该变换系数对该第一源图像、该第二源图像的各子带系数进行逆变换处理，得到融合图像。

所述的图像融合方法，其中，所述步骤一中，包括：在分解处理前对该第一源图像、该第二源图像进行预处理的步骤。

所述的图像融合方法，其中，所述步骤一中，包括：对该第一源图像、该第二源图像采用NSCT变换进行分解处理。

所述的图像融合方法，其中，所述步骤二中，包括：

步骤2.1：求系数的隶属度；

将各个系数矩阵分别取绝对值后做归一化，得到新系数矩阵，然后取

μ_ij(x_ij)＝(f_max-f_min)·exp(-(f_max-f_min)·|x_ij-μ|) (1)

其中，i＝1,2,…M，j＝1,2,…N，μ_ij(x_ij)为系数x_ij的隶属度，f_max和f_min分别为新系数矩阵中的最大值和最小值，M、N分别为新系数矩阵的行值和列值；

步骤2.2：求系数的非隶属度；

得到系数的隶属度后，计算系数的非隶属度如下：

其中，υ_ij(x_ij)为系数x_ij的非隶属度，μ_ij(x_ij)为系数x_ij的隶属度，λ＝0.5；

步骤2.3：求系数的犹豫度；

得到系数的隶属度和非隶属度后，计算系数的犹豫度如下：

π_ij(x_ij)＝1-μ_ij(x_ij)-υ_ij(x_ij) (4)

其中，π_ij(x_ij)为系数x_ij的犹豫度，μ_ij(x_ij)为系数x_ij的隶属度，υ_ij(x_ij)为系数x_ij的非隶属度；

采用如下公式选择犹豫度：

其中，π^A'(i,j)为A'的系数矩阵中系数x_ij的犹豫度，π^B'(i,j)为B'的系数矩阵中系数x_ij的犹豫度。

所述的图像融合方法，其中，所述步骤三中，包括：

根据该变换系数对该第一源图像、该第二源图像的各子带系数进行NSCT逆变换处理得到融合图像。

为了实现上述目的，本发明提供一种基于直觉模糊处理理论的图像融合系统，包括：

图像分解模块，用于对待融合的第一源图像、第二源图像进行分解处理，得到该第一源图像、该第二源图像的低频系数和高频系数；

模糊化处理模块，用于对该第一源图像、该第二源图像的低频系数和高频系数进行直觉模糊化处理，得到直觉模糊犹豫度；

变换系数获取模块，用于根据该直觉模糊犹豫度选择融合图像的变换系数；以及

融合图像获取模块，用于根据该变换系数对该第一源图像、该第二源图像的各子带系数进行逆变换处理，得到融合图像。

所述的图像融合系统，其中，还包括一预处理模块，用于在分解处理前对该第一源图像、该第二源图像进行预处理。

所述的图像融合系统，其中，所述图像分解模块对该第一源图像、该第二源图像采用NSCT变换进行分解处理。

所述的图像融合系统，其中，所述模糊化处理模块包括：隶属度获取模块、非隶属度获取模块、犹豫度获取模块；

所述隶属度获取模块将各个系数矩阵分别取绝对值后做归一化，得到新系数矩阵，然后取

μ_ij(x_ij)＝(f_max-f_min)·exp(-(f_max-f_min)·|x_ij-μ|) (1)

其中，i＝1,2,…M，j＝1,2,…N，μ_ij(x_ij)为系数x_ij的隶属度，f_max和f_min分别为新系数矩阵中的最大值和最小值，M、N分别为新系数矩阵的行值和列值；

所述非隶属度获取模块根据系数的隶属度，计算系数的非隶属度如下：

其中，υ_ij(x_ij)为系数x_ij的非隶属度，μ_ij(x_ij)为系数x_ij的隶属度，λ＝0.5；

所述犹豫度获取模块根据系数的隶属度和非隶属度，计算系数的犹豫度如下：

π_ij(x_ij)＝1-μ_ij(x_ij)-υ_ij(x_ij) (4)

