一种融合可见光图像与对应夜视红外图像的检测方法与流程

技术特征：

1.一种融合可见光图像与对应夜视红外图像的检测方法，其特征在于，包括如下步骤：

S1，通过红外夜视仪对夜晚道路目标的可见光图像进行处理，得到其对应的夜视红外图像；

S2，运用深度学习网络对可见光图像进行特征提取；

S3，基于增量编码长度衡量显著性值的方法，对可见光图像的特征提取图像进行显著性区域的提取，得到可见光图像的显著性图像；

S4，对可见光图像对应的夜视红外图像，运用GBVS模型(基于图论的图像显著性分析算法)进行显著性区域的粗提取，得到夜视红外图像的显著性图像CC；

S5，运用基于超复数频域的谱尺度空间的方法，基于全局特征，对显著性图像CC进行显著性区域的再提取，得到夜视红外图像的显著性图像ZZ；

S6，将可见光图像的显著性图像和夜视红外图像的显著性图像ZZ融合，得到夜晚道路目标的显著性图像。

2.根据权利要求1所述的一种融合可见光图像与对应夜视红外图像的检测方法，其特征在于，所述S2中运用深度学习网络对可见光图像进行特征提取的具体步骤为：

S2.1，任意选取可见光图像一小块区域；

S2.2，运用图像空间金字塔法对S2.1的一小块区域进行多尺度的划分，得到可见光图像的多尺度图像；

S2.3，利用栈式自编码得到可见光图像的多尺度图像的稀疏响应图；

S2.4，对可见光图像的多尺度图像的稀疏响应图运用卷积进行特征提取，得到多尺度图像的稀疏响应特征图；

S2.5，按照稀疏响应值最大的原则，从多尺度图像的稀疏响应特征图中的某个尺度图像上选取一个LxL区域，并针对所选取的区域进行不同尺度上的空间池化，以整合不同尺度图像上的稀疏响应特征；

S2.6，在S2.5中某个尺度图像上一个LxL区域的竖直方向的相同位置选取若干个区域，并对若干个区域进行多尺度的区域融合，得到一个融合区域图像；

S2.7，采用S2.2-S2.5处理可见光图像的步骤对融合区域图像进行处理，得到融合区域图像的稀疏响应特征；

S2.8，运用解码器对融合区域图像的稀疏响应特征进行解码，得到可见光图像的多尺度特征图，再对可见光图像的多尺度特征图进行多尺度的融合，得到一幅特征图；

S2.9，利用SVM分类器(支持向量机算法)对S2.8得到特征图的进行特征分类，最终获取可见光图像的特征提取图像。

3.根据权利要求1所述的一种融合可见光图像与对应夜视红外图像的检测方法，其特征在于，所述S5中运用基于超复数频域的谱尺度空间的方法，基于全局特征，对显著性图像CC进行显著性区域的再提取的具体步骤为：

S5.1，通过对显著性图像CC的红绿蓝三个分量组合计算，得到显著性图像CC的三个特征图U,RG,BY；

S5.2，对特征图U,RG,BY进行整合，计算得到显著性图像CC的超复数矩阵f(x,y)；

S5.3，先对超复数矩阵f(x,y)进行超复数傅立叶变换，然后计算显著性图像CC的幅值谱A，相位谱p，特征轴谱kk；

S5.4，对幅值谱A进行卷积，从而得到显著性图像CC的谱尺度空间{AA_k}；

S5.5，基于显著性图像CC的谱尺度空间{AA_k}计算得到显著性图像CC的显著图序列{Z_i}；

S5.6，运用基于最大方差的原则选取显著图序列{Z_i}中的一个显著图序列作为夜视红外图像的显著性图像ZZ。

4.根据权利要求3所述的一种融合可见光图像与对应夜视红外图像的检测方法，其特征在于，所述S5.2中超复数矩阵f(x,y)的计算公式为其中向量分别为在三维空间直角坐标系中与x、y、z轴方向相同的单位向量。

5.根据权利要求3所述的一种融合可见光图像与对应夜视红外图像的检测方法，其特征在于，所述S5.3中幅值谱A的计算公式为A＝|F(f(x,y))|，其中||表示求幅值，F()表示超复数傅立叶变换。

6.根据权利要求3所述的一种融合可见光图像与对应夜视红外图像的检测方法，其特征在于，所述S5.5中显著图序列{Z_i}的计算公式为：Z_i＝g*|F^-1{AA_k(x,y)e^kk×p(x,y)}|²，其中相位谱特征轴谱||表示求幅值，F()表示超复数傅立叶变换，表示相位，g表示高斯核，*表示卷积，×表示乘积，F^-1表示傅立叶反变换，v()表示取傅立叶变换后的矢量部分，||||表示求矢量的模。