一种基于色调统计特性分类的多角度SAR图像融合方法与流程

本发明属于成像雷达探测领域，同时还属于图像融合处理领域，尤其涉及一种基于色调统计特性分类的多角度SAR图像融合方法。

背景技术：

合成孔径雷达(Synthetic Aperture Radar,以下简称SAR)作为主动式微波传感器，充分利用了脉冲压缩技术、合成孔径原理以及信号相干处理方法，能够以真实小孔径天线获取距离向和方位向二维高分辨的雷达图像，可实现全天时、全天候的目标观测，可透过地表和植被获取目标信息，可跟踪测量目标的散射特性，还可实现对机动目标的成像识别。这些特点使其一跃成为现代军事侦察的主要工具，其获取的高分辨雷达图像极大地推进了军事活动的信息化进程并深刻改变了现代战争的形态。

但是，经典SAR的直线观测几何仅能获取目标在较小方位角度内的散射信息，其“距离-多普勒”成像原理以及特殊的侧视成像探测模式，导致输出图像不可避免地存在目标遮挡、探测阴影(盲区)和目标叠掩等固有问题，给系统对目标检测与识别带来了不利影响。例如，SAR图像中由于遮挡造成的阴影区域成为探测的盲区，无法提供该部分的目标信息，而叠掩现象使得不同空间位置的目标散射信息相互叠加在同一个分辨单元内，严重时甚至会对感兴趣的目标散射信息产生遮盖，导致系统对目标检测和识别的正确率大大降低。

在军事侦察中，准确而全面地了解战场环境和获取重点目标的信息非常重要，上述问题让成像效果大打折扣，大大降低了SAR在城市、山地等复杂场景下成像结果的实用性和可读性，严重制约了SAR的探测性能。为进一步提升SAR在城市、山地等复杂场景下的探测性能及应用效能，提高SAR全面、准确获取目标信息的能力，多角度SAR成像技术应运而生。它通过融合多个角度下的探测信息，可以实现对目标电磁散射特征的完整描述，有效拓展被探测目标的空间谱支撑区，一定程度上克服传统SAR直线观测中存在的目标遮挡、探测阴影(盲区)和目标叠掩等问题，对于战场军事侦察和城市测绘具有重要的现实意义和极高的实际应用价值。

作为当前SAR成像领域的热点研究方向之一，国内外众多研究机构和学者已成功开展了一系列基于星载、机载和地基平台的多角度SAR成像理论和试验研究，并获得了一批良好的成像探测结果，充分展示了多角度SAR技术在对地观测方面的巨大应用潜力。但是，目前的多角度SAR成像技术研究所公开发表的成像探测结果，尚未解决山地、城市等地形起伏剧烈，雷达图像叠掩概率高、探测盲区大的成像场景的有效处理。

应用于未来战争环境下的合成孔径雷达不仅要求成像性能好，而且要求叠掩概率低、探测盲区小；现有多角度SAR成像处理技术在减小成像叠掩和探测盲区方面能力不足，如何提高多角度SAR成像处理技术消除成像叠掩和探测盲区的能力已成为重大现实问题。

本质上讲，多角度SAR成像需对多个角度的目标信息进行融合处理。根据融合处理方式的不同，多角度SAR成像理论主要可分为图像层融合的成像理论和信号层融合的成像理论。其中，图像层融合的多角度SAR成像理论主要在图像域实现目标信息融合，以图像配准、图像特征提取和图像融合方法等关键问题为研究重点。研究结果表明，利用不同角度的SAR图像可以提高目标参数的估计精度，并在一定程度上克服遮挡和多次散射对目标反演的影响，从原理上证明了多角度SAR成像的正确性。目前基于图像层的多角度SAR成像理论研究更为普遍，发展也相对成熟。

