基于目标检测的红外与可见光序列图像特征级融合方法

1.一种基于目标检测的红外与可见光序列图像特征级融合方法，其特征在 于，首先利用区域生长法分割每一帧源图像，根据有效测量计算，自动得出背 景区域和目标区域，对分割后的源图像序列采用双树复小波变换方法进行变 换；在得到变换后的小波系数后，对目标和背景区域分别应用不同的融合规则， 以实现特征级的序列图像融合；得到不同区域的小波融合系数后，使用双树复 小波逆变换，即得到融合序列图像。
2.根据权利要求1所述的基于目标检测的红外与可见光序列图像特征级融 合方法，其特征是，包括以下步骤：
第一，目标检测
首先，采用一种区域生长方法来分割初始序列图像，区域生长是将具有相似 性质的像素集合起来构成区域，对于区域生长的判决条件，采用灰度相似性判决：
设已分割区域R的灰度均值为 x，待测像素点灰度为y，则待测像素点与已 分割区域相似性s表示为：
S＝w(y- x)2，
式中，w为非负权值，对于s≤100w，则认为待测像素与已分割区域相似，并入已 分割的区域中，否则，不进行合并，同时用y更新均值：
xnew←(N xold+y)/(N+1)，式中，N是已生长区域的像素点个数；
然后，对每个候选的区域进行有效测量计算：
$C_i=\frac{1}{(1+e^{-{\lambda }_1({\mu }_f-{\mu }_1)})}\frac{1}{(1+e^{-{\lambda }_2({\mu }_f-{\mu }_b-{\mu }_2)})}$
这里，μf和μb分别表示第i个目标的前景和背景的灰度平均值，λ1和λ2控制 指数函数的倾斜度，μ1和μ2分别表示指数函数的偏移量，这样就能根据Ci的值 自动得出目标区域和背景区域；
第二，双树复小波变换
对树状结构的每一层滤波器的输出做因子为2的子采样，两棵树的滤波器长 度分别为奇数和偶数且它们的相位为线性，这样滤波器的冲击响应对应于复小波 变换系数的实数部分和虚数部分，通过对图像的行和列分别进行双树复小波滤 波，即对列滤波器的输出再进行行滤波器共轭滤波，把一维双树复小波变换扩展 为二维，这就使得二维信号的双树复小波变换具有4∶1的冗余度，行滤波器的子 采样输出和它们的复共轭构成6个带通图像；
第三，图像融合
在单一的目标区域里，融合规则为系数选择法：对于第二步骤中得到的小波 系数，在该区域内采用目标区域出现的图像帧里所对应区域的小波系数作为融合 小波系数；
在重叠目标区域采取系数选择法或者加权平均法：对于第二步骤中得到的小 波系数，如果该区域的能量系数小于某一相似性系数，就选取小波系数值大的系 数作为该区域的融合小波系数；否则，对相应的两个小波系数采用加权平均作为 融合小波系数；
在背景区域的融合里面，采用最大选择规则：对于第二步骤中得到的小波系 数，在该区域内采用小波系数值大的系数作为融合的小波系数；
第四，双树复小波逆变换
对第三步骤得到的小波系数进行双树复小波逆变换得到融合的序列图像，其 中，对两棵数上的小波系数采用系数为0.5的加权平均，得到逆变换后的图像像 素灰度值。
3.根据权利要求1或2所述的基于目标检测的红外与可见光序列图像特征级 融合方法，其特征是，在后续的每一帧源图像里面采用模板匹配法找到目标区域， 具体为：
采用以像素为匹配特征的算法，通过求相似函数：
$h(u,v)=\frac{\underset{x,y}{\Sigma }f(u+x,v+y)t(x,y)}{\sqrt{\underset{x,y}{\Sigma }{f}^2(u+x,v+y)}}$
的最大值来作为对最佳匹配点的定量度量，其中，h(u，v)表示相似系数， f(u+x，v+y)表示待匹配图像点的灰度值，t(x，y)表示匹配模板像素点的灰度值。
4.根据权利要求1或2所述的基于目标检测的红外与可见光序列图像特征 级融合方法，其特征是，所述的双树复小波变换以及双树复小波逆变换，均采 用Q-shift9小波。

暂无