基于目標提取的紅外與可見光圖像融合算法

李易東 孟津平

(長春理工大學 計算機科學技術學院,吉林長春 130012)

1 引言

隨著多傳感器技術的不斷發展,圖像融合作為多傳感器信息融合的重要組成部分,屬于以圖像作為單位的重要研究領域。在同一個場景將多個傳感器所獲得的圖像信息經過多層次、多方面的處理,最終獲得對該場景更全面詳盡的信息描述圖像,這一技術稱之為圖像融合[1]。該定義也可以理解為將同源圖像經過不同圖像處理后,再次進行綜合得到一幅新的圖像。

2 改進目標邊緣提取檢測算法

(2)將第一步濾波后的圖像進行拉普拉斯分解,如:

(3)通過拉普拉斯分解找出最適當的零交叉點。

模板可以通過?2G(x,y)進行取樣,設定標準系數生成系數之和為零的模板。生成濾波器最有效的方法是給定n*n大小然后對式?2G (x,y)取樣,將所得取樣陣列與拉普拉斯分解模板進行卷積。

圖1 紅外與可見光圖像融合

3 Otsu閾值分割

依據圖像灰度屬性將源紅外圖像分為兩個部分,僅保留目標信息的圖像和保留背景信息的圖像,兩幅圖像的類間差值相差越大,表明兩幅圖像的差別越大,在圖像分割中類間方差最大的值代表錯分概率最小的,然后根據圖像灰度屬性計算出各個分割圖像的類間方差,類間方差最大的就是我們所說的閾值[2]。

4 本文算法

本文所提出的圖像融合算法是在多分辨率圖像融合框架的基礎上進行了一些調整,將紅外與可見光源圖像、紅外目標提取后的目標圖像作為多分辨率圖像融合的對象。首先用LOG邊緣檢測算法將紅外圖像的目標信息提取出來,然后對紅外圖像、紅外目標圖像和可見光圖像Contourlet變換[3],再對融合后的低頻和高頻子帶系數做Contourlet逆變換獲得最終的融合圖像。

5 實驗結果

為了比較算法在突出紅外目標方面的優勢,同時實現了基于目標提取與contourlet變換的紅外與可見光圖像融合算法(A)、在contourlet變換下僅在基于區域互信息量、匹配度的圖像融合算法(B)。如圖1所示,(a)可見光圖像;(b)紅外圖像;(c)紅外目標提取圖像;(d)本文融合算法圖像;(e)基于區域互信息量、匹配度的融合算法。采用平均梯度(G)、空間頻率(SF)、標準差(SD)、相關系數(CC)這兩種客觀評價指標,對本文的兩種算法進行判別。G與SF,所能反映的細節越豐富,圖像越清晰;SD的值越大,目標信息越突出,對一些較小的目標有更好的偵查能力;CC的值主要用來衡量融合后圖像與原圖像的相似度,CC的值越大,說明在光譜上與結構上等方面融合圖像與原圖像的相似度越高。

表1可以看出算法A在空間頻率、標準差、相關系數上明顯高于算法B,這表明本文提出的算法無論在紅外目標提取方面還是在保留目標細節、融合圖像清晰度和與原圖像對比相似度等方面都很優秀。

表1 第二組實驗圖像客觀評價指標

[1]敬忠良,肖剛,李振華.圖像融合:理論與應用[M].北京:高等教育出版社,2007.

[2]姚敏,等著.數字圖像處理[M].北京:機械工業出版社,2006.

[3]喻漢龍,余勝生,周敬利,等.一種基于改進的Contourlet變換的圖像壓縮算法[J].計算機工程與應用,2005,(14),40-43.