基于自适应组结构稀疏字典学习的图像融合方法技术

本发明专利技术公开了一种基于稀疏表示自适应学习组结构化字典的图像融合方法，具体为：从输入待融合图像并进行滑窗分块，提取特征向量得到训练样本训练出自适应的组结构字典，对每个图像块计算稀疏表示向量，取相同位置对应的稀疏表示向量采用基于组结构的L1范数最大化的方法得到融合后的系数表示向量矩阵，最后将其加上相应的均值转换为图像表示，得到图像块，使用滑窗的逆操作输出最终融合图像。本发明专利技术的融合后的图像更加精确、细节更加丰富，能够减少融合图像空间上的不连续性。

Image fusion method based on adaptive group structure sparse dictionary learning

The invention discloses a sparse representation based image fusion method, adaptive learning group structured dictionary in details: from the input images to be fused and sliding block, extracting feature vectors from the training samples to train the adaptation of the group structure of the dictionary, each image block is sparse sparse vector corresponding to the position of the same the vector obtained by the coefficient of fusion vector matrix method to maximize the group structure based on the L1 norm, finally add the corresponding mean conversion for image representation, image block, using inverse operation output window final fusion image. The fused image of the invention is more accurate and richer in details, and can reduce the discontinuity in the fusion image space.

【技术实现步骤摘要】
基于自适应组结构稀疏字典学习的图像融合方法
本专利技术属于图像处理
，特别涉及图像的融合，可用于图像处理、计算机视觉、医学图像处理及军事等领域。
技术介绍
近年来，稀疏表示作为一种有效的方法受到了越来越多的关注，它被应用到了图像处理的许多问题中，例如：图像去噪、图像融合、图像压缩等。一幅场景中含有丰富的信息，用单成像传感器系统不能捕获场景中所有的信息，为了解决此问题，多传感器图像融合系统应运而生，多传感器图像融合系统有效利用不同成像传感器之间的互补性，消除多传感器图像之间的冗余信息，对不同成像传感器获取的图像进行综合，形成对目标更加完整、清晰、准确的描述，从而有效地增加对象的信息量、提高图像信息的利用率、提高系统的精度和鲁棒性、降低系统的不确定性、扩大系统的应用范围、多传感器图像融合系统在军事、医学、遥感和公共安全等领域具有广泛的应用前景。基于稀疏表示的图像融合主要分为三个阶段：构造字典、稀疏编码和对源图像的稀疏表示系数设计融合规则。基于稀疏表示的图像融合的框架中，字典和融合规则的设计对图像融合的质量有着非常重要的影响。当前主要构造字典的方法是通过样本学习得到字典。字典的学习方法有最优方向法即MOD(MethodofOptimalDirections),K-SVD(SingularValueDecomposition)和任务驱动(Task-Driven)的字典学习方法的基础。其中K-SVD算法是最常用的字典学习方法，也是其他许多字典学习方法的基础。但是K-SVD算法构造字典的缺点：单个字典的表示能力有限，对图像的细节的表示能力不足，这样会导致融合后的图像会有所平滑，对细节的重构能力比较差。自然图像中有丰富的结构信息，而K-SVD的字典学习方法没有利用图像中的结构信息。在文献(Eldar,Y.C.,P.KuppingerandH.Bolcskei,Block-SparseSignals:UncertaintyRelationsandEfficientRecovery.SignalProcessing,IEEETransactionson,2010.58(6):p.3042-3054.)