信号层融合的多角度SAR成像理论的关键问题是如何实现不同观测角度回波数据的融合，以及如何对融合后的数据进行统一的成像处理。由于多角度SAR观测角度差异较大，各角度SAR数据的空间不连续性和空间采样的非均匀性对基于信号层融合的成像处理带来了很大的挑战，传统基于傅里叶变换的方法会导致主瓣展宽、旁瓣升高等散焦问题，因此必须开展符合上述数据特点的特殊成像处理算法。同时，受目标散射特性非各向同性的影响，基于经典理论的信号层融合多角度SAR成像理论适用范围有限，亟待开发和完善基于新的信号处理理论的信号层融合多角度SAR成像理论及算法。

图像层融合的多角度SAR成像算法利用现有SAR成像算法获取目标在多个角度上的成像结果，通过图像融合技术，实现对目标信息的融合。该类算法可结合现有SAR成像理论和图像融合领域的研究成果，对系统成像条件要求较低，具有较强的兼容性和鲁棒性。但是，如何实现对目标特征信息的有效提取和不同角度下目标图像信息的准确融合仍然是该算法需要重点研究的问题。目前，在城市高精度测绘问题中，为克服单一视角SAR成像中建筑物遮挡和叠掩对高价值目标(如道路、桥梁、车辆等)探测的影响，多使用图像层融合算法。

信号层融合的多角度SAR成像算法首先在信号层对回波信号进行融合，然后再对融合后的数据进行成像处理，最终获得目标的成像结果。由于此类算法对接收数据的相干性要求较高，期望通过全相干累积的方法获得目标的最优分辨率和高信噪比图像，但是由于实际目标并不满足各向同性散射条件，这一目标实现难度很大。相比图像层融合的多角度SAR成像，其对系统的观测几何、平台稳定性和信号的采样要求更高。目前，信号层融合处理的成像算法仍是多角度SAR成像算法研究的一个难点。

可见，针对多角度SAR融合成像算法的研究，更适于综合利用信号层融合的相干处理(各视角或各子孔径单独相干成像)以及图像层融合的非相干处理(不同视角或不同子孔径非相干融合)来获得更优、更准确的成像探测结果。

技术实现要素：

为解决上述现行多角度SAR融合成像算法在减小成像叠掩和探测盲区方面能力不足问题，本发明提供一种全新的多角度SAR图像融合成像算法——基于色调统计特性分类的多角度SAR图像融合方法。同时，由于前人并未发现色调分量H在多视角SAR融合图像中的特殊性，因此前人在HIS变换的工作都是基于强度分量I的。本发明融合算法运算简单，操作方便，可有效克服单一视角SAR图像的叠掩、阴影等现象对目标探测造成的不利影响，大大提高发现目标的概率，可应用于山地、城市等叠掩概率高、探测盲区多的成像场景，提升合成孔径雷达成像探测的质量和效益。

本发明一种基于色调统计特性分类的多角度SAR图像融合方法，具体步骤如下：

步骤1：确定成像平面，并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成N个单一视角SAR数据的相干累积处理，得到N幅单一视角SAR图像，其中N至少为3；

步骤2：对各幅单一视角SAR图像实施去相干斑滤波处理；

步骤3：在各幅相干斑滤波处理后的单一视角SAR图像之间进行排列组合，每次从中任意选取2幅或3幅，分别作为R分量、G分量以及B分量来合成一幅RGB伪彩色图像，其中每一个分量作为一个图像层，直至遍历所有组合，得到一系列RGB伪彩色图像；其中：

如果选取2幅相干斑滤波处理后的单一视角SAR图像，则这2幅相干斑滤波处理后的单一视角SAR图像分别作为RGB伪彩色图像的其中任意两个分量，剩余的一个分量由2幅相干斑滤波处理后的单一视角SAR图像的差来表示；

