基于WOA-DTNP的红外与可见光图像融合方法

本发明属于图像处理，具体涉及一种基于woa-dtnp的红外与可见光图像融合方法。

背景技术：

1、红外与可见光图像融合在军事、安防、医学诊断等领域得到了广泛应用。红外图像能够捕捉目标的热辐射信息，而可见光图像则提供了丰富的纹理和细节信息，通过融合这两种图像，可以生成一幅兼具热辐射特征和细节信息的高质量图像，从而提升目标检测、识别和分析的能力。

2、目前，红外与可见光图像融合方法主要基于深度学习理论，这些方法虽然在一定程度上提高了融合性能，但在融合过程中存在对比度失衡、细节丢失以及对设备计算性能要求高等问题。

3、相比之下，多尺度分析方法如金字塔分解、小波变换和非下采样轮廓波变换等，通过分层处理不同频带的图像信息，能够更有效地保留红外图像的热辐射对比度，同时增强可见光图像的纹理细节，且计算复杂度较低，更适合资源受限的应用场景。因此，多尺度分析在提升融合图像质量、优化计算效率方面具有显著优势。然而，传统的融合方法在处理低频子带时往往存在信息冗余和细节丢失的问题，影响了融合效果。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于woa-dtnp的红外与可见光图像融合方法。本发明要解决的技术问题通过以下技术方案实现：

2、本发明提供一种基于woa-dtnp的红外与可见光图像融合方法，包括：

3、将红外源图像分解为红外低频子带和红外高频子带，并将可见光源图像分解为可见光低频子带和可见光高频子带；

4、分别对所述红外低频子带及所述可见光低频子带进行再分解，得到红外低频结构子带、红外低频纹理子带、以及可见光低频结构子带、可见光低频纹理子带；

5、通过构建离散时间神经p系统，融合所述红外高频子带与所述可见光高频子带，获得高频融合子带；

6、通过计算拉普拉斯能量和，融合红外低频结构子带以及可见光低频结构子带，获得低频结构融合子带；

7、利用鲸鱼优化算法确定融合权重，并基于所述融合权重对所述可见光低频纹理子带与所述红外低频纹理子带加权融合，获得低频纹理融合子带；

8、将所述低频结构融合子带与所述低频纹理融合子带融合，得到低频融合子带，进一步将所述高频融合子带与所述低频融合子带通过逆非下采样轮廓波变换，重构得到融合图像。

9、在本发明的一个实施例中，分别对所述红外低频子带及所述可见光低频子带进行再分解，得到红外低频结构子带、红外低频纹理子带、以及可见光低频结构子带、可见光低频纹理子带的步骤，包括：

10、基于自适应欧拉弹性能量正则化公式，分别对所述红外低频子带及所述可见光低频子带进行再分解，得到红外低频结构子带、红外低频纹理子带、以及可见光低频结构子带、可见光低频纹理子带；

11、其中，所述自适应欧拉弹性能量正则化公式表示为：

12、；

13、式中，表示红外低频结构子带\可见光低频结构子带，表示红外低频纹理子带\可见光低频纹理子带，表示红外低频结构子带的梯度\可见光低频结构子带的梯度，为预设常数，用于避免梯度项在为零时出现数值不稳定性，表示数据保真项中的权重系数，表示纹理项中的正则化参数，表示能量函数，表示积分域，表示空间位置变量。

14、在本发明的一个实施例中，通过构建离散时间神经p系统，融合所述红外高频子带与所述可见光高频子带，获得高频融合子带的步骤，包括：

15、依次将所述红外高频子带和所述可见光高频子带作为待处理图像，并执行以下步骤：利用prewitt算子提取所述待处理图像的边缘信息，并利用局部能函数计算所述待处理图像的能量分布图，以所述边缘信息和所述能量分布图作为输入，构建所述待处理图像的离散时间神经p系统，经迭代后得到所述待处理图像的脉冲总和矩阵；