中提出了组结构字典，该文献中证明了组结构字典重构信号的理论可行性并且说明了组结构字典考虑了信号中的结构信息后在重构信号的能力上表现更好。文献(Shutao,L.,Y.HaitaoandF.Leyuan,Group-SparseRepresentationWithDictionaryLearningforMedicalImageDenoisingandFusion.BiomedicalEngineering,IEEETransactionson,2012.59(12):p.3450-3459.)中利用了组结构化字典进行图像融合。但是这里字典的组结构是预先固定了的，获得的组结构字典不能够自适应的根据信号调整自己的分组，在该文章中约束组内字典原子是通过增加字典中的相似性，而这样会导致同一组的字典过于相似，使一个组的字典原子的表示能力受限。以上的原因会导致获得的字典在表示信号时的能力不够好，从而导致融合的结果不够好。基于稀疏表示的融合规则的设计，一般是L1范数最大或者取平均。取平均的融合规则会使融合后的图像的对比度下降，还会有比较严重的平滑现象；L1范数最大的融合规则是根据L1范数大的那个图像块被选中作为融合图像中对应的图像块，而L1范数较小的对应的整个图像块就被抛弃了，这样会导致以下两个问题：(1)L1范数较小的那个图像块中也会有一些很显著的信息需要保留，而这样的融合规则会使在融合图像中并没有得到这一部分的信息，使融合图像的信息损失较大、细节不够丰富。(2)L1范数最大的规则会造成在融合图像中空间上的不连续性。这个现象在异质图像的融合中会经常发生。
技术实现思路
本专利技术的专利技术目的在于：针对上述存在的问题，提出一种基于稀疏表示自适应学习组结构化字典的图像融合方法。本专利技术学习到的字典是自适应的组结构化字典，这种字典的表示能力比较强，对细节的重构能力比较好。在融合规则上充分利用结构化字典的信息，使融合的图像不会失去源图像中的显著信息，并且减少了融合图像空间上的不连续性。本专利技术的具体实现步骤如下：1、基于自适应组结构稀疏字典学习的图像融合方法，其特征在于，包括下列步骤：步骤1：对待融合图像A和B分别进行滑窗分块处理，得到t个大小为的局部图像块其中图像块标识符i＝{1,2,,…,t},N为预设值；所述滑窗分块处理为：采用滑窗步长为1，窗口大小为的滑动窗口自左到右从上到下进行重叠滑窗；步骤2：把图像块的个像素值排成一列，得到列向量i＝{1,2,3,…,t}，列向量减去各自对应的列向量的均值得到零均值的列向量即其中Q是N×1的全为1的列向量；步骤3：判断图像块数目t是否大于阈值T，若是，则分别从t个中随机选择T个列向量作为训练样本集Y；否则，直接将t个作为训练样本集Y；用参数L表示训练样本集Y的个数；步骤4：随机初始化一个大小为N×M的字典D0，其中N等于步骤1所述的图像块的边长的平方，M为预设值且M>N；将字典D0作为组结构字典D初始值，基于字典D0、训练样本集Y，采用自适应组结构化字典学习方法学习得到组结构字典D，在字典学习时，约束组结构字典D的组稀疏度为预设值k，且每个组的最大字典原子数为预设值s；步骤5：基于步骤4得到的组结构字典D，分别对各采用组稀疏度为k的块正交匹配追踪算法(B-OMP)计算稀疏系数向量步骤6：对稀疏系数向量采用基于组结构的L1范数最大的方法得到对应的融合稀疏系数向量Xi，i＝{1,2,3,…,t}；步骤7：根据公式计算第一融合图像列向量即第一融合图像列向量为没有源图像亮度信息的融合图像列向量；根据列向量的均值的均值得到融合列向量均值即再根据公式得到第二融合图像列向量即二融合图像列向量为含有源图像对应亮度信息的融合图像列向量；基于步骤2中得到列向量的逆方式，将第二融合图像列向量转化成大小为的融合图像块步骤8：将每个融合图像块按照步骤1滑窗分块时的顺序进行排列，对存在融合图像块重叠的像素点的像素值进行累加、再除以各像素点的累加次数，得到的融合图像F。进一步的，步骤4所述的自适应组结构化字典学习方法得到组结构字典D的具体步骤为：401：采用正交匹配追踪算法(OMP)计算训练样本集Y的每个样本基于当前组结构字典D的稀疏表示系数矩阵X，所述稀疏表示系数矩阵X的稀疏度为s*k，矩阵大小为M×L，即X＝argminX‖Y-DX‖F且||Xj||0≤s*k，其中j＝1,…,L，||Xj||0表系数矩阵X的第j列不为零的元素的数目，符号||·||F表示Frobenius范数，组结构字典D的初始值为D0；402：对稀疏表示系数矩阵X进行更新，先对矩阵X按行进行标准化，再对矩阵按列进行标准化后得到更新后的稀疏表示系数矩阵X；403：基于当前稀疏表示系数矩阵X计算组结构字典D的分组信息d：403-1：初始化矩阵X′＝X，分组向量d为稀疏表示系数矩阵X的行索引值，即d＝[1,2,3,…,M]；403-2：计算矩阵X′中任意两行的内积，并内积大小进行排序，初始化i＝1，并执行步骤403-2-1：403-2-1：判断内积为第本文档来自技高网...