如果选取3幅相干斑滤波处理后的单一视角SAR图像，则每幅相干斑滤波处理后的单一视角SAR图像各代表RGB伪彩色图像的一个分量；

步骤4：依次对每幅RGB伪彩色图像进行HIS变换，得到各幅RGB伪彩色图像对应的色调分量H、强度分量I以及饱和度分量S；

步骤5：对所有色调分量H进行直方图统计分析和直方图曲线拟合，得到色调分量H的统计特性曲线PH；

步骤6：提取统计特性曲线PH的两个波谷点PH1、PH2，然后取波谷点PH1、PH2处对应的两个色调分量H值，将其作为RGB伪彩色图像R分量、G分量以及B分量像素分类的阈值门限L₁和L₂，其中L₁＜L₂；

步骤7：利用阈值门限L₁和L₂对每幅RGB伪彩色图像R分量、G分量以及B分量的像素进行分类，并将分类后的像素分别与R分量、G分量以及B分量进行选择操作，每幅RGB伪彩色图像均对应6幅经选择操作后的子图像；其中，6幅子图像构成图像子集合I；具体为：

其中，H＜L₁表示色调分量H值小于门限L₁的所有像素；H≥L₁&H≤L₂表示色调分量H值不小于门限L₁且不大于门限L₂的所有像素；H＞L₂表示色调分量H值不小于门限L₂的所有像素；“*”为选择操作，R分量、G分量以及B分量进行选择操作时，将选中满足()内条件的像素，并将其像素值作为输出子图像相同位置上像素点的输出值；

步骤8：依次计算各图像子集合I中每幅子图像的图像对比度I_contrast和图像熵I_entropy；

步骤9：依据图像对比度I_contrast或图像熵I_entropy的大小选取图像子集合I最终输出的融合图像I^*；然后将所有的融合图像I^*合并，得到总的交叉融合图像集合∪I^*；其中：

如果以图像对比度I_contrast为依据，则取每个图像子集合I中图像对比度I_contrast最大的子图像作为该集合最终输出的融合图像I^*；

如果以图像熵I_entropy为依据，则取每个图像子集合I中图像熵I_entropy最小的子图像作为该集合最终输出的融合图像I^*；

步骤10：计算∪I^*中的每幅融合图像I^*的图像对比度I'_contrast和图像熵I'_entropy；

步骤11：依据图像对比度I'_contrast或图像熵I'_entropy的大小选取融合图像I^*最终输出的融合图像I_opt；其中：

如果以图像对比度I'_contrast为依据，则取图像对比度I'_contrast最大的融合图像I^*作为最终输出的融合图像I_opt；

如果以图像熵I'_entropy为依据，则取图像熵I'_entropy最小的融合图像I^*作为最终输出的融合图像I_opt。

一种基于色调统计特性分类的多角度SAR融合方法，步骤4所述的依次对每幅RGB伪彩色图像进行HIS变换，具体为：

其中，W为中间变量。

一种基于色调统计特性分类的多角度SAR融合方法，所述图像对比度I_contrast和图像熵I_entropy的计算方法为：

I_max＝max[I(i,j)],i＝1,2,3,......M；j＝1,2,3,......N

I_min＝min[I(i,j)],i＝1,2,3,......M；j＝1,2,3,......N

其中，M和N分别为图像的行数和列数，为图像的像素值均值，I_max和I_min分别为图像的最大像素值和最小像素值，P(n)为各像素值出现的概率，I(i,j)为像素点的位置，L＝M×N为总像素数。

有益效果：

1、本发明通过融合多视角的SAR图像，发现多视角的伪彩色融合结果对应的H分量具有明显的统计特性，可用于实现像素的分类，利用H分量统计特性的拟合曲线的凹点作为门限，实现不同视角SAR图像的像素的分类，便于本专利后续的非相干融合处理。所以，本发明巧妙利用多视角合成的RGB伪彩色图像在HIS变换空间色调H分量与各图层对应位置像素的高亮程度直接相关且各像素主色取决于对应位置处各图层分量像素的亮度的规律，利用RGB伪彩色合成图像的色调分量H，区分各视角SAR图像中的叠掩区域，并通过色调分量H设定分类阈值对各图层实施滤波处理，达到消除或减小多角度SAR融合图像中叠掩区域的目的，提高SAR系统对目标的检测概率。

