CN109978802A - 基于nsct和pcnn的压缩感知域内的高动态范围图像融合方法 - Google Patents

Abstract

本发明公开了一种基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，包括如下步骤：1)对输入多曝光图像序列进行归一化处理；2)对归一化处理后的多曝光图像序列使用相机响应函数进行辐射校准；3)对辐射校准后的多曝光图像序列进行NSCT变换得到各图像的低、高频系数；4)对各图像的高频系数进行压缩采样；5)计算各图像低、高频系数的空间频率作为PCNN网络的激励信号，通过最大值决策进行融合；6)对融合后的高频系数进行压缩感知重构；7)对融合后的低、高频系数进行NSCT逆变换，得到目标高动态范围图像。利用NSCT、PCNN和压缩感知方法完成对多曝光的低动态范围图像序列在压缩感知重构的同时融合，最后生成一幅包含丰富细节的高动态范围图像。

Description

基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法。

背景技术

数字图像广泛应用于各个领域，一般要求获取到的图像尽可能还原丰富的场景细节。然而场景宽广动态范围所呈现的成千上万的色彩变化对数字图像提出了巨大的挑战。受限于成像传感器的有限动态范围，往往无法捕捉到真实场景的完整动态范围的亮度，因此高动态范围图像成像与显示技术应运而生。当前多采用多曝光图像融合的方法来获取高动态范围图像，即融合一系列在同一场景不同曝光时间拍摄下的图像，由此可有效的扩展图像动态范围。但传统的图像获取方法需先采集含冗余的大量数据，压缩处理后再提取有用信息，且融合过程中要求每幅图像的所有像素点都参与，效率低并且存储空间消耗大。

发明内容

本发明现有技术存在融合过程中的冗余采样和计算复杂度高的问题，提供了一种基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法。

为实现以上发明目的，而采用的技术手段是：

一种基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，包括有如下步骤：

1)对输入多曝光图像序列进行归一化处理；

2)对归一化处理后的多曝光图像序列使用相机响应函数进行辐射校准；

3)对辐射校准后的多曝光图像序列进行NSCT变换得到各图像的低、高频系数；

4)对各图像的高频系数进行压缩采样；

5)计算各图像低、高频系数的空间频率作为PCNN网络的激励信号，通过最大值决策进行融合；

6)对融合后的高频系数进行压缩感知重构；

7)对融合后的低、高频系数进行NSCT逆变换，得到目标高动态范围图像。

上述方案中，通过对高频系数压缩感知，避免对冗余数据的采样，在远低于奈奎斯特采样率的条件下，随机采样获取离散信号。并对压缩测量的数据进行融合，进一步降低融合过程中的计算复杂度和数据融合。最后将融合后的数据通过重构方法高概率的重建，得到一幅包含丰富细节的高动态范围图像。

优选的，所述步骤1)与步骤2)之间还包括：

12)对数字图像采集设备的相机响应函数进行标定，相机响应函数定义为场景亮度通过透镜系统入射到传感器表面的辐射照度映射到最终采集设备获取的数字图像像素值的关系。该函数属于采集设备的特征曲线且为递增函数，必定存在逆映射。也可以拍摄多幅线性映射的多曝光图像。辐射校正使得图像的亮度都为线性映射关系，增加融合图像的准确性。

优选的，所述步骤1)的具体实现过程为：

11)定义输入图像序列M，对图像M进行归一化处理得到图像I，则图像I与图像M对应像素的灰度值的关系为：

I＝M/255 (18)。

优选的，所述步骤2)的具体实现过程为：

21)定义标定的相机响应函数的逆映射为f^-1，定义图像I对应的曝光时间参数为Δt，I^-1表示辐射校正的图像：

其中，使用图像采集设备的曝光环绕方法拍摄多幅不同曝光的图像，以中间曝光时间参数的图像作为参考图像，其曝光时间参数为Δt_ref。

优选的，所述步骤3)的具体实现过程为：

31)判断当前图像是否为灰度图像，若不是，则转换为灰度图像；

32)初始化NSCT变换的参数，包括：

待输入图像的灰度图；

levels：一维向量，定义了每一层图像金字塔中方向滤波器组的分解层数，如果层数为0，则对图像进行临界采样的二维小波分解；

dfilt：为字符串形式，定义方向分解步骤中使用的滤波器形式；

pfilt：为字符串形式，定义金字塔分解步骤中使用的滤波器形式；

此外NSCT中约定如下：

分解层数向量nlevs定义为[l_j,...,l₂,l₁]，其中l_j≥2，表示尺度j下的方向分解级数，则对j＝1,...,J和尺度2^j，方向k处的轮廓波系数为Img_nsct{J+2-j}{k}(n₁,n₂)；其中Img_nsct为NSCT变换的结果，位置(n₁,n₂)的具体取值如下：

