一种基于全变分图像融合的方法及装置制造方法
【专利摘要】本发明适用于图像处理【技术领域】，提供了一种基于全变分图像融合的方法及装置，所述方法包括：分解第一源图像和第二源图像；根据被分解的图像融合的需求，建立图像重构模型，根据所述图像重构模型求解出最优低频加权系数；根据所述最优低频加权系数进行图形融合，得到最优融合图像。本发明通过对偶变换或者非对偶变换的方法分解图像，针对分解出来低频部分建立模型，求解最优的低频加权系数，根据所述最优的低频加权系数，实现了最优图像融合，解决了现有技术下当源图像的低频系数之间亮度差距很大时，融合后的图像对比度和技术效果不佳的问题。
【专利说明】一种基于全变分图像融合的方法及装置
【技术领域】
[0001]本发明属于图像处理【技术领域】，尤其涉及一种基于全变分图像融合的方法及装置。
【背景技术】
[0002]图像融合是通过某种融合方法，将两个或多个互补的波段、传感器的图像合成统一图像，或者综合图像特征以供观察或进一步处理，实现对目标或场景更为精确、全面的识另IJ、分析和判决。图1示出了现有技术的图像融合方法，首先将源图像分解为低频和高频两个部分，然后分别进行融合，低频系数的融合通常采用加权求和的方法，对于异源图像融合而言，如果源图像的低频系数之间亮度差距很大，选择不同权值对于融合后的图像质量影响很大。如果按照现有技术，简单地采用平均权值的方法，会降低融合图像的对比度，影响融合图像的视觉效果。现有技术存在的问题是，当源图像的低频系数之间亮度差距很大时，融合后的图像对比度和技术效果不佳的问题。
【发明内容】
[0003]本发明实施例的目的在于提供一种基于全变分图像融合的方法及装置，以解决现有技术下当源图像的低频系数之间亮度差距很大时，融合后的图像对比度和技术效果不佳的的问题。
[0004]本发明的实施例是这样实现的，一种基于全变分图像融合的方法，所述方法包括以下步骤:
[0005]分解第一源图像和第二源图像；
[0006]根据被分解的图像融合的需求，建立图像重构模型，根据所述图像重构模型求解出最优低频加权系数；
[0007]根据所述最优低频加权系数进行图形融合，得到最优融合图像。
[0008]本发明的实施例的另一目的在于提供一种基于全变分图像融合的装置，所述装置包括:
[0009]分解单元，用于分解第一源图像和第二源图像；
[0010]模型建立单元，用于根据被分解的图像融合的需求，建立图像重构模型，根据所述图像重构模型求解出最优低频加权系数；
[0011]融合单元，用于根据所述最优低频加权系数进行图形融合，得到最优融合图像。
[0012]本发明实施例通过对偶变换或者非对偶变换的方法分解图像，针对分解出来低频部分建立模型，求解最优的低频加权系数，最后进行图像融合，解决了现有技术下当源图像的低频系数之间亮度差距很大时，融合后的图像对比度和技术效果不佳的问题。
【专利附图】
【附图说明】
[0013]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0014]图1是现有技术提供的图像分解和融合的示意图；
[0015]图2是本发明一实施例提供的基于全变分图像融合的方法的实现流程图；
[0016]图3是本发明另一实施例提供的基于全变分图像融合的方法的实现流程图；
[0017]图4是本发明另一实施例提供的基于全变分图像融合的方法的实现流程图；
[0018]图5是本发明另一实施例提供的基于全变分图像融合的装置的模块结构图；
[0019]图6是本发明另一实施例提供的基于全变分图像融合的装置的模块结构图；
[0020]图7是本发明另一实施例提供的基于全变分图像融合的装置的模块结构图。
【具体实施方式】
[0021]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0022]参考图1，图1示出了现有技术提供的图像分解和融合的方法，具体包括:
[0023]针对源图像A和源图像B，进行多尺寸几何分解后分别得到源图像A和源图像B的低频系数和高频系数，分别对低频系数和高频系数进行融合，现有技术对低频系数融合时，采取权值为0.5，但是此种方式没有考虑融合图像的对比度问题。
