[发明专利]一种基于稀疏表示和循环引导滤波的图像融合方法

权利要求书

1.一种基于稀疏表示和循环引导滤波的图像融合方法，包括以下步骤：

步骤1、采用均值滤波器将源图像分解为平滑图像和细节图像；

步骤2、将步骤1得到的平滑图像采用基于稀疏表示的方法融合：

首先将步骤1得到的平滑图像分解成一系列图像块，将每一图像块转换成列向量并减去其列向量均值使平均值归为0，通过OMP算法求解得到的向量的稀疏系数，然后通过“max-L1”规则融合稀疏系数，将融合后的稀疏系数逆变换后得到融合的图像块，根据不同图像块的位置组合后获得融合后的平滑图像；

步骤3、将步骤1得到的细节图像采用基于循环引导滤波的方法融合：

对源图像使用DoG算子构建待处理图像，并对待处理图像进行循环引导滤波；然后经归一化得到加权系数，将得到的加权系数与对应的细节图像加权相加得到融合后的细节图像；

步骤4、将步骤2融合后的平滑图像和步骤3融合后的细节图像相加后，得到融合图像。

2.一种基于稀疏表示和循环引导滤波的图像融合方法，具体包括以下步骤：

步骤1、源图像的分解：

采用均值滤波器将源图像分解为平滑图像和细节图像，具体为：

P_n＝I_n*L_ave

D_n＝I_n-P_n

其中，I_n为第n幅源图像，L_ave为均值滤波器，P_n为与第n幅源图像相对应的平滑图像，D_n为与第n幅源图像相对应的细节图像，n＝1,2,…,N；

步骤2、平滑图像的融合

2.1使用滑动窗口技术，按照从左上角到右下角的顺序将P_n分解为大小的图像块，设定P_n分解成T个图像块其中，l为学习字典D的宽度；

2.2对于每一个图像块将其转换为列向量然后减去列向量中元素的均值使其平均值归为0，得到

其中，1是全为1的1×l的列向量，是对应的的所有元素的均值；

2.3采用OMP算法计算步骤2.2得到的的稀疏系数目标函数如下：

其中，D为学习字典，ε为容错率；

2.4重复步骤2.1-2.3的方法，得到N幅平滑图像中对应图像块的稀疏系数然后采用“max-L1”规则融合N幅平滑图像的稀疏系数，得到N幅平滑图像中对应第i个图像块的融合稀疏系数：

其中，为步骤2.3计算得到的稀疏系数，为得到的融合稀疏系数；

2.5根据得到的N幅平滑图像中对应第i个图像块的融合稀疏系数逆变换得到其融合列向量

其中，1是全为1的1×l的列向量，为对应列向量的均值；

2.6针对T个图像块可得到T个将每一个重塑为图像块然后根据不同图像块的位置将T个重新构造，得到融合后的平滑图像P_F；

步骤3、细节图像的融合

3.1针对每一幅源图像，采用DoG算子构建待处理图像S_n：

S_n＝abs(I_n*G_σ1-I_n*G_σ2)

其中，G为高斯滤波器，σ1、σ2为不同标准差的高斯核，S_n为第n幅待处理图像，n＝1,2,…,N；

3.2针对第n幅待处理图像S_n相互比较得到特征图像P_n，具体为：

其中，表示第n幅待处理图像中像素点k的值，表示第n幅特征图像中像素点k的值，k＝1,2,…,K，K为待处理图像S_n和特征图像P_n中的像素点的总个数，P_n为第n幅待处理图像对应的特征图像，n＝1,2,…,N，N表示源图像的数量；

3.3对步骤3.2得到的特征图像P_n进行循环引导滤波，并归一化：

R_n＝RGF(P_n)

其中，Re_n为最后得到的权重图像，RGF表示循环引导滤波操作；

3.4针对N幅源图像，重复3.1-3.3的过程，得到N个权重图像然后将得到的权重图像与其对应的细节图像融合，得到融合后的细节图像：

步骤4、将步骤2得到的融合后的平滑图像P_F和步骤3得到的融合后的细节图像D_F相加后得到融合图像：

F＝P_F+D_F。