2、本发明融合方法运算简单，易于并行实现，操作方便，可有效克服单一视角SAR图像的叠掩、阴影等现象对目标探测造成的不利影响，大大提高发现目标的概率，可应用于山地、城市等叠掩概率高、探测盲区多的成像场景，提升合成孔径雷达成像探测的质量和效益，确保复杂场景下对敌军事目标的成像侦察能力不受影响。

3、可批量完成各像素的融合处理，运算效率较高。

附图说明

图1为本发明基于色调统计特性分类的多角度SAR图像融合方法流程图；

图2为本发明三个单一视角SAR图像合成的RGB伪彩色图像；

图3(a)为本发明RGB伪彩色图像经过HIS变换后的色调H分量；

图3(b)为本发明RGB伪彩色图像经过HIS变换后的强度I分量；

图3(c)为本发明RGB伪彩色图像经过HIS变换后的饱和度S分量；

图4(a)为本发明色调H分量的统计分布图；

图4(b)为本发明强度I分量的统计分布图；

图4(c)为本发明饱和度S分量的统计分布图；

图5为本发明基于色调H分量统计拟合曲线的门限确定；

图6(a)为本发明融合前的视角为21°的单一视角SAR图像；

图6(b)为本发明融合前的视角为156°的单一视角SAR图像；

图6(c)为本发明融合前的视角为336°的单一视角SAR图像；

图7为本发明基于色调统计特性分类的多角度SAR图像融合结果。

具体实施方式

下面结合附图和实施例对本发明的基于HIS变换统计特性的多角度SAR融合成像算法做进一步详细描述。

实施例一：单一平台SAR多视角融合成像探测。携带SAR载荷的单一平台沿设计的曲线飞行路径，环绕感兴趣的目标区域实施成像探测。由于目标散射特性以及成像空间几何随观测视角的剧烈变化，导致全孔径相干累积处理不可能实现最优的成像探测效果，必须考虑多视角SAR融合成像处理。本发明的基于色调统计特性分类的多角度SAR图像融合方法可用于解决此时的融合成像处理问题。如图1所示，为本发明基于色调统计特性分类的多角度SAR图像融合方法流程图，具体步骤为：

步骤1：将整个合成孔径时间内获取的雷达数据划分为N个子孔径数据，确定成像平面，并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成N个子孔径SAR数据的相干累积处理，得到一系列子孔径相干合成图像，其中N至少为3；

步骤2：采用经典的Lee滤波算法对获得的各子孔径相干合成图像实施去相干斑滤波处理；具体实施过程是：

相干斑是一种不相关的乘性噪声，可以表示为：

v＝un

其中，v表示SAR图像观测到的灰度值，即步骤1得到一系列子孔径相干合成图像，u为真实目标的雷达反射系数，n为相干斑噪声，通常假设相干斑在统计上独立于信号。假定先验均值和方差可以通过计算匀质区域内的均值和方差得到，将上式用一阶泰勒级数展开，可以得到线性模型：

其中为SAR图像观测到的灰度值的均值，为真实目标的雷达反射系数的均值，为相干斑噪声的均值；

以最小均方差为基础，在固定窗口中计算均值和方差，可以得到滤波公式：

其中为经相干斑滤波处理后的子孔径相干合成图像，即步骤3的输入数据；

k为加权系数。是固定窗口内的像素平均值，为所取窗口内像素方差，为所取窗口内噪声方差。

此外，Lee滤波时，把图像分为三类区域：第一类是均匀区域，其中的相干斑噪声可以简单地用均值滤波平滑掉；第二类是不均匀区域，在去除噪声的同时应该尽量保持其中的结构和纹理信息；第三类是包含分离点目标的区域，滤波器应尽可能地保留原始的观察值。因此亦可采用另一种方法，即如下增强的Lee滤波算子对获得的各子孔径相干合成图像实施去相干斑滤波处理：

