一種基于直覺模糊處理理論的圖像融合方法及其系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及圖像融合領(lǐng)域，尤其設(shè)及一種基于直覺模糊處理理論的圖像融合方法 及其系統(tǒng)。
【背景技術(shù)】
[0002] 圖像融合是將不同成像設(shè)備從不同角度或成像設(shè)備在不同時(shí)間對(duì)同一目標(biāo)的多 個(gè)成像通過特定的算法合并成一幅圖像的過程。由于不同傳感器具有不同的成像原理，所 獲得的圖像也各有特點(diǎn)，將運(yùn)些圖像有機(jī)的結(jié)合起來可W提供更加可靠精確的信息，使得 人們更加方便有效地觀察目標(biāo)或分析數(shù)據(jù)。運(yùn)些圖像之間具有互補(bǔ)性和冗余性，將它們?nèi)?合起來所得到的融合圖像與由單一傳感器獲得的圖像相比，融合圖像包含更多信息，具有 較強(qiáng)的魯棒性，能夠提供更加準(zhǔn)確可靠的觀察。因此將多個(gè)圖像融合起來使得多方面信息 在一幅圖像中得到體現(xiàn)具有重要的意義。
[0003] 根據(jù)國(guó)內(nèi)外圖像融合算法的研究現(xiàn)狀，圖像融合算法可W分為W下S類：空間域 圖像融合算法、變換域圖像融合算法W及基于人工智能的融合算法。空間域融合算法直接 對(duì)源圖像像素值進(jìn)行處理并融合，在進(jìn)行融合時(shí)不需要對(duì)圖像進(jìn)行分解。變換域圖像融合 算法是通過某種變換將源圖像分解成不同分辨率的系數(shù)，然后將對(duì)應(yīng)系數(shù)依據(jù)一定融合規(guī) 則進(jìn)行融合的過程。人工智能包括語(yǔ)義學(xué)、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、直覺模糊等。人工智能的 方法既可W在空間域使用，直接對(duì)圖像像素進(jìn)行處理，也可W在變換域?qū)D像的分解系數(shù) 進(jìn)行處理從而得到融合圖像。
[0004] 在眾多與人工智能技術(shù)相結(jié)合的融合算法中，基于模糊及直覺模糊的融合算法得 到了學(xué)者們的廣泛關(guān)注。最早將模糊理論引入圖像融合的是加拿大的A化jatali和IR Ciric，隨著近幾十年的發(fā)展，基于模糊理論的圖像融合算法得到了廣泛的研究，也出現(xiàn)了 少量基于直覺模糊理論的圖像融合算法。但運(yùn)些算法只引入了直覺模糊邏輯，算法復(fù)雜、不 靈活。
[0005] 目前，基于變換域的或基于傳統(tǒng)模糊處理的圖像融合算法面臨如下問題：
[0006] (1)通過變換域得到融合圖像的系數(shù)的算法復(fù)雜，費(fèi)時(shí)費(fèi)力。
[0007] 似沒有考慮減小因圖像自身的模糊性所帶來的融合誤差。
[0008] (3)基于傳統(tǒng)模糊集處理的圖像融合算法沒有完全表現(xiàn)出或充分利用圖像的模糊 性。

【發(fā)明內(nèi)容】

[0009] 本發(fā)明的目的在于提供一種基于直覺模糊處理理論的圖像融合方法及其系統(tǒng)，巧 妙地利用了直覺模糊集特有的參數(shù)：猶豫度，然后在NSCT變換域中選擇出含有更大信息量 的參數(shù)來獲取融合圖像，該法可充分利用圖像自身固有的模糊性進(jìn)行圖像融合。
[0010] 為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于直覺模糊處理理論的圖像融合方法，包 括：
[0011] 步驟一，對(duì)待融合的第一源圖像、第二源圖像進(jìn)行分解處理，得到該第一源圖像、 該第二源圖像的低頻系數(shù)和高頻系數(shù)；
[0012] 步驟二，對(duì)該第一源圖像、該第二源圖像的低頻系數(shù)和高頻系數(shù)進(jìn)行直覺模糊化 處理，得到直覺模糊猶豫度；W及
[0013] 步驟=，根據(jù)該直覺模糊猶豫度選取融合圖像的變換系數(shù)，并根據(jù)該變換系數(shù)對(duì) 該第一源圖像、該第二源圖像的各子帶系數(shù)進(jìn)行逆變換處理，得到融合圖像。
[0014] 所述的圖像融合方法，其中，所述步驟一中，包括：在分解處理前對(duì)該第一源圖像、 該第二源圖像進(jìn)行預(yù)處理的步驟。
[0015] 所述的圖像融合方法，其中，所述步驟一中，包括：對(duì)該第一源圖像、該第二源圖像 采用NSCT變換進(jìn)行分解處理。
[0016] 所述的圖像融合方法，其中，所述步驟二中，包括：
[0017] 步驟2. 1:求系數(shù)的隸屬度；
