一种利用模糊度量和形态学交替算子的红外与可见光图像融合方法

摘要

一种利用模糊度量和形态学交替算子的红外与可见光图像融合方法，它有四大步骤：一、利用两种形态学交替算子提取原始红外与可见光图像中的多尺度特征；二、由提取到的多尺度特征构造多尺度融合特征；三、利用模糊度量计算每一尺度融合特征的权值，通过加权求和产生最终的融合特征；四、以原始图像的平均图像为基准，引入最终的融合特征，生成最终融合图像。本发明可应用于各类基于图像融合的实际应用系统，具有很好的应用前景。

主权项

一种利用模糊度量和形态学交替算子的红外与可见光图像融合方法，其特征在于：该方法具体步骤如下：步骤一：利用两种形态学交替算子提取原始红外与可见光图像中的多尺度亮、暗特征，具体如下：设f，g为原始红外与可见光图像，则提取的红外图像f的多尺度亮特征BFAO_i(f)如下：${\mathrm{BFAO}}_i\left(f\right)=[{\mathrm{BFAO}}_i^1\left(f\right)+{\mathrm{BFAO}}_i^2\left(f\right)]/2,$和的表述如下：${\mathrm{BFAO}}_i^1\left(f\right)=\max [f(x,y)-[{\mathrm{AO}}_i^1\left(f\right)](x,y),0],$${\mathrm{BFAO}}_i^2\left(f\right)=\max [f(x,y)-[{\mathrm{AO}}_i^2\left(f\right)](x,y),0],$其中，和为两类形态学交替算子，其定义如下：${\mathrm{AO}}_i^1(x,y)={\mathrm{IFD}}_{B_i}\left({\mathrm{IFB}}_{B_i}(x,y)\right),$${\mathrm{AO}}_i^2(x,y)={\mathrm{IFB}}_{B_i}\left({\mathrm{IFD}}_{B_i}(x,y)\right),$其中，和的表述如下：${\mathrm{IFB}}_{B_i}\left(f\right)(x,y)=\max (f(x,y)-{\mathrm{TO}}_{B_i}\left(f\right)(x,y),0),$${\mathrm{IFD}}_{B_i}\left(f\right)(x,y)=\max ({\mathrm{TO}}_{B_i}\left(f\right)(x,y)-f(x,y),0),$其中，的表述如下：其中，为多尺度形态学结构元素，B₁表示最低尺度的结构元素；f○B_i和f●B_i的表述如下：$f·B_i=(f\oplus B_i)\Theta B_i,$其中，和fΘB_i的表述如下：$f\oplus B_i=\underset{u,v}{\max }(f(x-u,y-v)+B_i(u,v)),$$\mathrm{f\Theta }{B}_i=\underset{u,v}{\min }(f(x+u,y+v)-B_i(u,v)),$其中，(x,y)和(u,v)是f和B_i的图像坐标；和Θ分别代表形态学膨胀和腐蚀运算；同理，提取的红外图像f的多尺度暗特征DFAO_i(f)如下：${\mathrm{DFAO}}_i\left(f\right)=[{\mathrm{DFAO}}_i^1\left(f\right)+{\mathrm{DFAO}}_i^2\left(f\right)]/2,$其中，和的表述如下：${\mathrm{DFAO}}_i^1\left(f\right)=\max \left[\right[{\mathrm{AO}}_i^1\left(f\right)](x,y)-f(x,y),0],$${\mathrm{DFAO}}_i^2\left(f\right)=\max \left[\right[{\mathrm{AO}}_i^2\left(f\right)](x,y)-f(x,y),0];$同样，针对可见光图像g，提取的多尺度亮特征BFAO_i(g)和暗特征DFAO_i(g)分别如下：${\mathrm{BFAO}}_i\left(g\right)=[{\mathrm{BFAO}}_i^1\left(g\right)+{\mathrm{BFAO}}_i^2\left(g\right)]/2,$${\mathrm{DFAO}}_i\left(g\right)=[{\mathrm{BFAO}}_i^1\left(g\right)+{\mathrm{BFAO}}_i^2\left(g\right)]/2;$步骤二：由提取的多尺度亮、暗特征构造多尺度亮、暗融合特征：按下式计算由红外和可见光图像产生的多尺度亮融合特征BFAO_i(f,g)：${\mathrm{BFAO}}_i(f,g)=\left\{\begin{array}{ccc}\left[{\mathrm{BFAO}}_i\left(f\right)\right](x,y),& \mathrm{if}& \left[{\mathrm{BFAO}}_i\left(f\right)\right](x,y)>\left[{\mathrm{BFAO}}_i\left(g\right)\right](x,y)\\ \left[{\mathrm{BFAO}}_i\left(g\right)\right](x,y),& & \mathrm{else}\end{array}\right.;$按下式计算由红外和可见光图像产生的多尺度暗融合特征DFAO_i(f,g)：${\mathrm{DFAO}}_i(f,g)=\left\{\begin{array}{ccc}\left[{\mathrm{DFAO}}_i\left(f\right)\right](x,y),& \mathrm{if}& \left[{\mathrm{DFAO}}_i\left(f\right)\right](x,y)>\left[{\mathrm{DFAO}}_i\left(g\right)\right](x,y)\\ \left[{\mathrm{DFAO}}_i\left(g\right)\right](x,y),& & \mathrm{else}\end{array}\right.;$步骤三：利用模糊度量计算每一尺度融合特征的权值，通过加权求和产生最终的亮、暗融合特征：按下式计算最终的亮融合特征FBFAO(f,g)：$\mathrm{FBFAO}(f,g)=\underset{i}{\Sigma }{\mathrm{wf}}_i\times {\mathrm{BFAO}}_i(f,g),$其中，wf_i的表述如下：${\mathrm{wf}}_i=\gamma \left[{\mathrm{BFAO}}_i(f,g)\right]/\underset{i}{\Sigma }\gamma \left[{\mathrm{BFAO}}_i(f,g)\right],$$\gamma \left(I\right)=\frac{2}{M\times N}\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}\min \{p_{\mathrm{xy}},(1-p_{\mathrm{xy}})\},$$p_{\mathrm{xy}}=\sin [\frac{\pi }{2}\times (1-\mu (x,y))],$μ(x,y)＝I(x,y)/I_max，其中，I为任意图像，I_max为图像I中的最大灰度值；同理，按下式计算最终的暗融合特征FDFAO(f,g)：$\mathrm{FDFAO}(f,g)=\underset{i}{\Sigma }{\mathrm{df}}_i\times {\mathrm{DFAO}}_i(f,g),$其中，df_i的表述如下：${\mathrm{df}}_i=\gamma \left[{\mathrm{dFAO}}_i(f,g)\right]/\underset{i}{\Sigma }\gamma \left[{\mathrm{DFAO}}_i(f,g)\right];$步骤四：以原始红外和可见光图像的平均图像为基准，引入最终的亮、暗融合特征，生成最终融合图像。