基于多尺度變換與脈沖耦合神經網絡的紅外偏振融合方法技術

本發明專利技術是基于多尺度變換與脈沖耦合神經網絡的紅外偏振融合方法，包括以下步驟：1】通過斯托克斯矢量表示法得到成像區域的偏振信息；解算出成像區域的斯托克斯矢量S＝(I,Q,U,V)T；2】根據成像區域的偏振信息求解偏振度圖像IDP和偏振角圖像IAP；3】利用NSCT算法對歸一化后的偏振角圖像和偏振度圖像進行融合，得到復合偏振圖像IP；本發明專利技術基于非下采樣Conterlet變換(Non-Subsampled?Conterlet?Tranformation，NSCT)和自適應脈沖耦合神經網絡算法(Adaptive?Pulse?Coupled?Neural?Network，APCNN)算法實現偏振圖和紅外輻射強度圖像的二次融合。其中，NSCT算法將偏振圖像細節在各個方向上得到了保護，而APCNN算法提高了異類圖像融合的質量。

【技術實現步驟摘要】
基于多尺度變換與脈沖耦合神經網絡的紅外偏振融合方法
本專利技術公開了一種基于多尺度變換與脈沖耦合神經網絡的紅外偏振融合方法，它主要用于紅外輻射強度圖像和偏振圖像的融合。
技術介紹
與傳統的紅外成像(紅外輻射強度圖像)相比，紅外偏振成像技術既能探測目標景物的紅外輻射強度信息，又能同時獲取目標景物的紅外輻射量在不同的偏振方向上的對比值，不僅保留了原有的輻射強度信息，并且增加了偏振信息，從而顯著提高目標和自然背景之間的對比度，突顯現出目標輪廓和細節，增強紅外系統的探測識別能力。憑借其具有的優點，紅外偏振成像技術將在海面油污檢測、地物背景辨別、人造目標監測、醫療診斷、軍事偽裝目標辨識等方面具有很大的應用前景。而對紅外偏振成像技術來說，紅外輻射圖像和偏振圖像的融合方法對成像結果至關重要。在一般的圖像融合中，基于多尺度變換的圖像融合方法被證明是一類行之有效的方法，這類方法主要有基于金字塔變換、小波變換、支持度變換、曲波(Curvelet)變換、輪廓波(Contourlet)變換的融合方法等。基于多尺度變換的圖像融合算法主要原理是：首先利用多尺度變換方法對待融合的圖像進行多尺度分解，然后再基于融合規則對各尺度上的分解圖像進行融合，再將融合的分解圖像進行重構，最終得到多尺度融合圖像。在現有的紅外偏振圖像融合方法中，主要是利用傅里葉變換、小波變換、支持度變換、拉普拉斯金字塔變換等對紅外輻射圖像和紅外偏振圖像進行融合。研究表明現有的紅外偏振融合算法存在固有的邊緣區域失真、對比度低的問題。這主要是因為，以小波變換代表的多尺度變換方法(包括金字塔變換)在分析圖像的點狀瞬態特征的奇異性時是最優的，但是在表示圖像結構的線狀或曲面奇異性時卻不是最優的。因此，基于小波變換的圖像融合不能充分地體現出圖像中的方向邊緣細節信息，容易導致融合后的圖像產生細節成分模糊現象。偏振圖像最大的價值在于它能表達出目標的邊緣和紋理細節信息，因此在對紅外偏振圖像進行融合時，應該選擇具有保護圖像細節信息的多尺度變換算法，比如非下采樣Contourlet變換(Non-SubsampleContourletTransform，NSCT)算法，該算法不僅能捕獲圖像在各方向上的紋理細節信息，而且具有平移不變形，能有效降低配準誤差對融合性能的影響，同時圖像NSCT分解后得到的各子帶圖像與源圖像具有相同的尺寸大小，從而有利于融合規則的制定和融合運算的實現，因此NSCT算法特別適合紅外偏振圖像的融合。在基于多尺度分解的圖像融合算法中，融合規則是另外一個至關重要的因素，直接決定著融合圖像的性能，在現有的融合算法中，常規的融合規則可以分為三類：基于像素選取的融合規則、基于鄰域窗口的融合規則和基于區域的融合規則。這些規則在同類圖像的融合中表現出了良好的應用效果，然而應用于異類傳感信息融合時卻面臨著許多困難，最主要的困難是目前尚沒有統一的數學工具與方法可應用于異類傳感信息融合。紅外偏振圖像和紅外輻射圖像由于成像機理不同，從本質上說屬于異類圖像，它們的融合屬于異類圖像融合，因此采用常規的融合規則對紅外偏振圖像進行融合并不合適。