一種基于黎曼度量的自適應(yīng)多策略圖像融合方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像融合技術(shù)領(lǐng)域，特別是一種基于黎曼度量的自適應(yīng)多策略圖像融 合方法。
【背景技術(shù)】
[0002] 圖像融合的過程是對源圖像特征提取的過程，但是有時直接對圖像灰度值的操作 不能達(dá)到很好的區(qū)分度，因此可以通過把圖像轉(zhuǎn)換成包含更豐富信息的形式，比如結(jié)構(gòu)張 量，來產(chǎn)生更有區(qū)分度的特征（編碼彩色、梯度等）。紋理是圖像的最重要的特征之一，因此 充分考慮圖像的紋理信息可以提高融合圖像的質(zhì)量。
[0003] 作為一種快速局部處理方法，結(jié)構(gòu)張量已經(jīng)被用來進(jìn)行紋理分析，它可以作為邊 緣保持以及方向的測度。結(jié)構(gòu)張量是一類非常特殊的矩陣（正定對稱矩陣），其位于黎曼流 形（賦予黎曼度量的微分流形）上。黎曼空間的操作不再遵循歐式幾何，因為它不屬于向 量空間，比如該空間對乘以負(fù)數(shù)不封閉，因此不能利用傳統(tǒng)的歐式幾何運算進(jìn)行操作。
[0004] 根據(jù)Pennec對醫(yī)學(xué)圖像處理的研宄，Affine-Invariant度量（AI)和 Log-Euclidean度量（LE)為處理張量提供了有力的工具。Caseiro等提出了一種基于張量 域黎曼框架的前景分割方法，定義了張量流形上的核密度估計模型（KDE)，賦予了張量流形 兩種度量方式：Affine-Invariant度量（AI)和Log-Euclidean度量（LE)，取得了很好的分 割效果。王國剛提出了一種基于黎曼度量的Hausdorff距離圖像匹配算法，在匹配的準(zhǔn)確 性、抵抗噪聲干擾和光照變換等方面效果良好。劉佳提出了一種基于協(xié)方差描述子和黎曼 流形的語音情感識別方法，利用仿射不變度量實現(xiàn)了較好的識別效果。鑒于黎曼度量在圖 像其他領(lǐng)域的良好應(yīng)用，因此本發(fā)明將黎曼度量引入到圖像融合中，以期獲得更好的融合 效果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種基于黎曼度量的自適應(yīng)多策略圖像融合方法，能夠?qū)?現(xiàn)對多源圖像進(jìn)行高效的圖像融合。
[0006] 實現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種基于黎曼度量的自適應(yīng)多策略圖像融合 方法，包括以下步驟： 步驟1)，源圖像多尺度分解：對源圖像進(jìn)行平移不變剪切波變換（SIST)分解，得到低 頻子帶系數(shù)和一系列高頻子帶系數(shù)； 步驟2)，低頻子帶系數(shù)融合：對于步驟1)得到的低頻子帶系數(shù)，采用基于加權(quán)平均的 融合策略，得到低頻融合子帶系數(shù)； 步驟3)，高頻子帶系數(shù)融合：對于步驟1)得到的高頻子帶系數(shù)，給出了一種黎曼空 間不相似度，采用基于黎曼度量的自適應(yīng)多策略融合規(guī)則進(jìn)行融合，得到高頻子帶融合系 數(shù)； 步驟4)，圖像重構(gòu)：將步驟2)得到的低頻融合子帶系數(shù)和步驟3)得到的高頻子帶融 合系數(shù)進(jìn)行SIST逆變換，得到最終融合圖像。
[0007] 所述步驟1)具體為：將待融合的兩幅MxJV源圖像』和3，利用SIST分別將兩幅 圖像分解為低頻子帶與高頻子帶系數(shù)
為低頻子帶系 數(shù)；<5*和<7為一系列高頻子帶系數(shù)。
[0008] 所述步驟2)具體為：對得到的低頻子帶系數(shù)采用加權(quán)平均的融合規(guī)則進(jìn)行融合。
[0009] 式中，
分別表示源圖像以及融合圖像F在 點(x&v)處對應(yīng)的低頻系數(shù)。
[0010] 所述步驟3)包括如下步驟： a)計算高頻子帶系數(shù)的結(jié)構(gòu)張量 對于圖像中的某一點
的鄰域，這點的 局部梯度向星為：
其中：
分別為jc和>F方向的導(dǎo)數(shù)。
[0011] 利用梯度向量可以得到點的結(jié)構(gòu)張量：
其中，
分別為I和jr方向的導(dǎo)數(shù)；*為卷積運算，&是標(biāo)準(zhǔn) 差為#的高斯核。
[0012] b)黎曼空間不相似度S ①基于AI(Affine-Invariant)度量的不相似度S虞 對于
