針對傳統(tǒng)紅外與弱可見光圖像融合算法中存在的亮度與對比度低、細節(jié)輪廓信息缺失、可視性差等問題,提出一種基于潛在低秩表示與復合濾波的紅外與弱可見光增強圖像融合方法.該方法首先利用改進的高動態(tài)范圍壓縮增強方法增強可見光圖像提高亮度;然后利用基于潛在低秩表示與復合濾波的分解方法分別對紅外與增強后的弱可見光圖像進行分解,得到相應的低頻和高頻層;再分別使用改進的對比度增強視覺顯著圖融合方法與改進的加權最小二乘優(yōu)化融合方法對得到的低頻和高頻層進行融合;最后將得到的低頻和高頻融合層進行線性疊加得到最終的融合圖像.與其他方法的對比實驗結果表明,用該方法得到的融合圖像細節(jié)信息豐富,清晰度高,具有良好的可視性. 

【文章來源】：光子學報. 2020,49(04)北大核心EICSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

潛在低秩表示與復合濾波融合框架

圖2所示為弱可見光圖像增強后的效果對比，設置引導濾波器的窗口步長n=η[Tmax(w,h)],w、h分別為圖像的寬和高；η為平衡權重，防止因圖像太大使得濾波器窗口步長過大從而導致濾波效果不佳；T主要控制圖像的壓縮程度，T過大會導致圖像增強效果不佳，而T太小則會使圖像出現(xiàn)過曝光的問題；相關實驗驗證設置參數(shù)η=0.04,T=4時能使弱可見光圖像顯著增強．圖2(a）是弱可見光圖像的源圖像，（b）是用未改進的方法增強后的弱可見光圖像，（c）是用改進后的方法增強后的弱可見光圖像．如圖中呈現(xiàn)，該自適應增強方法使光照條件相對較好的弱可見光圖像增強程度較小，而光照條件較差的圖像增強程度較大，并且從圖2(b）與（c）的對比中能看出，改進后的方法使圖像整體的細節(jié)信息更為突出，對比度更好．2.3 基于潛在低秩表示和復合濾波的分解方法

本文分解方法具體過程如圖3所示．首先，源圖像經(jīng)過潛在低秩表示方法L分解得到一個低頻分量B1和一個高頻分量D1．然后，B1再經(jīng)過雙邊濾波B分解得到低頻分量B2，高頻分量D2由B1和B2的差值求得．之后，B2再經(jīng)過高斯濾波G分解得到低頻分量B3，高頻分量D3由B2和B3的差值求得．圖像經(jīng)過分解方法操作過后的具體結果如圖4所示，利用本文分是解方法得到輸入圖像的三層高頻部分以及一層低頻部分．

【參考文獻】：
期刊論文
[1]基于稀疏特征的紅外與可見光圖像融合[J]. 丁文杉,畢篤彥,何林遠,凡遵林,吳冬鵬.  光子學報. 2018(09)
[2]基于改進引導濾波和雙通道脈沖發(fā)放皮層模型的紅外與可見光圖像融合算法[J]. 江澤濤,吳輝,周嘵玲.  光學學報. 2018(02)
[3]基于NSST的紅外與可見光圖像融合算法[J]. 鄧立暖,堯新峰.  電子學報. 2017(12)
[4]結合NSDTCT和稀疏表示的遙感圖像融合[J]. 殷明,龐紀勇,魏遠遠,段普宏.  光子學報. 2016(01)



本文編號：3409855