其中，N_L是图像视数，对于单视复图像，N_L＝1。统计滤波方法利用局部统计信息对去除相干斑噪声后的数据进行估计，能够自适应的平滑掉均匀区域内的相干斑噪声，同时一定程度上保留图像的纹理信息和边界信息。

步骤3：在各幅相干斑滤波处理后的子孔径相干合成图像之间进行排列组合，每次从中任意选取2幅或3幅，分别作为R分量、G分量以及B分量来合成一幅RGB伪彩色图像，其中每一个分量作为一个图像层，直至遍历所有组合，得到一系列RGB伪彩色图像，如图2所示；具体实施过程是：

由于RGB图像共需要三个图像层，如果选取2幅相干斑滤波处理后的子孔径相干合成图像，则这2幅相干斑滤波处理后的子孔径相干合成图像分别作为RGB伪彩色图像的其中任意两个图像层，剩余的一个图像层由2幅相干斑滤波处理后的子孔径相干合成图像的差来表示；

如果选取3幅相干斑滤波处理后的子孔径相干合成图像，则每幅相干斑滤波处理后的子孔径相干合成图像各代表RGB伪彩色图像的一个图像层；

步骤4：依次对每幅RGB伪彩色图像实施HIS变换，得到各幅RGB伪彩色图像对应的色调分量H、强度分量I、饱和度分量S，如图3(a)、图3(b)以及图3(c)所示。其实现过程是：

其中，W为中间变量。

步骤5：对色调分量H进行统计直方图分析与直方图曲线拟合，得到色调分量H、强度分量I、饱和度分量S的统计特性曲线，如图4(a)、图4(b)以及图4(c)所示；

步骤6：提取色调分量H的统计特性曲线PH的两个波谷点PH1、PH2，取对应波谷点PH1、PH2处对应的两个色调分量H值，将其作为RGB伪彩色图像R分量、G分量以及B分量像素分类的阈值门限L₁和L₂，其中L₁＜L₂，如图5所示；

步骤7：利用阈值门限L₁和L₂对每幅RGB伪彩色图像R分量、G分量以及B分量的像素进行分类，并将分类后的像素分别与R分量、G分量以及B分量进行选择操作，每幅RGB伪彩色图像均对应6幅经选择操作后的子图像；其中，6幅子图像构成图像子集合I；具体为：

其中，H＜L₁表示色调分量H值小于门限L₁的所有像素；H≥L₁&H≤L₂表示色调分量H值不小于门限L₁且不大于门限L₂的所有像素；H＞L₂表示色调分量H值不小于门限L₂的所有像素；“*”为选择操作，R分量、G分量以及B分量进行选择操作时，将选中满足()内条件的像素，并将其像素值作为输出子图像相同位置上像素点的输出值；

步骤8：依次计算各图像子集合I中每幅子图像的图像对比度I_contrast和图像熵I_entropy；

步骤9：对所得的图像指标——图像对比度I_contrast和图像熵I_entropy进行排序，得到最优的指标，并依据图像对比度I_contrast或图像熵I_entropy的大小选取图像子集合I最终输出的融合图像I^*；然后将所有的融合图像I^*合并，得到总的交叉融合图像集合∪I^*；其中：

如果以图像对比度I_contrast为依据，则取每个图像子集合I中图像对比度I_contrast最大的子图像作为该集合最终输出的融合图像I^*；

如果以图像熵I_entropy为依据，则取每个图像子集合I中图像熵I_entropy最小的子图像作为该集合最终输出的融合图像I^*；

步骤10：计算∪I^*中的每幅融合图像I^*的图像对比度I'_contrast和图像熵I'_entropy；

步骤11：对所得的图像指标——图像对比度I'_contrast和图像熵I'_entropy进行排序，得到最优的指标，并依据图像对比度I'_contrast或图像熵I'_entropy的大小选取融合图像I^*最终输出的融合图像I_opt；其中：

