基于字典学习、旋转引导滤波的多聚焦图像融合方法及装置制造方法及图纸

本发明专利技术公开了一种基于字典学习、旋转引导滤波的多聚焦图像融合方法，首先通过对若干幅经典多聚焦图像进行旋转引导滤波处理获得每幅图像的滤波图像，对所述若干幅滤波图像进行字典学习获得图像的散焦字典，输入的多幅配准的多聚焦图像并将所述的散焦字典作用于输入图像并进行处理获得每幅输入多聚焦图像的聚焦特征图对所述获得的每幅输入图像对应的聚焦特征图进行处理获得融合权重图，最后，根据所述获得的融合权重图获得融合图像；还公开了一种基于字典学习、旋转引导滤波的多聚焦图像融合装置，通过本发明专利技术有效地提升了图像的清晰度、解决了因输入图像未完全配准引起的块效应和人工噪声问题，得到了融合效果更好的图像。

【技术实现步骤摘要】

本专利技术属于图像融合处理
，具体涉及一种基于字典学习、旋转引导滤波的多聚焦图像融合方法及装置。
技术介绍
由于传统相机的光学透镜景深的限制，导致其难以获取一幅所有景物均聚焦的清晰图像；为了解决这一问题，学者们便专利技术了图像融合技术，该技术是通过提取并综合来自多个传感器的图像信息，获得对同一场景或目标的更为准确、全面、可靠的图像描述，而且尽可能低保留源图像的显著性视觉信息并不引入人工噪声，以便对图像进行进一步的分析、理解及目标检测、识别或跟踪。图像融合技术在计算机视觉、目标自动识别等领域有着广泛的应用前景。目前，市场上适用的图像融合方法主要两类，一类是基于变换域的图像融合方法，另一类是基于空域的图像融合方法。基于变换与的融合方法，其核心思想是：首先将输入图像分解成不同的变换系数，然后对变换系数进行融合，最后对融合系数进行重构获得融合图像。在这种框架下，基于多尺度变化的图像融合方法是最经典的也是最常用的方法，其主要有基于金字塔变化的图像融合方法，参见文献《Imagefusionbyusingsteerablepyramid》PatternRecognitionLetters,2001,22(9):929-939；基于离散小波变换的图像融合方法，参见文献《Multisensorimagefusionusingthewavelettransform》Graphicalmodelsandimageprocessing,1995,57(3):235-245；基于非下采样轮廓波变化的图像融合方法，参见文献《Multifocusimagefusionusingthenonsubsampledcontourlettransform》SignalProcessing,2009,89(7):1334-1346。此外，还有基于独立成分分析的图像融合方法，参见文献《Pixel-basedandregion-basedimagefusionschemesusingICAbases》Informationfusion,2007,8(2):131-142；基于鲁棒性主成分分析的图像融合方法，参见文献《Multifocusimagefusionbasedonrobustprincipalcomponentanalysis》PatternRecognitionLetters,2013,34(9):1001-1008；基于稀疏表示的图像融合方法，参见文献《Simultaneousimagefusionanddenoisingwithadaptivesparserepresentation》IETImageProcessing,2014,9(5):347-357；基于多尺度变换与稀疏表示的图像融合方法，参见文献《Ageneralframeworkforimagefusionbasedonmulti-scaletransformandsparserepresentation》InformationFusion,2015,24:147-164。对于这些方法，通常改变了图像的强度值及在融合图像中产生空间不连续性问题和引入了一些人工噪声，从而模糊化了融合图像的细节信息，造成融合图像的清晰度下降。