论文部分内容阅读
红外和可见光图像融合已经成为多源图像融合中的重要一员,在国民经济各领域的应用前景越来越广阔。红外图像通过记录景物热辐射强度来体现物体的物理信息,可见光图像则通过记录景物光谱信息的反射特性来描述物体的物理信息,二者融合可以获得更丰富、完整的融合图像。目前,基于变换域的图像融合成为新的发展趋势。为了充分地利用二者的互补信息,得到更好的融合图像,本文提出的融合算法就是将脉冲发放皮层模型(Spiking Cortical Model,SCM)和多尺度几何变换——非下采样Contourlet变换(Non-subsampled Contourlet Transform,NSCT)、非下采样双树复轮廓波变换(Non-subsampled Dual-tree Complex Contourlet Transform,NSDTCT)相结合对红外和可见光图像进行融合的变换域算法。图像经过多尺度、多分辨分解后,依据红外和可见光图像各自的特点,高、低频分别通过不同的融合规则进行融合。论文主要的贡献如下:1.基于目标提取和SCM的NSCT域红外和可见光图像融合针对红外和可见光图像融合时目标信息不够突出的现象,本文依据脉冲发放皮层模型同步发放脉冲的特性并结合区域生长法对红外目标进行提取,通过NSCT变换对目标提取后的红外图像和原始可见光图像进行分解,得到相应的目标区域和背景区域。根据高、低频包含的信息不同,对于目标区域的高频,采用边缘能量作为SCM的外部激励的融合规则进行脉冲选择,得到融合后目标区域的高频系数。最终通过NSCT逆变换获取融合后的图像。仿真结果表明,结合目标提取与SCM的NSCT域红外和可见光图像融合算法能够很好地保留红外图像的目标信息和可见光图像的背景信息,融合效果理想。2.基于模糊逻辑和SCM的NSDTCT域红外和可见光图像融合针对现有多尺度几何变换中存在的一些不足,本文提出将多尺度、多分辨变换NSDTCT结合模糊逻辑和SCM的融合规则去分解图像。NSDTCT变换具有更好的方向选择性、平移不变性、各向异性和时频局部化特性,可以有效的解决频谱混叠现象,并改善图像的灰度层次性和清晰度。模糊逻辑善于表达界限不清晰的问题,有利于增强图像的对比度,非常适用于红外和可见光图像融合。SCM具有脉冲耦合神经网络(Pulse Couple Neural Network,PCNN)和交叉皮层模型(Intersecting Cortical Model,ICM)的共同优点,运算简便,且它对几何变化具有鲁棒性,从而提高融合图像的质量。该算法首先用S函数提高原始红外图像的对比度,接着采用NSDTCT分解增强后的红外图像和原始可见光图像,分别得到低频和高频子带系数。然后,在低频中,通过计算局部区域能量得到模糊函数中的权重系数,进而得到融合后的低频系数;在高频中,由像素清晰度和显著性去激励SCM得到融合后的高频系数。最后,通过NSDTCT逆变换重构出融合图像。通过与现有的主流融合方法一一进行实验比较,结果表明,本文算法具有可靠性和有效性。