16、通过逐个比较所述红外高频子带的脉冲总和矩阵与可见光高频子带的脉冲总和矩阵中元素的大小，获得高频融合子带。

17、在本发明的一个实施例中，通过逐个比较所述红外高频子带的脉冲总和矩阵与可见光高频子带的脉冲总和矩阵中元素的大小，获得高频融合子带的步骤，包括：

18、逐个比较所述红外高频子带的脉冲总和矩阵与可见光高频子带的脉冲总和矩阵中元素的大小；

19、若， 则以作为高频融合子带中第行第列像素的像素值；反之，则以作为高频融合子带中第行第列像素的像素值；

20、其中，表示可见光高频子带的脉冲总和矩阵中位于第行第列的像素，表示红外高频子带的脉冲总和矩阵中位于第行第列的像素，、分别表示可见光高频子带与红外高频子带中第行第列像素的像素值。

21、在本发明的一个实施例中，通过计算拉普拉斯能量和，融合红外低频结构子带以及可见光低频结构子带，获得低频结构融合子带的步骤，包括：

22、计算所述红外低频结构子带的拉普拉斯能量和以及所述可见光低频结构子带的拉普拉斯能量和；

23、根据所述拉普拉斯能量和和所述拉普拉斯能量和，确定所述可见光低频结构子带的第一初始权重图和所述红外低频结构子带的第二初始权重图；

24、基于所述第一初始权重图与所述第二初始权重图，融合所述红外低频结构子带与所述可见光低频结构子带，获得低频结构融合子带。

25、在本发明的一个实施例中，根据所述拉普拉斯能量和和所述拉普拉斯能量和，确定所述可见光低频结构子带的第一初始权重图和所述红外低频结构子带的第二初始权重图的步骤，包括：

26、比较红外低频结构子带与可见光低频结构子带中各像素的拉普拉斯能量和；

27、当时，将可见光低频结构子带中像素对应的第一初始权重置为1，红外低频结构子带中像素对应的第二初始权重；反之，将将可见光低频结构子带中像素对应的第一初始权重置为0，红外低频结构子带中像素对应的第二初始权重；

28、遍历红外低频结构子带和可见光低频结构子带中的所有像素后，得到所述可见光低频结构子带的第一初始权重图，以及所述红外低频结构子带的第二初始权重图。

29、在本发明的一个实施例中，分别按照如下公式计算所述可见光低频结构子带及所述红外低频结构子带的拉普拉斯能量和：

30、；

31、；

32、其中，

33、

34、

35、式中，、分别表示可见光低频结构子带和红外低频结构子带的拉普拉斯算子，、分别表示以像素为中心的预设窗口内的行方向偏移量以及列方向偏移量，分别表示预设窗口的长度参数和宽度参数。

36、在本发明的一个实施例中，基于所述第一初始权重图与所述第二初始权重图，融合所述红外低频结构子带与所述可见光低频结构子带，获得低频结构融合子带的步骤，包括：

37、对所述第一初始权重图与所述第二初始权重图分别进行引导滤波；

38、将所述可见光低频结构子带、所述红外低频结构子带，分别与滤波后的第一初始权重图、滤波后的第二初始权重图加权求和，得到低频结构融合子带。

39、在本发明的一个实施例中，利用鲸鱼优化算法确定融合权重，并基于所述融合权重对所述可见光低频纹理子带与所述红外低频纹理子带加权融合，获得低频纹理融合子带的步骤，包括：

40、基于所述可见光低频纹理子带与所述红外低频纹理子带的局部方差和边缘强度构建适应度函数；

41、基于所述适应度函数，利用鲸鱼优化算法确定可见光低频纹理子带的融合权重以及红外低频纹理子带的融合权重；

42、基于所述可见光低频纹理子带及其融合权重、所述红外低频纹理子带及其融合权重进行加权融合，得到低频纹理融合子带。

43、在本发明的一个实施例中，所述适应度函数表示为：

44、

45、式中，表示局部方差，表示边缘强度。

46、与现有技术相比，本发明的有益效果在于：

47、本发明提供一种基于woa-dtnp的红外与可见光图像融合方法，在对红外源图像和可见光源图像进行图层分解后，进一步基于自适应欧拉弹性能量正则化，将得到的低频子带(红外低频子带及可见光低频子带)再分解为低频结构子带和低频纹理子带，以更精细地保留图像的结构和纹理信息，解决了现有融合方法在处理低频子带时往往存在信息冗余和细节丢失的问题。

48、以下将结合附图及实施例对本发明做进一步详细说明。