其中，π_ij(x_ij)为系数x_ij的犹豫度，μ_ij(x_ij)为系数x_ij的隶属度，υ_ij(x_ij)为系数x_ij的非隶属度；

所述变换系数获取模块采用如下公式选取变换系数：

其中，π^A'(i,j)为A'的系数矩阵中系数x_ij的犹豫度，π^B'(i,j)为B'的系数矩阵中系数x_ij的犹豫度。

所述的图像融合系统，其中，所述融合图像获取模块根据该变换系数对该第一源图像、该第二源图像的各子带系数进行NSCT逆变换处理得到融合图像。

与现有技术相比，本发明的有益效果是：

本发明针对现有技术的上述不足，并基于信息熵理论，提出了一种基于NSCT和直觉模糊犹豫度的图像融合方法，该方法可充分利用图像自身固有的模糊性进行图像融合。该方法先对待融合图像进行NSCT变换，根据直觉模糊理论求系数的直觉模糊模型，得到系数的直觉模糊犹豫度，并选取直觉模糊犹豫度较大的系数为融合图像的NSCT变换系数，再经反变换得到融合图像。

特别地，本发明方法还应用于智能视觉物联网中图像的分布式融合技术中。

附图说明

图1是一种基于直觉模糊犹豫度的图像融合方法的流程图；

图2是NSCT的具体原理图，其中：

图2(a)指NSCT结构图；

图2(b)指拉普拉斯金字塔分解和拉普拉斯金字塔重构；

图2(c)指NSP模块的频率响应；

图2(d)指NSDFB模块的频率响应；

图2(e)指3级NSP分解的示意图；

图2(f)指梅花滤波器；

图2(g)指梅花形矩阵的上采样的扇形滤波器；

图2(h)指NSDFB的分解示意图；

图3是不同融合方法关于多聚焦图像融合效果图，其中：

图3(a)指左聚焦源图像；

图3(b)指右聚焦源图像；

图3(c)指理想融合结果图像；

图3(d)指PCA法融合结果；

图3(e)指IHS法融合结果；

图3(f)指加权法融合结果；

图3(g)指Brovery法融合结果；

图3(h)指PCNN法融合结果；

图3(i)指haar小波法融合结果；

图3(j)指sym4小波融合结果；

图3(k)指传统NSCT法融合结果；

图3(l)指基于直觉模糊犹豫度NSCT算法融合结果；

图4是不同融合方法关于遥感图像融合效果图，其中：

图4(a)指待融合源图像一；

图4(b)指待融合源图像二；

图4(c)指PCA法融合结果；

图4(d)指IHS法融合结果；

图4(e)指加权法融合结果；

图4(f)指Brovery法融合结果；

图4(g)指PCNN法融合结果；

图4(h)指haar小波法融合结果；

图4(i)指sym4小波融合结果；

图4(j)指传统NSCT法融合结果；

图4(k)指基于直觉模糊犹豫NSCT算法融合结果；

图5是本发明一种基于直觉模糊犹豫度的图像融合系统的结构图。

具体实施方式

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

如图1所示，是本发明的一种基于直觉模糊犹豫度的图像融合方法的流程图。

假设有源图像A和B，基于直觉模糊犹豫度和NSCT的图像融合算法步骤如下：

步骤1：图像预处理。

使用均值滤波器对图像融合的源图像A和B进行去噪，得到处理后的源图像A'和B'。

例：使用matlab自带fspecial函数对源图像进行均值滤波。

％％先定义一个均值滤波器。

w＝fspecial(‘average’,[55])；

％％让图像通过均值滤波器，a为源图片，h为经过均值滤波器的图片。

h＝imfilter(a,w,‘replicate’)；

步骤2：图像分解。

对预处理后的源图像A'和B'进行分解，得到对应图像的低频系数和高频系数。

NSCT主要由两部分组成：非下采样的拉普拉斯金字塔分解(NonsubsampledPyramid,NSP)和非下采样的方向滤波器组(Nonsubsampled Directional Filter Bank,NSDFB)，如图2(a)所示。从滤波的角度看，NSCT先通过NSP将图像分解为低通子带和高通子带，白色部分L为低通子带，纹理部分H为高通子带，高通子带H再经过NSDFB分解为2ⁱ个带通方向子带(i为任意正整数)，如图中右边纹理部分所示。对低通子带L重复上述过程可实现图像的多分辨多方向分解。

拉普拉斯金字塔分解和重构如图2(b)所示，其中H、G分别是分解和合成滤波，M是采样的矩阵，a为一个下采样的低通信号，b为此图像与推断图像的差值图像。NSP利用的是一组双通道的非下采样滤波器组(NSFB)，它的理想的响应频率如下图2(c)所示，H、G为方向滤波器组，阴影部分为带通方向子带。为了能够多尺度分析，类似于一维a trous小波变换，NSP的每一级的分解必须对上一级中的NSP的滤波按照它的采样的矩阵D＝2I(其中I为二阶单位矩阵)实施相应的上采样。如此则图像通过了N级分解以后，则可以得到N+1个和原始图像含有相同的尺寸的子带的图像。图2(e)是一个3级NSP分解之后的示意图。