[0024]本发明一实施例提供了基于全变分图像融合的方法，所述方法如图2所示，具体步骤包括:
[0025]S11、采用非对偶变换的方法分解第一源图像和第二源图像，第一源图像分解后低频系数表示为ul，第二源图像分解后的低频系数表示为u2。
[0026]在本实施例中，采用非对偶变换的方法分解源图像，假定被分解源图像命名为A，经过第一层分解后为低频系数为Xl和高频系数yl，低频系数Xl分解后为低频系数χ2和高频系数y2，对低频系数层层分解，经过η层分解后，最终得到低频系数Xl和高频系数yl至yn，所述η为大于I的整数，η的数值根据图像融合的精度预设。
[0027]需要说明的是，本文中的“第一源图像”和“第二源图像”中的“第一”和“第二”并不代表先后顺序，仅仅是为了区分两个源图像为不同的源图像。
[0028]S12、建立模型，根据所述模型求解出最优低频加权系数。
[0029]在本实施例中，因为分解的方法采用非对偶变换的方法，因此可以选择图像域的模型或者变换域的模型建立图像重构模型，具体的图像重构模型中的相关参数需要根据图像融合的需求来定义，例如融合图像中是要突出第一源图像还是突出第二源图像来决定相关参数。
[0030]S13、根据所述最优低频加权系数进行图形融合，得到最优融合图像。
[0031]可选的，实现所述S12的方法包括:
[0032]根据预设的图像域模型方式，建立图像域的全变分模型，根据所述图像域的全变分模型求解出最优低频加权系数或
[0033]根据预设的变换域模型方式，建立变换域的全变分模型，根据所述变换域的全变分模型求解出最优低频加权系数。
[0034]在本实施例中，采取图像域的全变分模型还是变换域的全变分模型，可以根据预设的模型方式或者称为图像融合的需求来确定。
[0035]可选的，所述根据预设的图像域模型方式，建立图像域的全变分模型，根据所述图像域的全变分模型求解出最优低频加权系数具体为:
[0036]检测到预设的模型方式为图像域模型方式；
[0037]根据所述图像域模型方式，建立图像域的全变分模型
【权利要求】
1.一种基于全变分图像融合的方法，其特征在于，所述方法包括: 分解第一源图像和第二源图像； 根据被分解的图像融合的需求，建立图像重构模型，根据所述图像重构模型求解出最优低频加权系数； 根据所述最优低频加权系数进行图形融合，得到最优融合图像。
2.如权利要求1所述的方法，其特征在于，所述分解第一源图像和第二源图像具体为: 采用非对偶变换的方法分解第一源图像和第二源图像或 采用对偶变换的方法分解第一源图像和第二源图像。
3.如权利要求2所述的方法，其特征在于，所述根据被分解的图像融合的需求，建立图像重构模型，根据所述图像重构模型求解出最优低频加权系数具体为: 当采用非对偶变换分解第一源图像和第二源图像，根据预设的图像域模型方式，建立图像域的全变分模型，根据所述图像域的全变分模型求解出最优低频加权系数或 当采用非对偶变换分解第一源图像和第二源图像，根据预设的变换域模型方式，建立变换域的全变分模型，根据所述变换域的全变分模型求解出最优低频加权系数。
4.如权利要求3所述的方法，其特征在于，当采用非对偶变换分解第一源图像和第二源图像，所述根据预设的图像域模型方式，建立图像域的全变分模型，根据所述图像域的全变分模型求解出最优低频加权系数具体为: 检测到预设的模型方式为图像域模型方式； 根据所述图像域模型方式，建立图像域的全变分模型
5.如权利要求3所述的方法，其特征在于，所述当采用非对偶变换分解第一源图像和第二源图像，根据预设的变换域模型方式，建立变换域的全变分模型，根据所述变换域的全变分模型求解出最优低频加权系数具体为: 检测到预设的模型方式为变换域模型方式； 根据所述变换域模型方式，建立变换域的全变分模型
6.如权利要求4或5所述的方法，其特征在于，所述根据所述最优低频加权系数进行图像融合，得到最优融合图像具体为: 根据所述最优低频加权系数和非对偶变换模型的融合图像表达式fF=a C+D进行图像融合，得到最优融合图像fF。
7.如权利要求2所述的方法，其特征在于，所述根据被分解的图像融合的需求，建立图像重构模型，根据所述图像重构模型求解出最优低频加权系数具体为: 当采用对偶变换的方法分解第一源图像和第二源图像，建立变换域的全变分模型，根据所述变换域的全变分模型求解出最优低频加权系数。
