一種多特征目標函數(shù)引導的紅外偏振與光強圖像融合方法
【技術(shù)領域】
[0001] 本發(fā)明屬于圖像融合領域，具體為一種可綜合考慮源圖像多方面差異特征類型及 強弱關(guān)系，提高特征利用率W增強融合效果的多特征目標函數(shù)引導的紅外偏振與光強圖像 融合方法。
【背景技術(shù)】
[0002] 傳統(tǒng)紅外熱成像，利用紅外福射成像，與目標的溫度、福射率等有關(guān)，圖像輪廓清 晰，但對比度低，目標邊緣比較模糊，細節(jié)紋理較弱，能夠呈現(xiàn)圖像的整體輪廓；紅外偏振成 像主要通過目標與背景福射能量的偏振特性進行成像，與表面粗糖度、自身材料、幾何形狀 等因素有關(guān)，可探測到紅外熱成像無法探測的目標，對比度高，有效表征了物體表面紋理、 邊緣等高頻特征，具有凸顯邊緣、增強細節(jié)信息的能力，因此，二者具有很強的互補性，只有 將兩類圖像融合，綜合不同成像優(yōu)勢，才能利于目標識別和人眼觀察，滿足使用需求。
[0003] 差分進化融合方法將各源圖像作為種群中的個體，采用基于差分的簡單變異操作 W及一對一的競爭策略，通過交換兩個父代圖像的部分差異特征信息擾動上代最優(yōu)融合圖 像的方式，遺傳給子代，生成子代融合圖像，通過目標函數(shù)引導進化發(fā)展過程，W繁衍出參 數(shù)值更好的融合圖像。該方法能夠充分融合源圖像中的差異特征，提高圖像的融合效果。 然而，現(xiàn)有基于差分進化算法的圖像融合算法較少，且多是基于單一因素的目標函數(shù)，如梯 度、均值、扭曲程度等，對圖像融合過程的引導因素考慮較少。
[0004] 而圖像特征是圖像中像素值大小及其周邊像素關(guān)系的反映，因此圖像中的像素能 夠反映多個特征；如果只選取一種特征進行融合，必然會弱化甚至丟失其他特征的信息，無 法充分融合源圖像特征。其次，在現(xiàn)有的紅外偏振圖像融合研究背景下，考慮圖像特征的融 合中，有的為事先確定的一些固定特征，未依據(jù)圖像不同區(qū)分共有特征與差異特征，還有的 則是未依據(jù)差異特征的類型及相互之間的強弱關(guān)系制定相應的融合策略，W此導致了特征 的利用率不高，融合效果差，甚至出現(xiàn)了某些特征丟失、某些特征過強等影響最終融合效果 的現(xiàn)象，造成最終的融合圖像融合質(zhì)量差。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服上述已有技術(shù)的不足之處，提出一種多特征目標函數(shù)引導 下的紅外偏振與光強圖像差分進化融合方法，具體包括W下步驟：
[0006]S1 :利用紅外熱像儀及紅外偏振相機，通過旋轉(zhuǎn)濾光片的形式，采集紅外光強與偏 振圖像；
[0007]S2 :利用步驟S1中得到的已配準的0°、45°、90°、135°四幅紅外偏振圖像，按 照斯托克斯方程解算得到對應的偏振度圖像和偏振角圖像；
[0008]S3 :構(gòu)建差分進化的初始種群，種群規(guī)模設置為14,構(gòu)成原始種群的圖像序列；
[0009]S4:W平均梯度、灰度均值、信息賭、標準差、對比度、邊緣強度特征為元素構(gòu)建特 征向量，分別計算初始種群中個體的特征向量；
[0010]S5 步驟S4中得到的圖像特征向量求取融合權(quán)值向量，并依據(jù)差異特征的類型 及幅值構(gòu)建多特征引導的目標函數(shù)；
[0011]S6:依據(jù)多特征目標函數(shù)的引導，分別進行變異、交叉、選擇操作，當滿足迭代結(jié)束 條件時，完成進化過程，輸出最優(yōu)個體，即得到最終的融合圖像；
[0012] S7 :將此時種群中的最優(yōu)個體作為最終的融合圖像保存或輸出。
[0013] 其中步驟S4、S5所述的引導差分進化的目標函數(shù)的構(gòu)建按W下步驟進行：
[0014] S4:W平均梯度、灰度均值、信息賭、標準差、對比度及邊緣強度等特征為元素構(gòu)建 特征向量，分別計算初始種群中個體的特征向量，構(gòu)建差異特征向量；
[0015] S41 :構(gòu)造圖像的特征向量F=[平均梯度灰度均值信息賭標準差對比度邊緣強 度]
[001引 S42 :利用兩源圖像的特征向量求取差異特征向量：
[0017]AF(t) = |Fi(t)-Fp(t)I(3)
[001引 S5:構(gòu)建多特征引導的目標函數(shù)：
[0019] S51 :求取差異特征權(quán)值向量：
[0020]
(4>
[002。 S52 :歸一化得到融合權(quán)值向量Φ:
[0022]