如果以图像对比度I'_contrast为依据，则取图像对比度I'_contrast最大的融合图像I^*作为最终输出的融合图像I_opt，如图7所示；

如果以图像熵I'_entropy为依据，则取图像熵I'_entropy最小的融合图像I^*作为最终输出的融合图像I_opt，如图7所示。

所述图像对比度I_contrast和图像熵I_entropy的计算方法为：

I_max＝max[I(i,j)],i＝1,2,3,......M；j＝1,2,3,......N

I_min＝min[I(i,j)],i＝1,2,3,......M；j＝1,2,3,......N

其中，M和N分别为图像的行数和列数，为图像的像素值均值，I_max和I_min分别为图像的最大像素值和最小像素值，P(n)为各像素值出现的概率，(i,j)为像素点的位置，L＝M×N为总像素数。

实施例二：多平台SAR同时多视角融合成像探测。携带SAR载荷的多个探测平台沿设计的飞行路径，同时对感兴趣的目标区域实施协同式成像探测。由于各成像平台与目标之间空间几何关系完全不同，导致各平台成像探测时对应的目标散射特性各不相同，而且图像的叠掩、阴影等图像特征和现象也不尽相同，难以实现不同平台不同视角成像结果的相干累积，难以得到最优的成像探测效果。此时，必须考虑多视角SAR融合成像处理，实现不同成像平台、不同视角的成像探测结果的融合，提升对感兴趣的目标区域的高质量成像侦察。本发明的基于色调统计特性分类的多角度SAR图像融合方法可用于解决此时的多平台、多角度融合成像处理问题。如图1所示，为本发明基于色调统计特性分类的多角度SAR图像融合方法流程图，具体步骤为：

步骤1：确定成像平面，并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成各个平台在各自视角上获取的单一视角SAR数据的相干累积处理，得到一系列单一视角SAR图像；如图6(a)、图6(b)、图6(c)所示，为本发明融合前的视角为21°、156°以及336°下的三幅单一视角SAR图像；

步骤2：采用经典的Lee滤波算法对获得的各单视角SAR图像实施相干斑滤波处理；具体实施过程是：

相干斑是一种不相关的乘性噪声，可以表示为：

v＝un

其中，v表示SAR图像观测到的灰度值，即步骤1得到一系列单一视角SAR图像，u为真实目标的雷达反射系数，n为相干斑噪声，通常假设相干斑在统计上独立于信号。假定先验均值和方差可以通过计算匀质区域内的均值和方差得到，将上式用一阶泰勒级数展开，可以得到线性模型：

其中为SAR图像观测到的灰度值的均值，为真实目标的雷达反射系数的均值，为相干斑噪声的均值；

以最小均方差为基础，在固定窗口中计算均值和方差，可以得到滤波公式：

其中为经相干斑滤波处理后的单一视角SAR图像，即步骤3的输入数据；

k为加权系数。是固定窗口内的像素平均值，为所取窗口内像素方差，为所取窗口内噪声方差。

此外，Lee滤波时，把图像分为三类区域：第一类是均匀区域，其中的相干斑噪声可以简单地用均值滤波平滑掉；第二类是不均匀区域，在去除噪声的同时应该尽量保持其中的结构和纹理信息；第三类是包含分离点目标的区域，滤波器应尽可能地保留原始的观察值。因此亦可采用另一种方法，即如下增强的Lee滤波算子对获得的各单一视角SAR图像实施去相干斑滤波处理：

其中，N_L是图像视数，对于单视复图像，N_L＝1。统计滤波方法利用局部统计信息对去除相干斑噪声后的数据进行估计，能够自适应的平滑掉均匀区域内的相干斑噪声，同时一定程度上保留图像的纹理信息和边界信息。

步骤3：在各幅相干斑滤波处理后的单一视角SAR图像之间进行排列组合，每次从中任意选取2幅或3幅，分别作为R分量、G分量以及B分量来合成一幅RGB伪彩色图像，其中每一个分量作为一个图像层，直至遍历所有组合，得到一系列RGB伪彩色图像，如图2所示；具体实施过程是：