方向滤波器(DFB)组含有两个模块：第一个是梅花滤波器组，见图2(f)，它包含有两个通道。采用扇形滤波器使得2-D光谱变成两个方向，即垂直和水平。Q是采样的矩阵，作用是将图像旋转并且下采样。平移操作是第二个模块，它在梅花滤波分解阶段前进行，并在合成阶段后进行一个反平移操作，它的作用是对图像的采样进行重新排序。事实上平移操作本身也是一种对图像的采样，旋转图像本身同时宽度扩大为2倍。平移操作的矩阵有以下四种，即

NSDFB利用的是一组二通道的非下采样滤波器组，它的理想的响应频率如下图2 (d)所示，U、W为方向滤波器组。当分解每一层的方向之后，都用一个梅花形的矩阵从而实现对方向滤波器组的所有的滤波器运用上采样，视作下面一层的方向 分解的滤波器，然后通过上采样的滤波器，其频率响应如图2(g)。

用上采样后的滤波器对上一级二通道方向分解后得到的子带图像进行滤波，就可以实现四通道的方向分解，如图2(h)。

NSCT的具体步骤：第一步，利用NSP分析把输入的图像拆分为低通子带与高通子带，第二步，运用NSDFB把高通子带分析为多个方向的子带，最合适的是对低通子带的每一层采用上面的操作，从而获得了原始图像的多尺度多方向的分解。

本发明采用3级NSCT对图像A'和B'进行分解，得到聚焦图像A'、B'的低频系数和高频系数和其中，l为尺度分解数，k为方向分解级数，l＝1,2,3，k＝1，2，…2^l，l、k的取值由NSCT变换的级数决定。

步骤3：系数直觉模糊化。

对低频系数和高频系数进行直觉模糊化处理，获取系数的犹豫度。具体地，包括以下步骤：

步骤3.1：求系数的隶属度

将各个系数矩阵分别取绝对值后再除以系数矩阵最大值来做归一化，得到归一化后的新系数矩阵，然后取

μ_ij(x_ij)＝(f_max-f_min)·exp(-(f_max-f_min)·|x_ij-μ|) (1)

其中，i＝1,2,…M，j＝1,2,…N，μ_ij(x_ij)为系数x_ij的隶属度，f_max和f_min分别为归一化后的新系数矩阵中的最大值和最小值，M、N分别为新系数矩阵的行值和列值。M、N随新系数矩阵的行数和列数变化而变化，无特定的取值范围。

步骤3.2：求系数的非隶属度

得到系数的隶属度后，可以计算系数的非隶属度如下：

其中，υ_ij(x_ij)为系数x_ij的非隶属度，μ_ij(x_ij)为系数x_ij的隶属度，λ＞0，本发明取λ＝0.5，λ的作用是规范υ_ij(x_ij)的值，以确保μ_ij(x_ij)和υ_ij(x_ij)的值满足直觉模糊集的必要条件，即0≤μ_ij(x_ij)+υ_ij(x_ij)≤1。

步骤3.3：求系数的犹豫度

得到系数的隶属度和非隶属度后，可以计算系数的犹豫度如下：

π_ij(x_ij)＝1-μ_ij(x_ij)-υ_ij(x_ij) (4)

其中，π_ij(x_ij)为系数x_ij的犹豫度，μ_ij(x_ij)为系数x_ij的隶属度，υ_ij(x_ij)为系数x_ij的非隶属度。

步骤4：融合规则。

根据系数的犹豫度选取融合图像的NSCT融合系数。

具体地，基于信息熵理论，犹豫度越大的系数所含的信息量越大，所以取

其中，π^A'(i,j)为A'的系数矩阵中系数x_ij的犹豫度，π^B'(i,j)为B'的系数矩阵中系数x_ij的犹豫度。

步骤5：图像重构。

根据融合系数对融合图像进行NSCT逆变换，得到融合后图像。

具体地，对融合图像的各子带系数(低频系数I^F'，高频系数其中l＝1,2,3，k＝1，2，…2^l)进行NSCT逆变换从而得到最终的融合图像。NSCT逆变换过程参考步骤2中的图像分解中NSCT的具体叙述。