，基于AI度量的P.0之間的不相似度（測地線距離）
為：
其中，&表示矩陣的跡。
[0013] ②基于Log-Euclidean度量的不相似度 對于
，基于LE度量的之間的不相似度（測地線距離）
為：
其中，*表示矩陣的跡。
[0014] c)采用基于黎曼度量的自適應(yīng)多策略規(guī)則融合 高頻子帶系數(shù)采用基于黎曼度量的自適應(yīng)多策略融合規(guī)則進(jìn)行融合，融合規(guī)則如下：
其中，
分別表示源圖像2、5以及融合圖像F在點 (U)處的高頻子帶系數(shù)，權(quán)值吟由sigmoid函數(shù)計算得到，收縮因子fc與變量e的計算在 下面詳細(xì)討論。
[0015] 計算收縮因子* 通過以下公式建立*：與黎曼空間不相似度S的關(guān)系。
[0016] 其中，ff是一個正參數(shù)。
[0017] :f計算變量*r ?的計算公式如下：
其中，&或各為區(qū)域能量；i為不小于3的奇數(shù)；
表示源圖像j或遇在點 (ty)處第_/個高頻子帶系數(shù)。
[0018] 本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點：（1)利用SIST對待融合圖像進(jìn)行多尺度多 方向的分解，SIST是圖像融合領(lǐng)域很有發(fā)展前景的分解工具，它克服了下采樣操作引起的 偽Gibbs效應(yīng)，有效抑制圖像失真，并且各個子帶系數(shù)間的對應(yīng)關(guān)系更加明確。（2)引入了 結(jié)構(gòu)張量，結(jié)構(gòu)張量可以實現(xiàn)像素級和區(qū)域級特征的融合，在像素級能夠利用梯度等信息 描述每一個像素，在區(qū)域級可以通過結(jié)構(gòu)張量可以表示出像素級提取的特征相關(guān)性，并通 過計算像素點鄰域得到，并且結(jié)構(gòu)張量的階數(shù)不依賴于鄰域窗口的大小，而是依賴于特征 向量的維數(shù)，因此具備尺度不變性。（3)給出了一種黎曼空間不相似度，并提出了一種基于 黎曼度量的自適應(yīng)多策略融合規(guī)則。該方法適用范圍廣，對多聚焦圖像、遙感圖像、醫(yī)學(xué)圖 像、紅外與可見光圖像均有很好的效果，并且具有魯棒性強(qiáng)的優(yōu)點。
[0019] 下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)描述。
【附圖說明】
[0020] 圖1是本發(fā)明基于黎曼度量的自適應(yīng)多策略圖像融合方法的流程圖。
[0021] 圖2 (a)是本發(fā)明方法右聚焦圖像。
[0022] 圖2 (b)是本發(fā)明方法左聚焦圖像。
[0023] 圖2 (c)是基于加權(quán)平均的多聚焦圖像融合結(jié)果圖。
[0024] 圖2 (d)是基于PCA的多聚焦圖像融合結(jié)果圖。
[0025] 圖2 (e)是基于梯度金字塔變換的多聚焦圖像融合結(jié)果圖。
[0026] 圖2 (f)是基于FSDP的多聚焦圖像融合結(jié)果圖。
[0027] 圖2 (g)是基于PCNN的多聚焦圖像融合結(jié)果圖。
[0028] 圖2 (h)是基于Shearlet變換和PCNN的多聚焦圖像融合結(jié)果圖。
[0029] 圖2 (i)是基于本發(fā)明方法的利用仿射不變度量（AI)的多聚焦圖像融合結(jié)果 圖。
[0030] 圖2 (j)是基于本發(fā)明方法的利用Log-Euclidean度量（LE)的多聚焦圖像融合 結(jié)果圖。
[0031] 圖3 (a)是本發(fā)明方法NMR圖像。
[0032] 圖3 (b)是本發(fā)明方法CT圖像。
[0033] 圖3 (c)是基于加權(quán)平均的醫(yī)學(xué)圖像融合結(jié)果圖。
[0034] 圖3 (d)是基于PCA的醫(yī)學(xué)圖像融合結(jié)果圖。
[0035] 圖3 (e)是基于梯度金字塔變換的醫(yī)學(xué)圖像融合結(jié)果圖。
[0036] 圖3 (f)是基于FSDP的醫(yī)學(xué)圖像融合結(jié)果圖。
[0037] 圖3 (g)是基于PCNN的醫(yī)學(xué)圖像融合結(jié)果圖。
[0038] 圖3 (h)是基于Shearlet變換和PCNN的醫(yī)學(xué)圖像融合結(jié)果圖。
[0039] 圖3 (i)是基于本發(fā)明方法的利用AI度量的醫(yī)學(xué)圖像融合結(jié)果圖。
[0040] 圖3 (j)是基于本發(fā)明方法的利用LE度量的