一种基于原子融合吸收度的框架性图像融合方法技术

本发明专利技术公开了一种基于原子融合吸收度的稀疏表示图像融合框架性方法，主要步骤包括：（1）应用稀疏表示和联合稀疏表示计算模型计算字典中每个原子的吸收度；（2）应用稀疏表示模型进行图像融合，在融合规则中根据原子融合吸收度对组合得到的稀疏系数进行调整。本发明专利技术的思路是在采用稀疏表示和过完备学习型字典的图像融合算法中，利用“联合稀疏表示”模型计算得到每个字典原子的吸收度，并将原子融合吸收度用于稀疏表示系数的组合过程中，提升较低吸收度原子的融合效果，从而达到提高融合质量的目标。

【技术实现步骤摘要】
一种基于原子融合吸收度的框架性图像融合方法
本专利技术属于信息融合、数字图像处理等
，具体涉及一种基于原子融合吸收度的稀疏表示图像融合框架性方法。
技术介绍
一、图像融合及其质量评价图像融合是信息融合技术的一个主要分支，是一种被广泛使用的计算成像技术。图像融合通过将多幅关于同一场景、但具有不同成像模式或相机参数的图像通过数字处理的手段组合为一幅图像，目标是将各幅源图像中的显著视觉信息尽可能多地集成到融合结果中，以达到更好的主观视觉效果或为计算机视觉处理提供更多信息。图像融合包括多聚焦图像融合、医疗图像融合、可见光-红外图像融合、远程监控图像融合等分支。图1给出了多聚焦图像融合的示意性说明。多聚焦图像融合的目的是将源图像中的聚焦内容尽可能多地组合到融合结果中，以获得“处处聚焦”的图像。按照融合处理层次，图像融合可以分为像素级、特征级和决策级，目前像素级融合的应用和研究最为普遍。图像融合的发展已经历近三十年的发展历史。伴随着信号表示与处理技术的发展和应用，融合算法的性能不断提升，并且目前基于神经网络的深度学习技术也已被用于图像融合的研究中。像素级图像融合算法按照组合领域可以分为空间域融合、变换域融合以及基于深度学习的融合。在研究和应用最广泛的变换域融合中，多尺度分析和稀疏表示是最主要的两种数学变换模型。已被使用的多尺度分析工具包括小波变换、剪切波变换、非下采样轮廓波变换等。稀疏表示是近年来兴起的一种图像表示模型，它已经被应用于许多图像处理、图像分析研究中，并且表现出比多尺度分析更为优秀的性能。除了融合算法，质量评价是图像融合应用中另一个重要的方面，具体包括主观评价和客观评价两大类方法。主观评价是由有经验的观察者通过观察不同的融合结果并给出融合质量的评价结果。由于主观评价容易受到多种主观因素的干扰和限制，因此在实际应用中，无参考标准的客观评价方法被广泛使用，常用的评价指标包括基于互信息的方法和基于局部特征相似性的方法。二、稀疏表示稀疏表示是一种新的信号分析方法，来源于压缩传感理论。这种方法将信号表示为一个过完备（冗余）字典中“原子”的组合。过完备字典中原子的数目比信号的维数大，由此产生了冗余。由于这种超完备性，导致一个信号在一个过完备字典上有很多种（近似）表示方法，其中具有最少系数(最稀疏)的表示是最简单的，称之为稀疏表示。稀疏表示能够有效降低信号的数据量，同时也能够更有效的反映出图像特征。近年来已被广泛应用于各种图像处理应用中。给定矩阵D={d1,d2,…,dm}∈Rn×m，其中D矩阵称为字典，矩阵的每列d1，d2，…，dm称为原子。稀疏表示理论指出，对于任意n维信号x∈Rn可以表示成字典中少数原子的线性组合形式：式其中α=(α1,α2…，αm)称为稀疏表示系数。当字典维数满足n<m时，称D为过完备（冗余）字典，上式是一个欠正定方程，具有无穷多个解。为了使信号的表示具有唯一性，稀疏表示理论引入了稀疏性约束，即从无穷多个解中找出最稀疏的。信号的稀疏性一般采用范数来度量，即向量中非零元素个数，称为L0范数。通过稀疏性约束，上式的稀疏解可以由下面的L0范数优化模型获得：式求解最小L0范数是一个NP难问题。当X足够稀疏时，上述问题可以转换为求解X的L1范数问题：式上式中ε为允许误差，表示稀疏系数绝对值之和。稀疏表示求解的方法当前包括贪婪策略、凸松弛策略、非凸松弛策略三类。贪婪算法最初由Mallat等提出，匹配追踪（MP）是各类改进算法的基础。根据MP改进的正交匹配追踪算法（OMP）引入了最小二乘的思想来求解逼近信号，目前被广泛采用。如果将L0范数优化转化为L1范数的优化，这样对稀疏系数的求解问题就变为了凸优化问题。其中比较有代表性的算法为基追踪（BP）算法。非凸策略采用非凸函数来逼近，主要利用Lp（0<p<1）范数逼近。目前过完备稀疏表示理论已在图像去噪、图像压缩、图像识别、图像超分辨率等研究中被大量采用。其原因在于过完备性保证了字典原子更加多样，稀疏性使得稀疏表示可以更加准确地选择与待处理信号最相关的原子，增强了信号处理方法的自适应能力。通常过完备字典有两种构造方法：(1)使用多尺度分析方法的基函数进行扩展来构成字典，例如小波变换、离散余弦变换、轮廓波等，也可以是这些变换基的组合；(2)通过样本学习得到。对处理对象或某一类图像进行学习，提取其中的各种特征构成字典。这种学习字典较固定基字典具有更优化的表示性能，典型的字典生成算法为K-VSD、MOD、PCA等。基于稀疏表示的图像融合方法其大致步骤为：(1)构建稀疏表示过完备原子库字典；(2)采用滑动窗口的办法将源图像划分为小块（通常为8*8），将每个小块作为一个独立的向量信号，使用过完备字典对其进行稀疏分解；(3)根据融合规则将各源图像对应位置的稀疏分解系数进行组合；(4)由组合后的稀疏分解系数和过完备字典重新构造最终的融合图像，附图2给出了上述步骤的示意图。三、联合稀疏表示联合稀疏表示基于的原理是：当不同属性的传感器采集同一信号源的信息时，各传感信号中均包含了两部分信息：共同信息和特有（差异）信息，共同信息和特有信息可以使用同一个过完备字典进行稀疏表示。就图像融合而言，关于同一场景的不同模态源图像经过联合稀疏表示后，每幅图像的稀疏表示系数可分为两部分：共同部分的稀疏系数和差异部分的稀疏系数：式上式中表示共同稀疏系数，表示差异稀疏系数，表示联合稀疏字典（当两幅图像联合分解时）：式上式中D为过完备字典，‘0’为与D同样大小的全0矩阵。对两幅图像A、B进行联合稀疏分解可以表示为：式上式中，YB和YA是B、Ａ的分块向量化表示（例如将图像分为8*8的小块，每小块转换为64*1的列向量，图像中所有小块的列向量横向排列成构成YB和YA），表示两幅图像共有信息的稀疏表示系数矩阵，表示A图像相对于B的差异（特有）信息稀疏表示系数矩阵，表示B图像相对于A的差异信息稀疏表示系数矩阵。
技术实现思路
本专利技术公开了一种基于原子融合吸收度的稀疏表示图像融合框架性方法，主要步骤包括：（1）应用稀疏表示和联合稀疏表示计算模型计算字典中每个原子的吸收度；（2）应用稀疏表示模型进行图像融合，在融合规则中根据原子融合吸收度对组合得到的稀疏系数进行调整。本专利技术的思路是在采用稀疏表示和过完备学习型字典的图像融合算法中，利用“联合稀疏表示”模型计算得到每个字典原子的吸收度，并将原子融合吸收度用于稀疏表示系数的组合过程中，提升较低吸收度原子的融合效果，从而达到提高融合质量的目标。为实现上述目的，本专利技术公开了一种基于联合稀疏表示的原子融合吸收度计算方法，其特征在于：设定参与融合的两幅源图像为A、B，融合结果为F，此处以两幅源图像为例，多幅的情况依此类推；按如下的步骤进行：（1）生成或选取所使用的过完备字典D∈R64*L，L>>64，经验值256或512；该字典可使用K-SVD或其他字典学习算法生成；（2）将A、B和F（设其为M行、N列）划分为8*8的小块，相邻小块重叠，移动步距为1；并将所有块按照列序的方式转换为64*1的列向量；每幅图像产生K=(M-8+1)*(N-8+1)个(64*1)列向量；（3）将F、A、B分解得到的列向本文档来自技高网...

