一種利用形態學中心算子的圖像融合方法技術

一種利用形態學中心算子的圖像融合方法，它有三大步驟：一、基于形態學開閉運算產生兩種交替濾波器，并用兩種交替濾波器產生形態學中心算子和反中心算子，通過形態學中心和反中心算子提取紅外和可見光圖像中的亮、暗特征；二、將多尺度形態學理論和形態學中心及反中心算子結合起來，在多尺度空間提取圖像的亮、暗特征，據此產生有效的融合特征；三、在由形態學中心和反中心算子產生的基本圖像的基礎上，利用提取的多尺度融合特征構建融合圖像。本發明專利技術應用于各類基于圖像的應用系統，具有廣闊的應用前景。

【技術實現步驟摘要】
【專利摘要】，它有三大步驟：一、基于形態學開閉運算產生兩種交替濾波器，并用兩種交替濾波器產生形態學中心算子和反中心算子，通過形態學中心和反中心算子提取紅外和可見光圖像中的亮、暗特征；二、將多尺度形態學理論和形態學中心及反中心算子結合起來，在多尺度空間提取圖像的亮、暗特征，據此產生有效的融合特征；三、在由形態學中心和反中心算子產生的基本圖像的基礎上，利用提取的多尺度融合特征構建融合圖像。本專利技術應用于各類基于圖像的應用系統，具有廣闊的應用前景。【專利說明】
本專利技術涉及，屬于數字圖像處理領域，它主要涉及數學形態學和圖像融合技術。在各類基于圖像的應用系統中有廣闊的應用前景。
技術介紹
紅外圖像包含很多不能被可見光傳感器所捕捉的重要圖像區域。同樣，可見光圖像包含很多不能被紅外傳感器所捕捉的大量細節。為了獲得既包含重要圖像區域又包含大量細節的圖像，紅外和可見光圖像融合是一種有效的解決方法。圖像融合是信號處理領域的一個重要方向，并且應用廣泛，如目標識別、分割等。主成分分析和獨立成份分析作為提取圖像重要特征的工具已被廣泛用來創建有效的融合圖像(參見文獻:岡薩雷斯等，利用基于小波分解的改進HIS和主成分分析融合子的多光譜和全色圖像融合，地球科學和遙感會干丨J，42 卷，(2004) 1291-1299ο (M.Gonzalez-Audi cana, J.L.Saleta, R.G.Catalan, R.Garcia, Fusion of multispectral and panchromatic images using improved IHS andPCA mergers based on wavelet decomposition, IEEE Transactions on Geoscienceand Remote Sensing42(6) (2004) 1291 - 1299.);茨韋伊奇等，利用獨立成份分析的基于區域的多模型圖像融合，傳感器雜志，7卷，(2007)743-751。(N.Cvejic1D.Bull1N.Canagarajah, Region-based multimodal image fusion using ICA bases, IEEE SensorsJournal7(5) (2007)743 - 751.))。但是，一些有用的圖像細節會被平滑掉，從而影響融合的結果。小波變換和曲波變換能構建原圖像的多尺度空間并提取圖像的各尺度重要特征來進行圖像融合(參見文獻:帕亞雷斯等，一種基于小波的圖像融合策略，模式識別，37卷，(2004) 1855-1872。(Gonzalo Pajares, Jesus Manuel de la Cruz, A wavelet-basedimage fusion tutorial, Pattern Recognition37 (2004) 1855 - 1872);菲利普等，利用曲波變換的遙感圖像融合，信息融合，8卷，(2007) 143 - 156。(Filippo Nencini, AndreaGarzelli, Stefano Baronti, Luciano Alparone, Remote sensing image fusion usingthe curvelet transform, Information Fusion8 (2007) 143 - 156.))。然而，一些有用的信息在尺度空間分解時也會被平滑，從而影響融合圖像的細節。把圖像分割成若干重要的區域，然后再結合起來產生融合圖像的方法在某些情況下能取得很好的效果(尼克羅夫等，朝向感知的圖像融合，信息融合，11卷，(2010)95 - 113。CL Toet, M.A.Hogervorst, S.G.Nikolov, J.J.Lewis, T.D.Dixon, D.R.BulI, C.N.Canagarajah, Towards cognitiveimage fusion, Information Fusionll (2010)95 - 113.))。但是，對于紅外和可見光圖像融合，分割并不能有效地提取可見光圖像中的圖像細節。智能工具(參見文獻:王兆斌等，利用脈沖耦合神經元網絡的多聚焦圖像融合，模式識別，43卷，(2010)2003 - 2016。(Zhaobin Wang, Yide Ma, JasonGu, Mult1-focus image fusion using PCNN, PatternRecognition43 (2010) 2003 - 2016.))，如神經元網絡，也被廣泛應用于多聚焦圖像的融合。但是，此方法不適用于紅外和可見光圖像的融合。數學形態學是光學和信號處理領域中的重要理論，可被應用于紅外和可見光圖像融合。其中，形態學高帽(top-hat)變換(參考文獻:白相志等，基于多尺度中心環繞高帽變換特征提取的紅外和可見光圖像融合，光學快報，19卷，(2011)8444 - 8457。(XiangzhiBai, Fugen Zhou, Bindang Xue, Fusion of infrared and visual images through regionextraction by using multi scale center—surround top-hat transform, OpticsExpress 19 (9) (2011)8444 - 8457.))能有效結合原始紅外和可見光圖像中的信息。然而，這些方法會產生噪聲或平滑圖像的細節，從而影響圖像融合的效果。為了保留更多的原始紅外和可見光圖像的有用信息，在圖像融合過程中的重要圖像特征應該被提取出來并加以利用。形態學中心算子(參考文獻:白相志等，基于形態學中心算子特征提取的礦物顯微圖像增強，顯微研究和技術，76卷，(2013) 163 - 172。(Xiangzhi Bai, Enhancingmicroscopy images of minerals through morphological center operator-basedfeature extraction, Microscopy Research and Technique76 (2Ol3) I63 -172.))能夠很好地提取圖像的特征。而且，形態學中心算子提取特征是基于灰度的。而紅外和可見光圖像中的主要信息一般均依靠灰度表達。因此，形態學中心算子是紅外和可見光圖像融合的有效工具。據此，為了更加有效地融合圖像中的有用信息，本專利技術提出了。
技術實現思路
1、目的:圖像融合是圖像處理中的重要關鍵技術，是合理有效利用多傳感器獲取數據信息的有效工具 。圖像融合的關鍵是提取出原始圖像中的有用區域并將這些區域合理地合并于結果圖像中。為了更好地提取多傳感器獲取的圖像中的有用信息并將其融合于同一幅圖像中，各種方法被提出。然而多數方法并不能很好地提取原始圖像中的有效圖像區域用于圖像融合，從而不同程度地模糊圖像細節或遺漏部分圖像信息，使得圖像融合的效果不佳。為了解決上述問題并彌補傳統方法的不足，本專利技術提供了，它通過形態學中心算子和反中心本文檔來自技高網...