当时，为

当时，为

当k从1变化到时，方向k的变化如下：

当时，方向k从135°按照cotan从-1到1的均匀增量顺时针旋转；

当时，方向k从135°按照tan从1到-1均匀递减；

33)NSCT变换包含以下步骤：

首先由非下采样金字塔(NSP)对于输入图像进行塔形分解，分解为低通子带图像和带通子带图像以实现图像的多尺度分解；然后由非下采样方向滤波器组(NSDFB)将带通子带图像分解为多个方向子带，以实现图像的多方向分解；对每一层的低通子带图像重复上述步骤；

其中NSP除去上、下采样，降低了在滤波器中采样造成的失真，以此得到了平移不变性；NSDFB是一个双通道滤波器，通过一个l层的方向分解，可得到2^l个与原始输入图像大小相同的子带图像，频带分割为锲形，NSDFB将分布在同方向的奇异点合成NSCT的系数；

经过J级NSCT分解后最终得到1个低频子带图像和个高频方向子带图像。

优选的，所述步骤4)的具体实现过程为：

41)对经过NSCT变换的各图像的高频系数矩阵，记为Coef_H，进行稀疏表示，得到Coef_H＝ψθ，其中ψ为稀疏表示基，设计观测矩阵Φ，则压缩采样的过程重写为：

y＝ΦCoef_H＝Φψθ＝Θθ (20)。

优选的，所述步骤41)还包括如下内容：

411)设计稀疏表示基，采用DCT基，定义图像的长度和宽度分别为row、col，则DCT的大小为row*row，通过如下方式生成：

设有数据序列Data(n),n＝0,1,...,(N-1)，则DCT基生成方式为：

得到变换矩阵ψ：

412)观测矩阵Φ的行数为row乘上采样率，列数大小为row；传感矩阵Θ＝Φψ应满足RIP性质：保证观测矩阵不会把两个不同的稀疏信号映射到同一个集合中，保证原空间到稀疏空间的一一映射关系，定义观测矩阵Φ的RIP常数δ_h为满足下式的最小值：

其中高频系数矩阵Coef_H为h稀疏的，即含有h个非零元素，若δ_h≤1，测成矩阵满则h阶RIP条件。

优选的，所述步骤5)的具体实现过程为：

51)定义第l层中第k个方向子带(i,j)的系数为则NSCT域内的空间频率定义为：

52)初始化PCNN参数如下：

迭代次数n：200；链接范围：3；衰变常数：α_l＝1、α_θ＝0.2；链接强度：β＝3；振幅增益：V_L＝1.0、V_θ＝20；链接权矩阵为

53)将计算出的空间频率作为PCNN的输入以刺激神经元产生脉冲响应，计算公式如下所示：

其中等于空间频率的大小，为链接范围内神经元点火次数总和，W_ij,pq为链接权重，p，q为PCNN中链接范围大小，分别为神经元的内部状态信号的外部输出，为阈值；如果则神经元将产生一个脉冲称为一次点火；

54)计算点火次数，得到点火图，点火次数的计算如下：

设定为两幅图像，定义点火图如下：

55)设定为两幅图像，选取具有最大点火次数的系数作为最终融合图像的系数：

其中和分别表示融合图像及两幅图像的系数。

优选的，所述步骤6)的具体实现过程为：

61)初始化：令标签索引集残差向量r₀＝y，y即为步骤41)中所获得的观测向量，迭代次数t＝1；

62)辨识：在传感矩阵Θ中求出与残差向量r_t-1最相关的所对应的列向量λ_t，即内积值最大时所对应的索引：

其中row为传感矩阵的列数，Θ_c表示传感矩阵的第c列；

63)更新：更新标签索引集Λ_t＝Λ_t-1∪{λ_t}，将找到的原子所对应的列向量添加到集合其中，t＞0，Λ_t表示t次迭代的索引，Θ_t表示按索引Λ_t选出的矩阵Θ的列集合；