【技术保护点】
1.一种基于联合稀疏表示的原子融合吸收度计算方法，其特征在于：设定参与融合的两幅源图像为A、B，融合结果为F，此处以两幅源图像为例，多幅的情况依此类推；按如下的步骤进行：（1）生成或选取所使用的过完备字典

【技术特征摘要】
1.一种基于联合稀疏表示的原子融合吸收度计算方法，其特征在于：设定参与融合的两幅源图像为A、B，融合结果为F，此处以两幅源图像为例，多幅的情况依此类推；按如下的步骤进行：（1）生成或选取所使用的过完备字典经验值256或512；该字典可使用K-SVD或其他字典学习算法生成；（2）将A、B和F（设其为M行、N列）划分为8*8的小块，相邻小块重叠，移动步距为1；并将所有块按照列序的方式转换为64*1的列向量；每幅图像产生K=(M-8+1)*(N-8+1)个(64*1)列向量；（3）将F、A、B分解得到的列向量分别横向组成(64*K)的二维矩阵，记为IF、IA、IB；（4）计算原子成分占比：（式1）（式1）中XA、XB为对应于IA、IB稀疏系数矩阵，则原子成分占比为：（式2）（式2）中i,j分别表示稀疏系数矩阵的行号（原子序号）和列号（对应图像块列向量的序号）；（5）计算原子融合残余度：将IF分别与IA、IB进行联合稀疏分解：（式3）（式3）中的为源图像A与融合结果F之间的共有信息稀疏表示系数矩阵,为F相对于A的差异信息稀疏表示系数矩阵，为A相对于F的残余信息稀疏表示系数矩阵；为源图像B与F之间的共有信息稀疏表示系数矩阵，为F相对于B的差异...

【专利技术属性】
技术研发人员：胡燕翔，
申请(专利权)人：天津师范大学，
类型：发明
国别省市：天津,12