'5)
[0023] S53 :依據(jù)差異特征類型及權(quán)值向量構(gòu)建目標函數(shù)：
[0024] f (X)=巫·F(6)
[00巧]式中ΔΡ為差異特征向量，F(xiàn)i、Fp分別為紅外光強、偏振圖像的特征向量，t為相應 差異特征的序號，t= 1，2，...，6。
[0026] 本發(fā)明與現(xiàn)有技術(shù)相比具有W下優(yōu)點：
[0027](1)本發(fā)明考慮紅外偏振與光強圖像差異特征的類型與幅值，充分考慮像素的多 重屬性W及屬性之間的強弱關(guān)系，構(gòu)建基于多特征的目標函數(shù)。對于源圖像中差異較大的 差異特征，融合權(quán)值向量中與之相對應的的權(quán)值也就大，差異較小的，權(quán)值也就較小，運樣 就可W充分考慮差異特征的強弱關(guān)系，既充分融合了差異特征，又避免差異特征主次不分 造成的某些特征丟失、某些卻融合過度，影響圖像的整體效果。本發(fā)明能夠同時有效提高融 合圖像中的灰度、紋理、邊緣、對比度等多方面特征，解決了傳統(tǒng)考慮單一因素決定的引導 函數(shù)特征較單一，特征利用率不高，造成融合效果差的問題。
[0028] (2)本發(fā)明從源圖像差異特征的角度出發(fā)，將基于群體差異優(yōu)化的差分進化計算 方法引入紅外偏振與光強圖像的融合中。W差異特征作為種群個體的差異信息，通過基于 群體差異的啟發(fā)式全局優(yōu)化的差分進化計算技術(shù)，利用群體內(nèi)個體之間的相互合作與競爭 產(chǎn)生的群體智能來引導優(yōu)化捜索的方向，模擬生物進化的隨機模型，通過反復迭代，使得那 些適應環(huán)境的個體被保存下來，即滿足差異特征融合要求的圖像被保存下來。在變異操作 時利用種群中個體間的差異分量對個體進行擾動，隨著代數(shù)的增加，種群個體與最優(yōu)輸出 之間的差異會逐漸降低，即融合圖像與源圖像之間的差異就會逐漸減小，最終的最優(yōu)輸出 即是充分融合了源圖像中的差異特征。
【附圖說明】
[0029] 圖1為發(fā)明流程圖；
[0030] 圖2為采集到的紅外光強圖像與偏振片偏振角度分別為0°、45°、90°、135°的 紅外偏振圖像，其中（a)為紅外光強圖像，化）為0°偏振圖像，（C)為45°偏振圖像，（d) 為90°偏振圖像，（e)為135°偏振圖像；
[0031]圖3為結(jié)果配準后的紅外光強圖像與利用斯托克斯公式（1)、（2)解算得到的紅外 偏振度圖像，其中（a)為紅外光強圖像，化）為紅外偏振度圖像，（C)為紅外偏振角圖像；
[0032] 圖4為實驗一紅外偏振與光強圖像采用不同融合算法PCA、DWT、SVT、NSST、NSCT 及本發(fā)明方法所得到的融合圖像，其中，（a)為PCA方法的融合圖像，（b)DWT方法的融合圖 像，（C)為SVT方法的融合圖像，（d)為NSST方法的融合圖像，（e)為NSCT方法的融合圖 像，（f)本發(fā)明方法；
[0033] 圖5為實驗二紅外偏振與光強圖像采用不同融合算法PCA、DWT、SVT、NSST、NSCT 及本發(fā)明方法所得到的融合圖像，其中，（a)為PCA方法的融合圖像，（b)DWT方法的融合圖 像，（C)為SVT方法的融合圖像，（d)為NSST方法的融合圖像，（e)為NSCT方法的融合圖 像，（f)本發(fā)明方法；
[0034] 圖6為圖3中紅外偏振度圖像與光強圖像采用單一特征構(gòu)建目標函數(shù)的融合圖 像，其中（a)對比度，化）梯度，（C)灰度均值，（d)邊緣強度，（e)方差，訊本發(fā)明方法。
【具體實施方式】
[0035] 參照圖1的流程圖，W圖2所示的紅外偏振與光強圖像為例進行實驗，具體實施步 驟如下：
[0036]S1 :利用紅外熱像儀及紅外偏振相機，通過旋轉(zhuǎn)濾光片的形式，采集紅外光強與 偏振圖像，拍攝時，相機與拍攝物體處于同一水平面，紅外偏振相機分別采集角度為0°、 45°、90°、135°的偏振圖像；
[0037]S2 :利用步驟S1中得到的已配準的0°、45°、90°、135°四幅紅外偏振圖像，按 照斯托克斯方程解算得到對應的偏振度圖像和偏振角圖像；
[0040]式中I。、I45、Ig。、Ii35分別表不置放在光波光波傳播路徑上的濾光片在0°、45°、 90°、135°方向上的線偏振光所成的偏振圖像，I、Q、U分別為斯托克斯參量，P為偏振度圖 像，Θ為偏振角圖像；
[0041]S3:構(gòu)建差分進化的初始種群：W步驟S2中得到的紅外偏振與光強圖像為基礎， 種群規(guī)模設置為14,重復復制6份共14