基于AWNV的红外与可见光图像Tetrolet域融合方法研究.docVIP

基于AWNV的红外与可见光图像Tetrolet域融合方法研究 　　摘 要： 针对红外（IR）和可见光（VL）图像融合中边缘纹理和细节特征融合不理想等问题，提出了一种基于Tetrolet变换的红外和可见光图像的融合方法。将Tetrolet变换后的红外和可见光图像的低通子带采用基于加权平均的融合方法得到低通融合系数，而对高通子带提出了一种基于自适应邻域方差加权（AWNV）的融合规则得到高通融合系数，最后通过Tetrolet逆变换得到融合图像。采用多种图像进行融合实验，实验结果表明，经该方法得到的融合图像信息量更大，特征纹理更为丰富，能够得到比较好的融合效果。 　　关键词： Tetrolet变换； 图像融合； 红外和可见光图像； 邻域方差 　　中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2015）13?0046?04 　　Abstract： Since the fusion of edge texture and detail feature in infrared （IR） and visible light （VL） images fusion is unsatisfactory， a Tetrolet conversion based fusion method of IR and VL images is proposed. With the fusion method based on weighted and average， the low?pass fusion coefficient is obtained from the low?pass sub?bands of IR and VL images converted by Tetrolet. As for high?pass sub?bands， a fusion rule based on adaptive weighted neighborhood variance （AWNV） is presented to obtain the high?pass coefficient. Finally， fusion image is obtained by Tetrolet inverse conversion. The results of multi?image fusion experiments show that fusion images obtained by the proposed method have more information quantity and more abundant texture features， and the method can get better fusion effect. 　　Keywords： Tetrolet conversion； image fusion； infrared and visible light image； neighborhood variance 　　0 引 言 　　可见光与红外传感器是最常用的两类传感器，能够得到互补的图像信息。将两种图像进行融合，有利于综合红外图像较好的目标特性和可见光图像清晰的场景信息，提高不同图像的信息利用率，从而获取信息更丰富的融合图像。 　　近年来，基于多尺度分解的图像融合技术有了很大的发展，各方面的理论已经比较成熟，主要有小波变换、轮廓波变换等。小波变换由于其局限性，对于细节纹理丰富的图像处理结果不是很理想；非下采样轮廓波?脉冲偶和神经网络融合方法[1]（NSCT?PCNN）可以得到比较理想的融合效果，但由于变换采用非下采样技术，并且高频中插入脉冲神经网络提取融合系数，计算复杂度较高，融合时间相对较长。沈瑜等提出基于Tetrolet变换的红外与可见光融合[2]，对高频Tetrolet系数采用伪随机傅里叶矩阵和CoSaMP优化算法迭代出融合后的Tetrolet系数，计算也相对比较复杂。本文在Tetrolet变换[3?4]的理论基础上，提出了一种基于自适应邻域方差加权（Adaptive Weighted Neighborhood Variance，AWNV）的高频融合规则，实验结果表明，该方法在降低计算复杂度、减少图像融合时间和数据冗余的同时，能够得到比较好的融合效果。 　　1 Tetrolet变换 　　1.1 Tetrolet简介 　　Tetrolet变换是一种新的自适应Haar类型小波变换，它的基函数具有不相关性和平移不变性，其变换是简单有效的，并且非常适用于图像的稀疏表示。它是一种基于四格拼板（Tetromino）的变换[3?5]，其中的每一个数据都可看成一个正方形单元