I^F'为滤波后的源图像A'和B'经过NSCT变换后得到的低频系数通过式(5)选择而得到的融合后图像的NSCT变换的低频系数，为滤波后的源图像A'和B'经过NSCT变换后得到的高频系数通过式(5)选择而得到的融合后图像的NSCT变换的高频系数。

步骤4中的F为泛指融合后图像(Fusion)，步骤5中的F'为对应于步骤1中的滤波处理后的A'和B'的融合图像。

如步骤2中所述，H、G是分别是NSCT结构中的分解、重构滤波器组。具体讲，它们满 足这样的关系：H₀(z)G₀(z)+H₁(z)G₁(z)＝1，其中，H₀(z)、H₁(z)分别指分解时的低通滤波器 和高通滤波器，而G₀(z)、G₁(z)则分别代表重构时的低通滤波器和高通滤波器。对于二维图 像信号而言，每一行可看成一维信号，针对一维，本发明是这样设计滤波器的：确切地，

然后，利用一个2D的FIR滤波器w(z)，实现进而延伸得到处 理图像信号所用的H₀(z)、H₁(z)和G₀(z)、G₁(z)，此处，w(z)＝w(z^-1)。

利用上述关系得到合成(即重构)滤波器G₀(z)、G₁(z)，再进行如图3(a)-图3(l)所示的NSCT分解的逆过程，即可得到融合结果——新的图像。

为了验证本发明算法的性能，对多聚焦图像和遥感图像分别进行了融合实验。实验中，除了视觉效果以外，本发明采用多种客观评价方法，包括有理想融合结果参考图像的评价方法：均方根误差(RMSE)、交叉熵(CERF)、偏差(D)、相对标准差(DREL)、平均误差(MAE)、互信息(MI)、均方误差(MSE)、标准色差(NCD)、峰值信噪比(PSNR)和相关系数(REL)，其中RMSE、CERF、D、DREL、MAE、MSE、NCD越小代表融合效果越好，MI、PSNR、REL越大代表融合效果越好。没有理想融合结果参考图像的评价方法：梯度能量(EOG)、空间频率(SF)和熵(H)，三者皆为值越大代表融合效果越好。

本发明分别采用主元分析融合法(PCA)、IHS彩色空间融合法(IHS)、加权融合法(Weighting)、经典图像像素层融合法(Brovery)、脉冲耦合神经网络法(PCNN)、haar小波变换法(haar)、sym4小波变换法(sym4)、传统NSCT图像融合法(NSCT-classic)，以及本发明提出的NSCT中基于直觉模糊犹豫度图像融合新算法(NSCT-proposed)对多聚焦图像和遥感图像进行融合，融合结果如图3(a)-3(l)、图4(a)-4(k)和表1、表2所示，表1描述了多聚焦图像融合结果的评价，表2描述了遥感图像融合结果的评价。

图3(d)-3(l)、图4(c)-4(k)分别描述了的PCA法、IHS法、加权法、Brovery法、PCNN法、haar小波法、sym4小波、传统NSCT法、直觉模糊犹豫度NSCT算法的图像融合效果图。

表1

表2

结合本发明的实施例，从表1可以看到，对于多聚焦图像，本发明提出的基于NSCT和直觉模糊犹豫度的图像融合算法在除EOG和SF外，其他的融合测评结果都为最优，EOG和SF虽然不是最优值，但与其他结果相比是次优值，可以证明该算法在多聚焦图像融合上的优越性。

从表2可以看到，对于遥感图像，本发明提出的算法在EOG、SF和H的测评上没有达到最佳，其中EOG和SF都次于另外3种融合方法，H仅次于haar小波融合法。这说明本发明提出的算法在对于遥感图像的融合效果上不如对于多聚焦图像的融合效果，但是从主观上通过人眼观察，该算法也具有一定的可行性。

图5是本发明一种基于直觉模糊犹豫度的图像融合系统的结构图。该系统500与图1所述的方法相对应，适用于图1的算法公式同样适用于图5。结合图1，该系统500包括如下模块：

