[发明专利]基于自我监督学习的图像融合方法

权利要求书

1.一种基于自我监督学习的图像融合方法，其特征在于：

1)获取原图像；

2)对原图像的预处理操作，将两幅原图像进行分块，编纂成新的矩阵，再按列组成联合矩阵；

3)特征提取，将步骤2)中得到的联合矩阵作为输入信号输入到稀疏自编码器中，得到两幅图像简单合并后的边缘特征信息，得到的隐藏层的权值，该权值体现了待融合图像的显著特征，将此看做一个权值矩阵，

4)图像的重构，步骤3)得到的权值矩阵作为字典，再通过匹配追踪算法得到原始图像各自的稀疏系数矩阵，在图像重构中，利用最大化选择算法得到联合稀疏系数矩阵，最终的重构图像由字典与联合稀疏系数矩阵相乘得到；

步骤3)具体步骤如下：

滑动得到的小块经过编纂成列向量组合形成新的矩阵aa1和bb1，这里将aa1和bb1按列按行依次相加，合并形成一个新的联合矩阵cc1，大小不变，选取同一组数据的训练集和测试集，经过训练得到的是两幅图像简单合并后的边缘特征信息，也就是经过稀疏自编码器的特征提取，得到的隐藏层的权值，该权值体现了待融合图像的显著特征，将此看做一个权值矩阵，把得到的这个含有待融合图像特征的权值矩阵作为一个字典W₂来使用；

首先基于图层的大小随机初始化参数W₁，W₂，b₁，b₂将权重和偏差转换为向量的形式，定直接误差项、权值惩罚项、稀疏性惩罚项均为0；

然后采用前向算法计算出各神经网络节点的线性组合值和激活值，如公式(1)(2)所示，

z_i＝W_i×x_i+b_i (1)

α_i＝sigmoid(z_i) (2)

i＝1,2；

其中sigmoid函数表示为，

稀疏自编码器采用的是两层的结构，W是权值向量，b是偏置向量，分别就是对应的两层的两对参数，公式得到的是每一层的输出值，这里的W和b是一开始随机初始化的，通过网络模型的训练对参数进行调整，得到最终的W₂，作为最终需要的字典矩阵，

其次用反向传播算法更新权值参数和偏置项参数，采用梯度下降法将误差减到最小。

2.根据权利要求1所述的一种基于自我监督学习的图像融合方法，其特征在于：步骤1)中的原图像指的是从开源的图像库里面的原始图像。

3.根据权利要求1所述的一种基于自我监督学习的图像融合方法，其特征在于：步骤2)采用滑动窗技术将两幅原图像进行分块。

4.根据权利要求1所述的一种基于自我监督学习的图像融合方法，其特征在于：用匹配追踪算法求得待融合图像的稀疏系数矩阵y₁和y₂，采用最大化选择算法得到的是联合稀疏稀疏矩阵A，重构图像为由公式(4)可得到重构图像：