64)估计：求y＝Θθ的最小二乘解：

65)更新残差向量

66)令t＝t+1；并不断重复步骤62)至步骤66)，若满足某个迭代停止条件，则停止迭代并进入第67)步；

67)求得输出系数向量

优选的，步骤66)中所述迭代停止条件包括3种情况：

661)当运行到t＞s时，迭代停止，其中，s表示固定的迭代步数；

662)残差向量的能量值小于某个预先给定的常数；

||r_t||₂≤ε (33)

663)当传感矩阵Θ的任何一列都没有残差向量r_t的明显能量时：

||Θ^Tr_t||∞≤ε (34)。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过标定相机响应函数先对输入图像序列进行辐射校准，得到在相同亮度域的图像序列；通过NSCT变换将图像分解为低通和高通部分，分解的最终结果为一幅低频子带图像和一系列不同方向的带通子带图像，对高频部分进行压缩感知，压缩感知突破了奈奎斯特采样率的限制，边采样变压缩，实现的不再是模拟数字转换，而是模拟信息转换，极大的减少了采样率，降低了数据存储和传输的代价。接着计算低、高频系数的空间频率作为PCNN网络的激励，得到点火图，通过最大值决策决定融合图像中的系数。NSCT变换提供了灵活的多分辨率、各向异性和方向扩展能力。相比于轮廓波变换，NSCT的平移不变性可克服伪吉布斯现象。PCNN广泛应用于数字图像处理领域中，是由神经相互连接形成一个二维矩阵的网格结构，特点为该网络的神经元数目与图像中的像素数目相同并且一一对应。

本发明能在极大降低采样率的同时，丰富融合图像的细节，有效降低融合过程中的冗余采样和计算复杂度，节约存储空间。

附图说明

图1为本发明的方法框图；

图2为本发明的方法流程图；

图3为实施例中memorial多曝光图像序列；

图4为融合后的高动态范围图像。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

如图1所示，一种基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，包括有如下步骤：

1)如图3所示为待输入的多曝光图像序列，对输入多曝光图像序列进行归一化处理；

2)对归一化处理后的多曝光图像序列使用相机响应函数进行辐射校准；

3)对辐射校准后的多曝光图像序列进行NSCT变换得到各图像的低、高频系数；

4)对各图像的高频系数进行压缩采样；

5)计算各图像低、高频系数的空间频率作为PCNN网络的激励信号，通过最大值决策进行融合；

6)对融合后的高频系数进行压缩感知重构；

7)对融合后的低、高频系数进行NSCT逆变换，得到目标高动态范围图像，如图4所示。

如图2所示为本发明方法的具体实施流程。

其中，所述步骤1)与步骤2)之间还包括：

12)对数字图像采集设备的相机响应函数进行标定，相机响应函数定义为场景亮度通过透镜系统入射到传感器表面的辐射照度映射到最终采集设备获取的数字图像像素值的关系。该函数属于采集设备的特征曲线且为递增函数，必定存在逆映射。也可以拍摄多幅线性映射的多曝光图像。辐射校正使得图像的亮度都为线性映射关系，增加融合图像的准确性。

其中，所述步骤1)的具体实现过程为：

11)定义输入图像序列M，对图像M进行归一化处理得到图像I，则图像I与图像M对应像素的灰度值的关系为：

I＝M/255 (35)。

其中，所述步骤2)的具体实现过程为：

21)定义标定的相机响应函数的逆映射为f^-1，定义图像I对应的曝光时间参数为Δt，I^-1表示辐射校正的图像：

其中，使用图像采集设备的曝光环绕方法拍摄多幅不同曝光的图像，以中间曝光时间参数的图像作为参考图像，其曝光时间参数为Δt_ref。

其中，所述步骤3)的具体实现过程为：

31)判断当前图像是否为灰度图像，若不是，则转换为灰度图像；

32)初始化NSCT变换的参数，包括：

待输入图像的灰度图；

levels：一维向量，定义了每一层图像金字塔中方向滤波器组的分解层数，如果层数为0，则对图像进行临界采样的二维小波分解；本实施例中的取值为[0,1,3,4,4]；