尤其是对未完全配准的多聚焦图像，这些方法的性能表现的更差。基于空域的方法中最早的是采用像素的加权平均融合方法，该方法通常会引入人工噪声。近年来，一些基于块和区域的融合方法已经被提出，其中基于块的图像融合方法通常会在融合结果中产生块效应；相比下，基于区域的图像融合方法通常能够较好地在融合结果中保留输入图像的细节和空间连续性，主要有IM方法，参见《Imagemattingforfusionofmulti-focusimagesindynamicscenes》InformationFusion,2013,14(2):147-162；GF方法，参见《Imagefusionwithguidedfiltering》IEEETransactionsonImageProcessing,2013,22(7):2864-2875；DSIFT方法，参见《Multi-focusimagefusionwithdenseSIFT》InformationFusion,2015,23:139-155；MWGF方法，参见《Multi-scaleweightedgradient-basedfusionformulti-focusimages》InformationFusion,2014,20:60-72等。这些新兴的方法对配准的多聚焦图像通常能够取得较好的效果；但是对于未完全配准的多聚焦图像，这些方法通常不能够很好地保留图像的细节信息以及产生空间不连续性问题或引入人工噪声。
技术实现思路
有鉴于此，本专利技术的主要目的在于提供一种基于字典学习、旋转引导滤波的多聚焦图像融合方法及装置。为达到上述目的，本专利技术的技术方案是这样实现的：本专利技术实施例提供一种基于字典学习、旋转引导滤波的多聚焦图像融合方法，该方法为：首先通过对若干幅经典多聚焦图像进行旋转引导滤波处理获得每幅图像的滤波图像，对所述若干幅滤波图像进行字典学习获得图像的散焦字典，输入的多幅配准的多聚焦图像并将所述的散焦字典作用于输入图像并进行处理获得每幅输入多聚焦图像的聚焦特征图对所述获得的每幅输入图像对应的聚焦特征图进行处理获得融合权重图，最后，根据所述获得的融合权重图获得融合图像。上述方案中，所述对多幅输入配准的多聚焦图像进行处理分别获得每幅输入配准的图像对应的聚焦特征图，具体为：分别对多幅输入配准的多聚焦图像进行分块获得每幅输入配准的多聚焦图像对应的图像块，将所述每幅输入配准的多聚焦图像对应的图像块分别转化成图像块列向量，根据散焦图像字典D和OMP算法求解式对每个图像块列向量进行处理获得对应的稀疏系数，根据稀疏系数构造每个图像块列向量对应的稀疏特征，最后对每幅输入配准的多聚焦图像的图像块的稀疏特征进行拼接获得每幅输入配准的多聚焦图像的聚焦特征图。上述方案中，所述对多幅输入配准的多聚焦图像进行处理分别获得每幅输入配准的图像对应的聚焦特征图，具体为：步骤1：分别对输入图像I1和I2进行分块，其滑动窗口的大小为8×8，相邻窗口的步长为1，得到输入图像I1和I2的图像块I1,j和I2,j；步骤2：获得的输入图像I1和I2的图像块I1,j和I2,j分别转化成图像块列向量和散焦图像字典D作用于所述获得的每个图像块列向量和通过OMP算法求解式，得到输入图像I1和I2的图像块列向量和对应的稀疏系数和||·||1表示·的一范数，||·||2表示·的二范数，常数θ在本专利技术中的取值为18.4；但是，对于不同的问题和需求，常数θ是可调的；步骤3：通过获得的稀疏系数和构造输入的图像块列向量和的稀疏特征f1,j和f2,j，如式(3)和(4)所示，构建输入图像I1和I2的聚焦特征图，基于获得的图像块的稀疏特征f1,j和f2,j，通过对所有的稀疏特征块f1,j和f2,j进行拼接，得到输入图像I1和I2的聚焦特征图W1,1和W2,1；步骤4：根据旋转引导滤波对获得的聚焦特征图W1,1和W2,1进行平滑，获得聚焦区域和散焦区域的差异明显的聚焦特征图W1,2和W2,本文档来自技高网...