由于RGB图像共需要三个图像层，如果选取2幅相干斑滤波处理后的单一视角SAR图像，则这2幅相干斑滤波处理后的单一视角SAR图像分别作为RGB伪彩色图像的其中任意两个图像层，剩余的一个图像层由2幅相干斑滤波处理后的单一视角SAR图像的差来表示；

如果选取3幅相干斑滤波处理后的单一视角SAR图像，则每幅相干斑滤波处理后的单一视角SAR图像各代表RGB伪彩色图像的一个图像层；

步骤4：依次对每幅RGB伪彩色图像实施HIS变换，得到各幅RGB伪彩色图像对应的色调分量H、强度分量I、饱和度分量S，如图3(a)、图3(b)以及图3(c)所示。其实现过程是：

其中，W为中间变量。

步骤5：对色调分量H进行统计直方图分析与直方图曲线拟合，得到色调分量H、强度分量I、饱和度分量S的统计特性曲线，如图4(a)、图4(b)以及图4(c)所示；

步骤6：提取色调分量H的统计特性曲线PH的两个波谷点PH1、PH2，取对应波谷点PH1、PH2处对应的两个色调分量H值，将其作为RGB伪彩色图像R分量、G分量以及B分量像素分类的阈值门限L₁和L₂，其中L₁＜L₂，如图5所示；

步骤7：利用阈值门限L₁和L₂对每幅RGB伪彩色图像R分量、G分量以及B分量的像素进行分类，并将分类后的像素分别与R分量、G分量以及B分量进行选择操作，每幅RGB伪彩色图像均对应6幅经选择操作后的子图像；其中，6幅子图像构成图像子集合I；具体为：

其中，H＜L₁表示色调分量H值小于门限L₁的所有像素；H≥L₁&H≤L₂表示色调分量H值不小于门限L₁且不大于门限L₂的所有像素；H＞L₂表示色调分量H值不小于门限L₂的所有像素；“*”为选择操作，R分量、G分量以及B分量进行选择操作时，将选中满足()内条件的像素，并将其像素值作为输出子图像相同位置上像素点的输出值；

步骤8：依次计算各图像子集合I中每幅子图像的图像对比度I_contrast和图像熵I_entropy；

步骤9：对所得的图像指标——图像对比度I_contrast和图像熵I_entropy进行排序，得到最优的指标，并依据图像对比度I_contrast或图像熵I_entropy的大小选取图像子集合I最终输出的融合图像I^*；然后将所有的融合图像I^*合并，得到总的交叉融合图像集合∪I^*；其中：

如果以图像对比度I_contrast为依据，则取每个图像子集合I中图像对比度I_contrast最大的子图像作为该集合最终输出的融合图像I^*；

如果以图像熵I_entropy为依据，则取每个图像子集合I中图像熵I_entropy最小的子图像作为该集合最终输出的融合图像I^*；

步骤10：计算∪I^*中的每幅融合图像I^*的图像对比度I'_contrast和图像熵I'_entropy；

步骤11：对所得的图像指标——图像对比度I'_contrast和图像熵I'_entropy进行排序，得到最优的指标，并依据图像对比度I'_contrast或图像熵I'_entropy的大小选取融合图像I^*最终输出的融合图像I_opt；其中：

如果以图像对比度I'_contrast为依据，则取图像对比度I'_contrast最大的融合图像I^*作为最终输出的融合图像I_opt，如图7所示；

如果以图像熵I'_entropy为依据，则取图像熵I'_entropy最小的融合图像I^*作为最终输出的融合图像I_opt，如图7所示。

所述图像对比度I_contrast和图像熵I_entropy的计算方法为：

I_max＝max[I(i,j)],i＝1,2,3,......M；j＝1,2,3,......N

I_min＝min[I(i,j)],i＝1,2,3,......M；j＝1,2,3,......N

其中，M和N分别为图像的行数和列数，为图像的像素值均值，I_max和I_min分别为图像的最大像素值和最小像素值，P(n)为各像素值出现的概率，(i,j)为像素点的位置，L＝M×N为总像素数。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。