预处理模块51，用于对图像融合源图像A和B进行预处理，得到源图像A'和B'。

图像分解模块52，用于对预处理后的源图像A'和B'进行分解，得到对应图像的低频系数和高频系数。

模糊化处理模块53，用于对低频系数和高频系数进行直觉模糊化处理，获取系数的犹豫度。

变换系数获取模块54，用于根据系数的犹豫度选择融合图像的NSCT变换系数。

融合图像获取模块55，用于根据变换系数对融合图像进行逆变换，得到融合图像。

较佳地，预处理模块51使用均值滤波器对图像融合的源图像进行去噪，得到处理后的图像A'和B'。

较佳地，图像分解模块52采用3级NSCT将图像A'和B'进行分解，分别得到聚焦图像A'、B'的低频系数和高频系数和其中l为尺度分解数，k为方向分解级数，l＝1,2,3，k＝1，2，…2^l，l、k的取值由NSCT变换的级数决定。

进一步地，模糊化处理模块53包括隶属度获取模块531、非隶属度获取模块532、犹豫度获取模块533。

较佳地，隶属度获取模块531将各个系数矩阵分别取绝对值后做归一化，得到新系数矩阵，然后取

μ_ij(x_ij)＝(f_max-f_min)·exp(-(f_max-f_min)·|x_ij-μ|) (1)

其中，i＝1,2,…M，j＝1,2,…N，μ_ij(x_ij)为系数x_ij的隶属度，f_max和f_min分别为归一化后的新系数矩阵中的最大值和最小值，M、N分别为新系数矩阵的行值和列值。M、N随新系数矩阵的行数和列数变化而变化，无特定的取值范围。

较佳地，非隶属度获取模块532根据系数的隶属度，可以计算系数的非隶属度如下：

其中，υ_ij(x_ij)为系数x_ij的非隶属度，μ_ij(x_ij)为系数x_ij的隶属度，λ＞0，本发明取λ＝0.5，λ的作用是规范υ_ij(x_ij)的值，以确保μ_ij(x_ij)和υ_ij(x_ij)的值满足直觉模糊集的必要条件，即0≤μ_ij(x_ij)+υ_ij(x_ij)≤1。

较佳地，犹豫度获取模块533根据系数的隶属度和非隶属度，可以计算系数的犹豫度如下：

π_ij(x_ij)＝1-μ_ij(x_ij)-υ_ij(x_ij) (4)

其中，π_ij(x_ij)为系数x_ij的犹豫度，μ_ij(x_ij)为系数x_ij的隶属度，υ_ij(x_ij)为系数x_ij的非隶属度。

较佳地，基于信息熵理论，犹豫度越大的系数所含的信息量越大，所以变换系数获取模块54采用如下公式选取变换系数：

其中，π^A'(i,j)为A'的系数矩阵中系数x_ij的犹豫度，π^B'(i,j)为B'的系数矩阵中系数x_ij的犹豫度。

较佳地，融合图像获取模块55对融合图像的各子带系数(低频系数I^F'，高频系数其中l＝1,2,3，k＝1，2，…2^l)进行NSCT逆变换从而得到最终的融合图像。

本发明提出一种基于NSCT和直觉模糊犹豫度的图像融合新算法，对源图像经过NSCT变换后，将其高频和低频系数直觉模糊化，使用Gamma函数求隶属度，Sugeno补集求非隶属度，最后根据信息熵理论，利用直觉模糊犹豫度取大来选择融合图像的NSCT系数，逆变换得到融合图像。本发明将该算法与传统的图像融合算法以及传统的基于NSCT的图像融合算法进行了比较，证明得到：对于多聚焦图像，本发明的算法优于进行比较的其他算法，可以得到良好的图像融合效果，对于遥感图像，本发明的算法虽然不为最佳，但是也可以得到良好的融合效果。进一步地，本发明方法还应用于智能视觉物联网中图像的分布式融合技术中。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.一种基于直觉模糊处理理论的图像融合方法，其特征在于，包括：

步骤一，对待融合的第一源图像、第二源图像进行分解处理，得到该第一源图像、该第二源图像的低频系数和高频系数；

步骤二，对该第一源图像、该第二源图像的低频系数和高频系数进行直觉模糊化处理，得到直觉模糊犹豫度；以及

步骤三，根据该直觉模糊犹豫度选取融合图像的变换系数，并根据该变换系数对该第一源图像、该第二源图像的各子带系数进行逆变换处理，得到融合图像；

所述步骤二中，包括：

步骤2.1：求系数的隶属度；

将各个系数矩阵分别取绝对值后做归一化，得到新系数矩阵，然后取

μ_ij(x_ij)＝(f_max-f_min)·exp(-(f_max-f_min)·|x_ij-μ|) (1)

