[发明专利]基于低秩稀疏分解和PCNN的图像融合方法

说明书

本发明提出了一种基于图像低秩与稀疏成分分解和PCNN相结合的图像融合方法。首先在低秩分解的基础上，结合稀疏表示，通过不同的字典，对不同成分进行稀疏表达得到对应成分的编码系数。然后在融合过程中，采用一种“绝对值”取大的策略对低秩成分进行融合，以保留源图像的亮度信息；对于稀疏成分，不同于传统的融合策略，本发明采用梯度特征激励PCNN的方法进行融合，能更大程度保留更多的源图像边缘细节信息。最后，将低秩融合部分和稀疏部分相加，便得到最终的融合结果。针对不同类型的图像，本发明提出的方法无论在视觉效果还是客观指标上，都具有更好的性能。

技术领域

本发明涉及一种基于低秩稀疏分解和PCNN(Pulse Coupled Neural Network, 即脉冲耦合神经网络)的图像融合方法，属于图像融合数据处理技术领域。

背景技术

多传感器图像融合技术，从定义上说，就是将不同类型的传感器所获取的某 一场景的多幅图像信息进行综合，生成一幅更适于人类视觉感知和计算机进一步 处理与分析的有关该场景的解释。目前，该技术在医学图像分析、军事防御和遥 感探测等多个领域已经得到了广泛的应用。并得到众多学者的关注，成为了计算 机视觉领域的研究热点。

概括来说，多传感器图像融合可以在空间域和变换域中进行。最为常用的一 种方法是在空间域中进行的多尺度变换方法。该方法通常先对输入图像进行某种 变换，获得它们的多尺度表示，然后利用一些融合规则得到融合的多尺度系数， 最后进行逆变换得到最终的融合结果。常见的变换方法有离散小波变换(Discrete Wavelet Transform,DWT)、Curvelet变换(Curvelet Transform,CVT)、非下采样 Contourlet变换(NonsubsampledContourlet Transform,NSCT)等。在这些方法中， 基于小波变换的融合方法，大部分不具有平移不变性，融合结果中容易引入虚假 信息。虽然，基于CVT、NSCT的融合方法，能够克服传统小波变换的不足，但 对图像的配准误差具有较弱的鲁棒性。此外，其基是通过解析方式构成的，对不 同的特征结构很难实现自适应表示。

相对于上述基于多尺度分解的融合方法，基于稀疏表示的图像融合能更有效 的表示图像信息，近些年来得到众多学者的关注。在这类融合方法中，字典的构 建是影响融合结果的关键性因素之一。通常，字典可以运用解析的方式来产生， 这类字典常见的包含DCT字典、Wavelet字典、Ridgelet字典等。然而，这类字 典往往很难实现对自然图像中复杂结构信息的稀疏刻画和自适应表达。相反，通 过某种算法，根据一组训练样本，通过学习得到的字典，能够实现对图像结构的 自适应描述。这类方法中，最具代表性的为K-SVD算法。

近几年，众多研究者提出了许多有效的字典学习方法，并应用于图像融合领 域。针对多源图像的融合，Kim等提出一种基于图像块聚类的方法；针对医学图 像融合，Liu等通过梯度方向直方图的主方向对训练集图像块进行分类，并对每 一类图像块分别训练子字典。这些方法，虽然通过字典学习能取得较好的融合效 果，但使用同一个字典对图像的不同空间形态成分进行表达，很难实现对不同成 分的有效表示。针对该缺陷，Rong等提出了对图像不同成分采用不同字典分别 进行稀疏表示的方法。然而，所使用的字典是通过解析的方式产生的，不能有效 的对图像内容进行自适应描述。同时，影响图像不同成分分解结果的因素不仅和 字典有关，更和图像分解模型有关。此外，传统基于稀疏表示的多源图像融合方 法，往往采用“绝对值取大”策略选取对应的融合系数，从而忽略了对比度信息对融合图像视觉效果的影响。

发明内容

本发明的目的在于针对现有技术的缺点和不足，提出一种基于低秩稀疏分解 和PCNN相结合的图像融合方法。

本发明所采用的技术方案是一种基于低秩稀疏分解和PCNN的图像融合， 包括以下步骤：

步骤1，首先采集训练样本数据Y，训练样本数据Y包括N幅图像，N幅图 像包括三幅以上，至少包括一幅医学图像、一幅人物图像和一幅建筑物图像。