dfilt：为字符串形式，定义方向分解步骤中使用的滤波器形式；本实施例中采用的为pkva方向滤波器；

pfilt：为字符串形式，定义金字塔分解步骤中使用的滤波器形式；本实施例中采用的CDF9/7塔状小波滤波器。

此外NSCT中约定如下：

分解层数向量nlevs定义为[l_j,...,l₂,l₁]，其中l_j≥2，表示尺度j下的方向分解级数，则对j＝1,...,J和尺度2^j，方向k处的轮廓波系数为Img_nsct{J+2-j}{k}(n₁,n₂)；其中Img_nsct为NSCT变换的结果，位置(n₁,n₂)的具体取值如下：

当时，为

当时，为

当k从1变化到时，方向k的变化如下：

当时，方向k从135°按照cotan从-1到1的均匀增量顺时针旋转；

当时，方向k从135°按照tan从1到-1均匀递减；

33)NSCT变换包含以下步骤：

首先由非下采样金字塔(NSP)对于输入图像进行塔形分解，分解为低通子带图像和带通子带图像以实现图像的多尺度分解；然后由非下采样方向滤波器组(NSDFB)将带通子带图像分解为多个方向子带，以实现图像的多方向分解；对每一层的低通子带图像重复上述步骤；

其中NSP除去上、下采样，降低了在滤波器中采样造成的失真，以此得到了平移不变性。NSDFB是一个双通道滤波器，通过一个l层的方向分解，可得到2^l个与原始输入图像大小相同的子带图像，频带分割为锲形，NSDFB将分布在同方向的奇异点合成NSCT的系数；

经过J级NSCT分解后最终得到1个低频子带图像和个高频方向子带图像。

其中，所述步骤4)的具体实现过程为：

41)对经过NSCT变换的各图像的高频系数矩阵，记为Coef_H，进行稀疏表示，得到Coef_H＝ψθ，其中ψ为稀疏表示基，设计观测矩阵Φ，则压缩采样的过程重写为：

y＝ΦCoef_H＝Φψθ＝Θθ (37)。

其中，所述步骤41)还包括如下内容：

411)设计稀疏表示基，采用DCT基，定义图像的长度和宽度分别为row、col，则DCT的大小为row*row，通过如下方式生成：

设有数据序列Data(n),n＝0,1,...,(N-1)，则DCT基生成方式为：

得到变换矩阵ψ：

412)观测矩阵Φ的行数为row乘上采样率，列数大小为row；传感矩阵Θ＝Φψ应满足RIP性质：保证观测矩阵不会把两个不同的稀疏信号映射到同一个集合中，保证原空间到稀疏空间的一一映射关系，定义观测矩阵Φ的RIP常数δ_h为满足下式的最小值：

其中高频系数矩阵Coef_H为h稀疏的，即含有h个非零元素，若δ_h≤1，测成矩阵满则h阶RIP条件。

其中，所述步骤5)的具体实现过程为：

51)定义第l层中第k个方向子带(i,j)的系数为则NSCT域内的空间频率定义为：

52)初始化PCNN参数如下：

迭代次数n：200；链接范围：3；衰变常数：α_l＝1、α_θ＝0.2；链接强度：β＝3；振幅增益：V_L＝1.0、V_θ＝20；链接权矩阵为

53)将计算出的空间频率作为PCNN的输入以刺激神经元产生脉冲响应，计算公式如下所示：

其中等于空间频率的大小，为链接范围内神经元点火次数总和，W_ij,pq为链接权重，p，q为PCNN中链接范围大小，分别为神经元的内部状态信号的外部输出，为阈值；如果则神经元将产生一个脉冲称为一次点火；