異類圖像融合時，不應該直接選取兩幅圖像的像素值進行融合，而應該根據某種評價函數對偏振圖像和紅外輻射圖像待融合的像素點進行評價，依據圖像評價結果進行融合處理。脈沖耦合神經網絡(PulseCoupledNeuralNetwork，PCNN)模型，是通過模擬貓的大腦視覺皮層中同步脈沖發放現象建立起來的一個簡化模型，在該模型中，相互連接的神經元之間存在著能量的傳播，正是這種傳播使得神經元能夠以相似性集群，從而產生同步脈沖發放。在受到圖像信號激勵時，PCNN的輸出脈沖序列(也叫做點火圖)中包含有圖像的特征信息，利用這些脈沖輸出通常比使用原始圖像更容易實現對圖像的判斷，因此利用圖像的PCNN輸出作為圖像的評價將是一個很好的選擇。然而，在PCNN模型中，很多參數需要根據經驗設定，這就需要對其進行改進，提高PCNN模型的自適應能力。
技術實現思路
針對現有紅外偏振融合算法存在的不足，本專利技術基于非下采樣Conterlet變換(Non-SubsampledConterletTranformation，NSCT)和自適應脈沖耦合神經網絡算法(AdaptivePulseCoupledNeuralNetwork，APCNN)算法實現偏振圖和紅外輻射強度圖像的二次融合。其中，NSCT算法將偏振圖像細節在各個方向上得到了保護，而APCNN算法提高了異類圖像融合的質量。第一次融合實現偏振角圖像和偏振度圖像的融合，得到復合偏振圖像。第二次融合是將復合偏振圖像與紅外輻射圖像進行融合，得到紅外偏振融合圖像。本專利技術的技術解決方案是：基于多尺度變換與脈沖耦合神經網絡的紅外偏振融合方法，其特征在于：所述方法包括以下步驟：1】通過斯托克斯矢量表示法得到成像區域的偏振信息；當紅外偏振系統中偏振片分別旋轉到0°、45°、90°和135°等4個不同位置時，獲得4個不同偏振方向的輻射強度圖I′(0°)、I′(45°)、I′(90°)和I′(135°)；解算出成像區域的斯托克斯矢量S＝(I,Q,U,V)T；其中，I代表輻射強度，Q表示0°與90°線偏振光分量之差，U表示45°與135°線偏振光分量之差，V代表右旋與左旋圓偏振光分量之差；2】根據成像區域的偏振信息求解偏振度圖像IDP和偏振角圖像IAP；3】利用NSCT算法對歸一化后的偏振角圖像和偏振度圖像進行融合，得到復合偏振圖像IP，實現第一次融合；3.1】將原DoP圖像和原AoP圖像進行NSCT分解，分別得到分解系數圖和3.2】設融合圖像后的復合偏振圖像為IP，其對應的NSCT分解系數為其中aX(X＝IDP、IAP、IP)表示圖像X的低頻子帶圖像，CXs,l(X＝IDP、IAP、IP)表示圖像X在第s層、第l個方向子帶上的高頻系數；3.3】根據傳統的像素級圖像融合準則，由和得到融合系數4】利用NSCT算法對復合偏振圖像IP和紅外強度圖像I分別進行多尺度分解，得到相應的不同尺度，不同方向上的NSCT分解系數圖；4.1】將復合偏振圖像IP和紅外強度圖像I分別進行NSCT分解，分別得到分解系數圖和4.2】設融合圖像后的復合偏振圖像為IF，其對應的NSCT分解系數為其中aX(X＝IP，I，IF)表示圖像X的低頻子帶圖像，CXs,l(X＝IP，I，IF)表示圖像X在第s層、第l個方向子帶上的高頻系數；5】利用APCNN算法分別得到各尺度各方向上NSCT系數圖的點火圖；6】對復合偏振圖像IP和紅外強度圖像I的NSCT子帶系數和進行融合；6.1】基于像素平均的原則，根據NSCT低頻子帶系數aIP和aI求解融合系數aIF；6.2】基于點火圖融合原則，根據NSCT高頻子帶系數和求解融合系數6.3】對所有尺度方向上的融合系數進行NSCT逆變換，得到紅外偏振融合圖像，實現第二次融合。上述步驟1】斯托克斯矢量S＝(I,Q,U,V)T的具體解算方法：Q＝I′(0°)-I′(90°)U＝I′(45°)-I′(135°)。上述步驟2】中求解具體步驟是：偏振度圖像IDP表示為：進行歸一化處理后得到：偏振角圖像IAP表示為歸一化處理后得到：上述步驟5】的具體步驟是：5.1】根據主成分分析本文檔來自技高網...