其中，i＝1,2,…M，j＝1,2,…N，μ_ij(x_ij)为系数x_ij的隶属度，f_max和f_min分别为新系数矩阵中的最大值和最小值，M、N分别为新系数矩阵的行值和列值；

步骤2.2：求系数的非隶属度；

得到系数的隶属度后，计算系数的非隶属度如下：

其中，υ_ij(x_ij)为系数x_ij的非隶属度，μ_ij(x_ij)为系数x_ij的隶属度，λ＝0.5；

步骤2.3：求系数的犹豫度；

得到系数的隶属度和非隶属度后，计算系数的犹豫度如下：

π_ij(x_ij)＝1-μ_ij(x_ij)-υ_ij(x_ij) (4)

其中，π_ij(x_ij)为系数x_ij的犹豫度，μ_ij(x_ij)为系数x_ij的隶属度，υ_ij(x_ij)为系数x_ij的非隶属度；

采用如下公式选择犹豫度：

其中，π^A'(i,j)为A'的系数矩阵中系数x_ij的犹豫度，π^B'(i,j)为B'的系数矩阵中系数x_ij的犹豫度，A'为预处理后的待融合的第一源图像，B'为预处理后的待融合的第二源图像。

2.根据权利要求1所述的图像融合方法，其特征在于，所述步骤一中，包括：在分解处理前对该第一源图像、该第二源图像进行预处理的步骤。

3.根据权利要求1所述的图像融合方法，其特征在于，所述步骤一中，包括：对该第一源图像、该第二源图像采用NSCT变换进行分解处理。

4.根据权利要求1、2或3所述的图像融合方法，其特征在于，所述步骤三中，包括：

根据该变换系数对该第一源图像、该第二源图像的各子带系数进行NSCT逆变换处理得到融合图像。

5.一种基于直觉模糊处理理论的图像融合系统，其特征在于，包括：

图像分解模块，用于对待融合的第一源图像、第二源图像进行分解处理，得到该第一源图像、该第二源图像的低频系数和高频系数；

模糊化处理模块，用于对该第一源图像、该第二源图像的低频系数和高频系数进行直觉模糊化处理，得到直觉模糊犹豫度；

变换系数获取模块，用于根据该直觉模糊犹豫度选择融合图像的变换系数；以及

融合图像获取模块，用于根据该变换系数对该第一源图像、该第二源图像的各子带系数进行逆变换处理，得到融合图像；

所述模糊化处理模块包括：隶属度获取模块、非隶属度获取模块、犹豫度获取模块；

所述隶属度获取模块将各个系数矩阵分别取绝对值后做归一化，得到新系数矩阵，然后取

μ_ij(x_ij)＝(f_max-f_min)·exp(-(f_max-f_min)·|x_ij-μ|) (1)

其中，i＝1,2,…M，j＝1,2,…N，μ_ij(x_ij)为系数x_ij的隶属度，f_max和f_min分别为新系数矩阵中的最大值和最小值，M、N分别为新系数矩阵的行值和列值；

所述非隶属度获取模块根据系数的隶属度，计算系数的非隶属度如下：

其中，υ_ij(x_ij)为系数x_ij的非隶属度，μ_ij(x_ij)为系数x_ij的隶属度，λ＝0.5；

所述犹豫度获取模块根据系数的隶属度和非隶属度，计算系数的犹豫度如下：

π_ij(x_ij)＝1-μ_ij(x_ij)-υ_ij(x_ij) (4)

其中，π_ij(x_ij)为系数x_ij的犹豫度，μ_ij(x_ij)为系数x_ij的隶属度，υ_ij(x_ij)为系数x_ij的非隶属度；

所述变换系数获取模块采用如下公式选取变换系数：

其中，π^A'(i,j)为A'的系数矩阵中系数x_ij的犹豫度，π^B'(i,j)为B'的系数矩阵中系数x_ij的犹豫度，A'为预处理后的待融合的第一源图像，B'为预处理后的待融合的第二源图像。

6.根据权利要求5所述的图像融合系统，其特征在于，还包括一预处理模块，用于在分解处理前对该第一源图像、该第二源图像进行预处理。

7.根据权利要求5所述的图像融合系统，其特征在于，所述图像分解模块对该第一源图像、该第二源图像采用NSCT变换进行分解处理。

8.根据权利要求5、6或7所述的图像融合系统，其特征在于，所述融合图像获取模块根据该变换系数对该第一源图像、该第二源图像的各子带系数进行NSCT逆变换处理得到融合图像。