54)计算点火次数，得到点火图，点火次数的计算如下：

设定为两幅图像，定义点火图如下：

55)设定为两幅图像，选取具有最大点火次数的系数作为最终融合图像的系数：

其中和分别表示融合图像及两幅图像的系数。

其中，所述步骤6)的具体实现过程为：

61)初始化：令标签索引集残差向量r₀＝y，y即为步骤41)中所获得的观测向量，迭代次数t＝1；

62)辨识：在传感矩阵Θ中求出与残差向量r_t-1最相关的所对应的列向量λ_t，即内积值最大时所对应的索引：

其中row为传感矩阵的列数，Θ_c表示传感矩阵的第c列；

63)更新：更新标签索引集Λ_t＝Λ_t-1∪{λ_t}，将找到的原子所对应的列向量添加到集合其中，t＞0，Λ_t表示t次迭代的索引，Θ_t表示按索引Λ_t选出的矩阵Θ的列集合；

64)估计：求y＝Θθ的最小二乘解：

65)更新残差向量

66)令t＝t+1；并不断重复步骤62)至步骤66)，若满足某个迭代停止条件，则停止迭代并进入第67)步；

67)求得输出系数向量

其中，步骤66)中所述迭代停止条件包括3种情况：

661)当运行到t＞s时，迭代停止，其中，s表示固定的迭代步数；

662)残差向量的能量值小于某个预先给定的常数ε，本实施例取1e-6；

||r_t||₂≤ε (50)

663)当传感矩阵Θ的任何一列都没有残差向量r_t的明显能量时：

||Θ^Tr_t||∞≤ε (51)。

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，其特征在于，包括有如下步骤：

1)对输入多曝光图像序列进行归一化处理；

2)对归一化处理后的多曝光图像序列使用相机响应函数进行辐射校准；

3)对辐射校准后的多曝光图像序列进行NSCT变换得到各图像的低、高频系数；

4)对各图像的高频系数进行压缩采样；

5)计算各图像低、高频系数的空间频率作为PCNN网络的激励信号，通过最大值决策进行融合；

6)对融合后的高频系数进行压缩感知重构；

7)对融合后的低、高频系数进行NSCT逆变换，得到目标高动态范围图像。

2.根据权利要求1所述的基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，其特征在于，所述步骤1)与步骤2)之间还包括：

12)对数字图像采集设备的相机响应函数进行标定，相机响应函数定义为场景亮度通过透镜系统入射到传感器表面的辐射照度映射到最终采集设备获取的数字图像像素值的关系。

3.根据权利要求1所述的基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，其特征在于，所述步骤1)的具体实现过程为：

11)定义输入图像序列M，对图像M进行归一化处理得到图像I，则图像I与图像M对应像素的灰度值的关系为：

I＝M/255 (1)。

4.根据权利要求1所述的基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，其特征在于，所述步骤2)的具体实现过程为：

21)定义标定的相机响应函数的逆映射为f^-1，定义图像I对应的曝光时间参数为Δt，I^-1表示辐射校正的图像：

其中，使用图像采集设备的曝光环绕方法拍摄多幅不同曝光的图像，以中间曝光时间参数的图像作为参考图像，其曝光时间参数为Δt_ref。

5.根据权利要求1所述的基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，其特征在于，所述步骤3)的具体实现过程为：

31)判断当前图像是否为灰度图像，若不是，则转换为灰度图像；

32)初始化NSCT变换的参数，包括：

待输入图像的灰度图；

levels：一维向量，定义了每一层图像金字塔中方向滤波器组的分解层数，如果层数为0，则对图像进行临界采样的二维小波分解；

dfilt：为字符串形式，定义方向分解步骤中使用的滤波器形式；

pfilt：为字符串形式，定义金字塔分解步骤中使用的滤波器形式；

此外NSCT中约定如下：

分解层数向量nlevs定义为[l_j,...,l₂,l₁]，其中l_j≥2，表示尺度j下的方向分解级数，则对j＝1,...,J和尺度2^j，方向k处的轮廓波系数为Img_nsct{J+2-j}{k}(n₁,n₂)；其中Img_nsct为NSCT变换的结果，位置(n₁,n₂)的具体取值如下：

当时，为

当时，为

当k从1变化到时，方向k的变化如下：

当时，方向k从135°按照cotan从-1到1的均匀增量顺时针旋转；

当时，方向k从135°按照tan从1到-1均匀递减；

33)NSCT变换包含以下步骤：

首先由非下采样金字塔(NSP)对于输入图像进行塔形分解，分解为低通子带图像和带通子带图像以实现图像的多尺度分解；然后由非下采样方向滤波器组(NSDFB)将带通子带图像分解为多个方向子带，以实现图像的多方向分解；对每一层的低通子带图像重复上述步骤；