【技术保护点】
一种基于字典学习、旋转引导滤波的多聚焦图像融合方法，其特征在于，该方法为：首先通过对若干幅经典多聚焦图像进行旋转引导滤波处理获得每幅图像的滤波图像，对所述若干幅滤波图像进行字典学习获得图像的散焦字典，输入的多幅配准的多聚焦图像并将所述的散焦字典作用于输入图像并进行处理获得每幅输入多聚焦图像的聚焦特征图对所述获得的每幅输入图像对应的聚焦特征图进行处理获得融合权重图，最后，根据所述获得的融合权重图获得融合图像。

【技术特征摘要】
1.一种基于字典学习、旋转引导滤波的多聚焦图像融合方法，其特征在于，该方法为：首先通过对若干幅经典多聚焦图像进行旋转引导滤波处理获得每幅图像的滤波图像，对所述若干幅滤波图像进行字典学习获得图像的散焦字典，输入的多幅配准的多聚焦图像并将所述的散焦字典作用于输入图像并进行处理获得每幅输入多聚焦图像的聚焦特征图对所述获得的每幅输入图像对应的聚焦特征图进行处理获得融合权重图，最后，根据所述获得的融合权重图获得融合图像。2.根据权利要求1所述的基于字典学习、旋转引导滤波的多聚焦图像融合方法，其特征在于，所述对多幅输入配准的多聚焦图像进行处理分别获得每幅输入配准的图像对应的聚焦特征图，具体为：分别对多幅输入配准的多聚焦图像进行分块获得每幅输入配准的多聚焦图像对应的图像块，将所述每幅输入配准的多聚焦图像对应的图像块分别转化成图像块列向量，根据散焦图像字典D和OMP算法求解式对每个图像块列向量进行处理获得对应的稀疏系数，根据稀疏系数构造每个图像块列向量对应的稀疏特征，最后对每幅输入配准的多聚焦图像的图像块的稀疏特征进行拼接获得每幅输入配准的多聚焦图像的聚焦特征图。3.根据权利要求2所述的基于字典学习、旋转引导滤波的多聚焦图像融合方法，其特征在于，所述对多幅输入配准的多聚焦图像进行处理分别获得每幅输入配准的图像对应的聚焦特征图，具体为：步骤1：分别对输入图像I1和I2进行分块，其滑动窗口的大小为8×8，相邻窗口的步长为1，得到输入图像I1和I2的图像块I1,j和I2,j；步骤2：获得的输入图像I1和I2的图像块I1,j和I2,j分别转化成图像块列向量和散焦图像字典D作用于所述获得的每个图像块列向量和通过OMP算法求解式，得到输入图像I1和I2的图像块列向量和对应的稀疏系数和β^1,j=argminβ1,j||β1,j||1s.t.||I1,j*-Dβ1,j||2≤θ---(1)]]>β^2,j=argminβ2,j||β2,j||1s.t.||I2,j*-Dβ2,j||2≤θ---(2)]]>||·||1表示·的一范数，||·||2表示·的二范数，常数θ在本发明中的取值为18.4；但是，对于不同的问题和需求，常数θ是可调的；步骤3：通过获得的稀疏系数和构造输入的图像块列向量和的稀疏特征f1,j和f2,j，如式(3)和(4)所示，f1,j=||I1,j*||0---(3)]]>f2,j=||I2,j*||0---(4)]]>构建输入图像I1和I2的聚焦特征图，基于获得的图像块的稀疏特征f1,j和f2,j，通过对所有的稀疏特征块f1,j和f2,j进行拼接，得到输入图像I1和I2的聚焦特征图W1,1和W2,1；步骤4：根据旋转引导滤波对获得的聚焦特征图W1,1和W2,1进行平滑，获得聚焦区域和散焦区域的差异明显的聚焦特征图W1,2和W2,2，具体计算如式(5)和(6)所示：W1,2＝FRG(W1,1,σs,σr,t)(5)W2,2＝FRG(W2,1,σs,σr,t)(6)其中，FRG(·)表示旋转引导滤波算子，参数σs和σr分别控制空间和幅度权重，t表示滤波次数。4.根据权利要求2所述的基于字典学习、旋转引导滤波的多聚焦图像融合方法，其特征在于，所述散焦...

【专利技术属性】
技术研发人员：秦翰林，延翔，吕恩龙，李佳，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61