【技術保護點】
一種利用形態學中心算子的圖像融合方法，其特征在于：該方法具體步驟如下：步驟一：利用形態學中心算子和反中心算子提取紅外和可見光圖像的亮、暗特征，具體定義如下：AF1(f)=(f○B)●B，AF2(f)=(f●B)○B，MC(f)=min{max{f,min{AF1(f),AF2(f)}},max{AF1(f),AF2(f)}，其中，AF1和AF2是兩種交替濾波器；MC代表形態學中心算子，同理，代表形態學反中心算子，是MC的補運算；利用形態學中心和反中心算子提取圖像中的重要亮、暗特征，f⊕B=maxu,v(f(x-u,y-v)),]]>○，·，⊕和分別為形態學開、閉、膨脹和腐蝕運算符號，(x,y)和(u,v)分別為圖像f和結構元素B的像素坐標；利用形態學中心算子和反中心算子計算提取原圖像的亮、暗特征如下：DIF1(f)=max{MC(f)?f,0}，DIF2(f)=max{MC‾(f)-f,0},]]>DIF(f)=max{DIF1(f),DIF2(f)}，BIF1(f)=max{f?MC(f),0}，BIF2(f)=max{f-MC‾(f),0},]]>BIF(f)=max{BIF1(f),BIF2(f)}；其中，DIF和BIF分別是通過形態學中心算子和反中心算子提取出的暗、亮特征；步驟二：結合多尺度理論和形態學中心算子及反中心算子提取紅外和可見光圖像的多尺度特征，設有n個尺度的結構元素B1,B2,…,Bn參與計算，1≤i≤n；設用于圖像融合的兩幅原始圖像為fIR和fVI；計算每個尺度i(1≤i≤n)下原始圖像fIR和fVI中提取得到的多尺度亮特征如下：BIF1i(fIR)=max{fIR-MCi(fIR),0},]]>BIF2i(fIR)=max{fIR-MCi‾(fIR),0},]]>BIFi(fIR)=max{BIF1i(fIR),BIF2i(fIR)};]]>BIF1i(fVI)=max{fVI-MCi(fVI),0},]]>BIF2i(fVI)=max{fVI-MCi‾(fVI),0},]]>BIFi(fVI)=max{BIF1i(fVI),BIF2i(fVI)};]]>利用所有尺度信息獲得的最終的融合亮特征如下：FBIF(fIR,fVI)=maxi{BIFi(fIR,fVI))},]]>其中，BIFi(fIR,fVI)=max{BIFi(fIR),BIFi(fVI)}；計算每個尺度i(1≤i≤n)下原始圖像fIR和fVI中提取得到的多尺度暗特征如下：DIF1i(fIR)=max{MCi(fIR)-fIR,0},]]>DIF2i(fIR)=max{MCi‾(fIR)-fIR,0},]]>DIFi(fIR)=max{DIF1i(fIR),DIF2i(fIR)},]]>DIF1i(fVI)=max{MCi(fVI)-fVI,0},]]>DIF2i(fVI)=max{MCi‾(fVI)-fVI,0},]]>DIFi(fVI)=max{DIF1i(fVI),DIF2i(fVI)};]]>利用所有尺度信息獲得的最終的融合暗特征如下：FDIF(fIR,fVI)=maxi{DIFi(fIR,fVI))},]]>其中，DIFi(fIR,fVI)=max{DIFi(fIR),DIFi(fVI)}；步驟三：按下式計算最后的融合圖像：FI(fIR,fVI)=BI(fIR,fVI)+FBIF(fIR,fVI)–FDIF(fIR,fVI)，其中，BI(fIR,fVI)=mean{MCn(fVI),MCn(fIR),MC‾n(fVI),MC‾n(fIR)},]]>FI是最后的融合圖像。...

【技術特征摘要】

【專利技術屬性】
技術研發人員：白相志，陳志國，
申請(專利權)人：北京航空航天大學，
類型：發明
國別省市：北京;11