【技術保護點】
基于多尺度變換與脈沖耦合神經網絡的紅外偏振融合方法，其特征在于：所述方法包括以下步驟：1】通過斯托克斯矢量表示法得到成像區域的偏振信息；當紅外偏振系統中偏振片分別旋轉到0°、45°、90°和135°等4個不同位置時，獲得4個不同偏振方向的輻射強度圖I′(0°)、I′(45°)、I′(90°)和I′(135°)；解算出成像區域的斯托克斯矢量S＝(I,Q,U,V)T；其中，I代表輻射強度，Q表示0°與90°線偏振光分量之差，U表示45°與135°線偏振光分量之差，V代表右旋與左旋圓偏振光分量之差；2】根據成像區域的偏振信息求解偏振度圖像IDP和偏振角圖像IAP；3】利用NSCT算法對歸一化后的偏振角圖像和偏振度圖像進行融合，得到復合偏振圖像IP，實現第一次融合；3.1】將原DoP圖像和原AoP圖像進行NSCT分解，分別得到分解系數圖和3.2】設融合圖像后的復合偏振圖像為IP，其對應的NSCT分解系數為其中aX(X＝IDP、IAP、IP)表示圖像X的低頻子帶圖像，CXs,l(X＝IDP、IAP、IP)表示圖像X在第s層、第l個方向子帶上的高頻系數；3.3】根據傳統的像素級圖像融合準則，由和得到融合系數4】利用NSCT算法對復合偏振圖像IP和紅外強度圖像I分別進行多尺度分解，得到相應的不同尺度，不同方向上的NSCT分解系數圖；4.1】將復合偏振圖像IP和紅外強度圖像I分別進行NSCT分解，分別得到分解系數圖和4.2】設融合圖像后的復合偏振圖像為IF，其對應的NSCT分解系數為其中aX(X＝IP，I，IF)表示圖像X的低頻子帶圖像，CXs,l(X＝IP，I，IF)表示圖像X在第s層、第l個方向子帶上的高頻系數；5】利用APCNN算法分別得到各尺度各方向上NSCT系數圖的點火圖；6】對復合偏振圖像IP和紅外強度圖像I的NSCT子帶系數和{aI,CIs,l}進行融合；6.1】基于像素平均的原則，根據NSCT低頻子帶系數aIP和aI求解融合系數aIF；6.2】基于點火圖融合原則，根據NSCT高頻子帶系數和{CIs,l}求解融合系數6.3】對所有尺度方向上的融合系數進行NSCT逆變換，得到紅外偏振融合圖像，實現第二次融合。...

【技術特征摘要】
1.基于多尺度變換與脈沖耦合神經網絡的紅外偏振融合方法，其特征在于：所述方法包括以下步驟：1】通過斯托克斯矢量表示法得到成像區域的偏振信息；當紅外偏振系統中偏振片分別旋轉到0°、45°、90°和135°等4個不同位置時，獲得4個不同偏振方向的紅外強度圖像圖I′(0°)、I′(45°)、I′(90°)和I′(135°)；解算出成像區域的斯托克斯矢量S＝(I,Q,U,V)T；其中，I代表紅外強度圖像，Q表示0°與90°線偏振光分量之差，U表示45°與135°線偏振光分量之差，V代表右旋與左旋圓偏振光分量之差；2】根據成像區域的偏振信息求解偏振度圖像IDP和偏振角圖像IAP；3】利用NSCT算法對歸一化后的偏振角圖像和偏振度圖像進行融合，得到復合偏振圖像IP，實現第一次融合；3.1】將原DoP圖像和原AoP圖像進行NSCT分解，分別得到分解系數圖和3.2】設融合圖像后的復合偏振圖像為IP，其對應的NSCT分解系數為其中aX表示圖像X的低頻子帶圖像，其中X＝IDP、IAP、IP，CXs,l表示圖像X在第s層、第l個方向子帶上的高頻系數，其中X＝IDP、IAP、IP，IDP、IAP、IP分別代表偏振度圖像、偏振角圖像、歸一化偏振度圖像與歸一化偏振角圖像融合后得到的復合偏振圖像；3.3】根據傳統的像素級圖像融合準則，由和得到融合系數4】利用NSCT算法對復合偏振圖像IP和紅外強度圖像I分別進行多尺度分解，得到相應的不同尺度，不同方向上的NSCT分解系數圖；4.1】將復合偏振圖像IP和紅外強度圖像I分別進行NSCT分解，分別得到分解系數圖和4.2】設融合圖像后的復合偏振圖像為IF，其對應的NSCT分解系數為其中aX表示圖像X的低頻子帶圖像，其中X＝IP、I、IF，CXs,l表示圖像X在第s層、第l個方向子帶上的高頻系數，其中，X＝IP、I、IF，IP、I、IF分別代表復合偏振圖像、紅外強度圖像、將復合偏振圖像和紅外強度圖像進行融合后得到的總復合偏振圖像；5】利用APCNN算法分別得到各尺度各方向上NSCT系數圖的點火圖；6】對復合偏振圖像IP和紅外強度圖像I的NSCT子帶系數和進行融合；6.1】基于像素平均的原則，根據NSCT低頻子帶系數aIP和aI求解融合系數aIF；6.2】基于點火圖融合原則，根據NSCT高頻子帶系數和求解融合系數6.3】對所有尺度方向上的融合系數進行NSCT逆變換，得到紅外偏振融合圖像，實現第二次融合；所述步驟1】斯托克斯矢量S＝(I,Q,U,V)T的具體解算方法：Q＝I′(0°)-I′(90°)U＝I′(45°)-I′(1...

【專利技術屬性】
技術研發人員：謝永杰，趙巖，張頌，張華良，唐佩佳，龍建乾，
申請(專利權)人：中國人民解放軍六三六五五部隊，
類型：發明
國別省市：新疆;65