【技术保护点】
基于自适应组结构稀疏字典学习的图像融合方法，其特征在于，包括下列步骤：步骤1：对待融合图像A和B分别进行滑窗分块处理，得到t个大小为

【技术特征摘要】
2016.08.31 CN 20161079303161.基于自适应组结构稀疏字典学习的图像融合方法，其特征在于，包括下列步骤：步骤1：对待融合图像A和B分别进行滑窗分块处理，得到t个大小为的局部图像块其中图像块标识符i＝{1,2,,…,t},N为预设值；所述滑窗分块处理为：采用滑窗步长为1，窗口大小为的滑动窗口自左到右从上到下进行重叠滑窗；步骤2：把图像块的个像素值排成一列，得到列向量i＝{1,2,3,…,t}，列向量减去各自对应的列向量的均值得到零均值的列向量i＝{1,2,,…,t}，即其中Q是N×1的全为1的列向量；步骤3：判断图像块数目t是否大于阈值T，若是，则分别从t个中随机选择T个列向量作为训练样本集Y；否则，直接将t个作为训练样本集Y；用参数L表示训练样本集Y的个数；步骤4：随机初始化一个大小为N×M的字典D0，其中N等于步骤1所述的图像块的边长的平方，M为预设值且M>N；将字典D0作为组结构字典D初始值，基于字典D0、训练样本集Y，采用自适应组结构化字典学习方法学习得到组结构字典D，在字典学习时，约束组结构字典D的组稀疏度为预设值k，且每个组的最大字典原子数为预设值s；步骤5：基于步骤4得到的组结构字典D，分别对各采用组稀疏度为k的块正交匹配追踪算法计算稀疏系数向量i＝{1,2,3,…,t}；步骤6：对稀疏系数向量采用基于组结构的L1范数最大的方法得到对应的融合稀疏系数向量Xi，i＝{1,2,3,…,t}；步骤7：根据公式计算第一融合图像列向量i＝{1,2,3,…,t}；根据列向量的均值的均值得到融合列向量均值即再根据公式得到第二融合图像列向量i＝{1,2,3,…,t}；基于步骤2中得到列向量的逆方式，将第二融合图像列向量转化成大小为的融合图像块i＝{1,2,3,…,t}；步骤8：将每个融合图像块i＝{1,2,3,…,t}按照步骤1滑窗分块时的顺序进行排列，对存在融合图像块重叠的像素点的像素值进行累加、再除以各像素点的累加次数，得到的融合图像F。2.根据1所述的方法，其中步骤4所述的自适应组结构化字典学习方法得到组结构字典D的具体步骤为：401：采用正交匹配追踪算法计算训练样本集Y的每个样本基于当前组结构字典D的稀疏表示系数矩阵X，所述稀疏表示系数矩阵X的稀疏度为s*k，矩阵大小为M×L，即X＝arg...

【专利技术属性】
技术研发人员：孙彬，吴于忠，胡凯，张培元，王登位，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51