8.如权利要求7所述的方法，其特征在于，所述当采用对偶变换的方法分解第一源图像和第二源图像，建立变换域的全变分模型，根据所述变换域的全变分模型求解出最优低频加权系数具体为:建立变换域的全变分 模型 ,所述 λ是预设的平滑项因子，所述U表示所述低频融合图像的低频系数，所述ul表示第一源图像分解后的低频系数，所述u2表示第二源图像分解后的低频系数，^和02是预设的常数，满足?^+βρ?，^和β2的取值取决于最终融合图像需要体现第一源图像还是第二源图像的显著目标，α是低频加权系数；
9.如权利要求8所述的方法，其特征在于，所述根据所述最优低频加权系数进行图形融合，得到最优融合图像具体为: 根据所述最优低频加权系数对第一源图像分解后的低频系数和第二源图像分解后的低频系数进行融合，根据对偶变换图像融合的方法，将融合的低频系数和分解的高频系数进行层层融合，得到最优融合图像。
10.一种基于全变分图像融合的装置，其特征在于，所述装置包括: 分解单元，用于分解第一源图像和第二源图像； 模型建立单元，用于根据被分解的图像融合的需求，建立图像重构模型，根据所述图像重构模型求解出最优低频加权系数； 融合单元，用于根据所述最优低频加权系数进行图形融合，得到最优融合图像。
11.如权利要求10所述的装置，其特征在于，所述分解单元具体包括: 非对偶分解模块，用于采用非对偶变换的方法分解第一源图像和第二源图像； 对偶分解模块，用于采用对偶变换的方法分解第一源图像和第二源图像。
12.如权利要求11所述的装置，其特征在于，所述模型建立单元具体包括: 第一模型建立模块，用于当采用非对偶变换分解第一源图像和第二源图像，根据预设的图像域模型方式，建立图像域的全变分模型，根据所述图像域的全变分模型求解出最优低频加权系数； 第二模型建立模块，用于当采用非对偶变换分解第一源图像和第二源图像，根据预设的变换域模型方式，建立变换域的全变分模型，根据所述变换域的全变分模型求解出最优低频加权系数。
13.如权利要求12所述的装置，其特征在于，所述第一模型建立模块具体用于: 检测到预设的模型方式为图像域模型方式； 根据所述图像域模型方式，建立图像域的全变分模型所述.表示
,点乘，fF表示最终融合图像，fA表示第一源图像，fB表示第二源图像，λ是预设的平滑项因子，β i和β 2是预设的常数，满足β 2=1，β i和β 2的取值取决于最终融合图像需要体现第一源图像还是第二源图像的显著目标，α是低频加权系数； 定义
14.如权利要求12所述的装置，其特征在于，所述第二模型建立模块具体用于: 检测到预设的模型方式为变换域模型方式； 根据所述变换域模型方式，建立变换域的全变分模型
15.如权利要求13或14所述的装置，其特征在于，所述融合单元具体用于: 根据所述最优低频加权系数和非对偶变换模型的融合图像表达式fF=a C+D进行图像融合，得到最优融合图像fF。
16.如权利要求11所述的装置，其特征在于，所述模型建立单元具体包括: 第三模型建立模块，用于当采用对偶变换的方法分解第一源图像和第二源图像，建立变换域的全变分模型，根据所述变换域的全变分模型求解出最优低频加权系数。
17.如权利要求16所述的装置，其特征在于，所述第三模型建立模块具体用于: 建立变换域的全变分 模型 所述 λ 是预设的平滑项因子，所述u表示所述低频融合图像的低频系数，所述ul表示第一源图像分解后的低频系数，所述u2表示第二源图像分解后的低频系数，^^和β2是预设的常数，满足?^+βρ?，^和@2的取值取决于最终融合图像需要体现第一源图像还是第二源图像的显著目标，α是低频加权系数；
18.如权利要求17所述的装置，其特征在于，所述融合单元具体用于: 根据所述最优低频加权系数对第一源图像分解后的低频系数和第二源图像分解后的低频系数进行融合，根据对偶变换图像融合的方法，将融合的低频系数和分解的高频系数进行层层融合，得到最优融合图像。
【文档编号】G06T5/50GK103473749SQ201310007249
【公开日】2013年12月25日 申请日期:2013年1月9日 优先权日:2013年1月9日
【发明者】柳伟, 邓苗, 张基宏, 梁永生 申请人:深圳信息职业技术学院