其中NSP除去上、下采样；NSDFB通过一个l层的方向分解，得到2^l个与原始输入图像大小相同的子带图像，频带分割为锲形，NSDFB将分布在同方向的奇异点合成NSCT的系数；

经过J级NSCT分解后最终得到1个低频子带图像和个高频方向子带图像。

6.根据权利要求1所述的基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，其特征在于，所述步骤4)的具体实现过程为：

41)对经过NSCT变换的各图像的高频系数矩阵，记为Coef_H，进行稀疏表示，得到Coef_H＝ψθ，其中ψ为稀疏表示基，设计观测矩阵Φ，则压缩采样的过程重写为：

y＝ΦCoef_H＝Φψθ＝Θθ (3)。

7.根据权利要求6所述的基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，其特征在于，所述步骤41)还包括如下内容：

411)设计稀疏表示基，采用DCT基，定义图像的长度和宽度分别为row、col，则DCT的大小为row*row，通过如下方式生成：

设有数据序列Data(n),n＝0,1,...,(N-1)，则DCT基生成方式为：

得到变换矩阵ψ：

412)观测矩阵Φ的行数为row乘上采样率，列数大小为row；传感矩阵Θ＝Φψ应满足RIP性质：保证观测矩阵不会把两个不同的稀疏信号映射到同一个集合中，保证原空间到稀疏空间的一一映射关系，定义观测矩阵Φ的RIP常数δ_h为满足下式的最小值：

其中高频系数矩阵Coef_H为h稀疏的，即含有h个非零元素，若δ_h≤1，测成矩阵满则h阶RIP条件。

8.根据权利要求1所述的基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，其特征在于，所述步骤5)的具体实现过程为：

51)定义第l层中第k个方向子带(i,j)的系数为则NSCT域内的空间频率定义为：

52)初始化PCNN参数如下：

迭代次数n：200；链接范围：3；衰变常数：α_l＝1、α_θ＝0.2；链接强度：β＝3；振幅增益：V_L＝1.0、V_θ＝20；链接权矩阵为

53)将计算出的空间频率作为PCNN的输入以刺激神经元产生脉冲响应，计算公式如下所示：

其中等于空间频率的大小，为链接范围内神经元点火次数总和，W_ij,pq为链接权重，p，q为PCNN中链接范围大小，分别为神经元的内部状态信号的外部输出，为阈值；如果则神经元将产生一个脉冲称为一次点火；

54)计算点火次数，得到点火图，点火次数的计算如下：

设定为两幅图像，定义点火图如下：

55)设定为两幅图像，选取具有最大点火次数的系数作为最终融合图像的系数：

其中 和分别表示融合图像及两幅图像的系数。

9.根据权利要求1所述的基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，其特征在于，所述步骤6)的具体实现过程为：

61)初始化：令标签索引集残差向量r₀＝y，y即为步骤41)中所获得的观测向量，迭代次数t＝1；

62)辨识：在传感矩阵Θ中求出与残差向量r_t-1最相关的所对应的列向量λ_t，即内积值最大时所对应的索引：

其中row为传感矩阵的列数，Θ_c表示传感矩阵的第c列；

63)更新：更新标签索引集Λ_t＝Λ_t-1∪{λ_t}，将找到的原子所对应的列向量添加到集合其中，t＞0，Λ_t表示t次迭代的索引，Θ_t表示按索引Λ_t选出的矩阵Θ的列集合；

64)估计：求y＝Θθ的最小二乘解：

65)更新残差向量

66)令t＝t+1；并不断重复步骤62)至步骤66)，若满足某个迭代停止条件，则停止迭代并进入第67)步；

67)求得输出系数向量

10.根据权利要求9所述的基于NSCT和PCNN的压缩感知域内的高动态范围图像融合方法，其特征在于，步骤66)中所述迭代停止条件包括3种情况：

661)当运行到t＞s时，迭代停止，其中，s表示固定的迭代步数；

662)残差向量的能量值小于某个预先给定的常数ε，例如取1e-6；

||r_t||₂≤ε (16)

663)当传感矩阵Θ的任何一列都没有残差向量r_t的明显能量时：

||Θ^Tr_t||∞≤ε (17)。