[0018] 將各個(gè)系數(shù)矩陣分別取絕對(duì)值后做歸一化，得到新系數(shù)矩陣，然后取
[001 引y= (fmax-fmJ?exp(-(fmax-fmj?kj-yI)(D
[0020] 巧）
[0021] 其中，i= 1,2,…M，j= 1,2,…N，iiu(Xii)為系數(shù)Xu的隸屬度，fmax和fmin分別 為新系數(shù)矩陣中的最大值和最小值，M、N分別為新系數(shù)矩陣的行值和列值；
[002引步驟2. 2冰系數(shù)的非隸屬度；
[0023] 得到系數(shù)的隸屬度后，計(jì)算系數(shù)的非隸屬度如下：
[0024] (3)
[002引其中，為系數(shù)X。的非隸屬度，yu(x。）為系數(shù)X。的隸屬度，入=0. 5 ;
[0026] 步驟2. 3:求系數(shù)的猶豫度；
[0027] 得到系數(shù)的隸屬度和非隸屬度后，計(jì)算系數(shù)的猶豫度如下：
[002引 jTu(Xij) = 1-^。(又。)-口。(又。）(4)
[0029] 其中，為系數(shù)Xi,的猶豫度，y u(Xi,)為系數(shù)Xi,的隸屬度，U u(Xi,)為系 數(shù)X。的非隸屬度；
[0030] 采用如下公式選擇猶豫度：
[0031] (5)
[003引其中，31A' (i，如為A'的系數(shù)矩陣中系數(shù)Xi,的猶豫度，31B' (i，如為B'的系數(shù)矩 陣中系數(shù)Xi，的猶豫度。
[0033] 所述的圖像融合方法，其中，所述步驟=中，包括：
[0034] 根據(jù)該變換系數(shù)對(duì)該第一源圖像、該第二源圖像的各子帶系數(shù)進(jìn)行NSCT逆變換 處理得到融合圖像。
[0035] 為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于直覺模糊處理理論的圖像融合系統(tǒng)，包 括：
[0036] 圖像分解模塊，用于對(duì)待融合的第一源圖像、第二源圖像進(jìn)行分解處理，得到該第 一源圖像、該第二源圖像的低頻系數(shù)和高頻系數(shù)；
[0037] 模糊化處理模塊，用于對(duì)該第一源圖像、該第二源圖像的低頻系數(shù)和高頻系數(shù)進(jìn) 行直覺模糊化處理，得到直覺模糊猶豫度；
[0038] 變換系數(shù)獲取模塊，用于根據(jù)該直覺模糊猶豫度選擇融合圖像的變換系數(shù)；W及
[0039] 融合圖像獲取模塊，用于根據(jù)該變換系數(shù)對(duì)該第一源圖像、該第二源圖像的各子 帶系數(shù)進(jìn)行逆變換處理，得到融合圖像。
[0040] 所述的圖像融合系統(tǒng)，其中，還包括一預(yù)處理模塊，用于在分解處理前對(duì)該第一源 圖像、該第二源圖像進(jìn)行預(yù)處理。
[0041] 所述的圖像融合系統(tǒng)，其中，所述圖像分解模塊對(duì)該第一源圖像、該第二源圖像采 用NSCT變換進(jìn)行分解處理。
[0042] 所述的圖像融合系統(tǒng)，其中，所述模糊化處理模塊包括：隸屬度獲取模塊、非隸屬 度獲取模塊、猶豫度獲取模塊；
[0043] 所述隸屬度獲取模塊將各個(gè)系數(shù)矩陣分別取絕對(duì)值后做歸一化，得到新系數(shù)矩 陣，然后取
[004引其中，i= 1，2,…M，j= 1，2,…N，iiu(Xii)為系數(shù)Xu的隸屬度，fmax和fmin分別 為新系數(shù)矩陣中的最大值和最小值，M、N分別為新系數(shù)矩陣的行值和列值；
[0047]所述非隸屬度獲取模塊根據(jù)系數(shù)的隸屬度，計(jì)算系數(shù)的非隸屬度如下：
[0048] (3)
[004引其中，為系數(shù)X。的非隸屬度，yu(x。）為系數(shù)X。的隸屬度，入=0. 5; [0050]所述猶豫度獲取模塊根據(jù)系數(shù)的隸屬度和非隸屬度，計(jì)算系數(shù)的猶豫度如下： [0051] 31 i j (Xi j)= 1-jii j (Xi j) -ui j (Xi j)(4)
[0052] 其中，為系數(shù)Xij的猶豫度，y u(Xij)為系數(shù)Xu的隸屬度，u u(Xij)為系 數(shù)Xii的非隸屬度；
[0053] 所述變換系數(shù)獲取模塊采用如下公式選取變換系數(shù)：
[0054] 巧）
[005引其中，nA'(ij)為A'的系數(shù)矩陣中系數(shù)Xii的猶豫度，31B'(ij)為B'的系數(shù)矩 陣中系數(shù)Xi，的猶豫度。
[0056] 所述的圖像融合系統(tǒng)，其中，所述融合圖像獲取模塊根據(jù)該變換系數(shù)對(duì)該第一源 圖像、該第二源圖像的各子帶