[发明专利]基于判别字典学习和形态成分分解的多源图像融合方法

说明书

本发明提出了一种基于判别字典学习和形态成分分解的多源图像融合方法。为能将源图像中不同形态结构的卡通‑纹理成分分离，我们把图像的分解问题转化为图像的分类问题，并设计了卡通纹理判别字典学习模型。考虑到图像分解不仅与字典有关，还与分解的策略有关的事实，设计了一种新的图像分解模型。在该模型中，纹理成分看成是叠加在源图像卡通成分上的噪声，并引入非局部均值相似性的一致性正则项，来约束稀疏编码系数的解空间。最后，根据对应成分的编码系数l₁范数值最大来选取融合图像的编码系数。结果表明，无论在视觉效果还是在客观指标上，本发明都具有更好的融合性能。

技术领域

本发明涉及一种基于判别字典学习和形态成分分解的多源图像融合方法，属于图像融合数据处理技术领域。

背景技术

由于不同传感器所获得图像信息具有单一性，很难实现对目标物的精确描述。为解决这一问题，可采用图像融合技术，将来自不同传感器的关于同一场景的图像信息进行综合，生成一幅有关该场景的描述。而这一描述是无法从单一源图像信息获得的。由于该技术能有效综合不同传感器所获得图像信息的互补性，为观察对象提供一个更精确描述，因此该技术已被成功应用到医学成像、机器视觉、遥感、安全监控等领域。

近年来，图像融合技术受到了研究者的广泛关注，并提出了许多有效的融合方法。在这些方法中，基于多尺度变化的融合方法是最具代表性的。在多尺度变换方法中，最常用的是离散小波变换(Discrete Wavelet Transform，DWT)。但DWT 不具有平移不变性，容易在融合结果中引入一些虚假信息。此外，DWT仅能在三个方向上表示图像的高频细节信息，不能实现对图像边缘、轮廓、曲线等信息的有效表示。为此，人们提出了一些性能优异的多尺度几何分析工具，包括 Ridgelet、Curvelet、Contourlet、非采样Contourlet(Nonsubsampled Contourlet Transform，NSCT)等。在这些方法中，由于NSCT不仅具有多方向性、各向异性还具有平移不变性，因此NSCT在图像融合中得到了广泛应用，并表现出了优异的融合性能。但这类基于多尺度变换的图像融合方法，对图像配准误差存在较弱的鲁棒性。此外，多尺度分析方法用来表达图像的不同结构特征所使用的基是固定的，不具有自适应性，很难实现对复杂结构的精确表示。

相对于传统基于多尺度分解的融合方法，基于稀疏表示的图像融合由于其能实现对源图像内容更为有效地表示，而受到了研究者的广泛关注。在这类方法中，超完备字典的学习和构建是影响最终融合图像质量的重要因素之一。通常，超完备字典的构建可通过两种方式来实现。一种是采用解析的方法来产生，另一是通过学习的方式来产生。由解析方式构成的字典常见的有DCT字典、Wavelet字典、 Curvelet字典等。这类字典往往不能自适应地表达自然图像中复杂的结构信息。相反，根据一组训练样本，通过学习得到的字典具有更强的表达能力。其中，最具代表性的字典学习方法为K-SVD算法。该方法在基于稀疏表示的图像融合中得到了较为广泛的应用。

近几年，为了在保证字典表达能力的情况下，学习得到更为紧凑的字典，是研究者所关注的，并提出了一系列基于字典学习的图像融合和恢复方法。但这些方法中，图像的不同成分是由一个字典来表示的。然而，由于图像不同成分具有不同的形态特征，一个字典很难实现对图像不同成分的有效表示。要解决这一问题，就需要尺寸更大的字典，这样会增加算法的计算量，降低算法的效率。为克服该问题，研究者们提出了基于形态成分分析的图像融合方法。在该方法中，分别使用DCT和Curvelet字典来表达图像的纹理和卡通成分。然而，由于这类字典是通过解析的方式来构建的，因此其自适应性差，不能有效刻画非常复杂的图像结构信息。更为重要的是，图像不同成分的分解和表示不仅和字典的性能有关，还和图像的分解模型有关。而这一重要因素，传统基于稀疏表示和字典学习的图像融合方法均未考虑。

发明内容

本发明的目的在于针对现有技术的缺点和不足，提出了一种基于判别字典学习与形态成分分解的多源图像融合技术方案。

本发明所采用的技术方案是一种基于判别字典学习与形态成分分解的多源图像融合方法，包括以下步骤：