[发明专利]成像系统和图像处理方法

说明书

用于成像系统的系统和方法包括第一传感器，其获取第一模态的图像序列。存储器存储第一卷积存储器矩阵。其中，该第一卷积存储器矩阵的各个元素是第一模态的图像的卷积表示的系数矩阵的对应位置的元素的卷积函数，并且存储包括第一模态的图像的原子的第一字典矩阵。处理器将由第一传感器获取的场景的第一图像变换成第一字典矩阵和第一系数矩阵的卷积，利用第一系数矩阵的对应位置的非零元素的卷积函数来更新第一卷积存储器矩阵的元素，并利用经更新的第一卷积存储器矩阵来更新字典矩阵。

技术领域

本公开涉及用于稀疏编码的系统和方法，更具体地，涉及使用卷积稀疏编码来更新图像的原子的字典的在线卷积字典学习。

背景技术

在信号处理中，要测量的信号以及测量过程本身可包含噪声，以及促成一定量的噪声。噪声影响信号处理，因此最好消除噪声以获得更好的信号处理结果，例如更锐利的图像。通常，信号测量的过程需要大量的处理时间，这对于如今需要更少处理时间和给定结果质量的技术应用而言会是一个挑战。

例如，如果所测量的信号要被传送至某一其它位置，则发送所测量的信号的一些优点可包括尽可能减少发送的数据量以降低所需带宽。发送所测量的信号的另一优点可包括增加发送所测量的信号(完成测量)的速率，例如视频信号传输的帧率。

信号的稀疏表示是无法稀疏地表示的噪声可被滤除的信号处理技术。可从少量测量估计给定信号的稀疏表示，其中少是与信号的维度相比。另外，稀疏表示通常意指数据被压缩。

存在本领域中已知的众多稀疏表示学习算法，其用于广泛的信号和/或图像处理应用。例如，稀疏表示可用于标记图像中的对象以标识和分类存在哪些对象。给定信号和字典矩阵D，稀疏编码是仅利用很少的非零条目来寻找稀疏表示x的逆问题，使得Dx≈s。达到这些标识的过程需要用于学习字典矩阵D的技术，本文中称为字典学习。此外，对于一些应用，使用稀疏表示来学习字典矩阵可能是有益的。然而，离线学习将字典矩阵限制为仅表示用于训练的图像。因此，对于可实时考虑的各种图像，离线学习的字典缺乏灵活性和适应性。

另外，这些稀疏表示学习算法无法扩展到大数据维度输入，传统上被认为不适合于一些技术应用。

存在用于在大的数据集合上操作的已知硬件设计，例如大矩阵乘法和神经网络仿真。神经网络仿真器是已知的，其通常使用混合的模数信号，但是这些使得更难扩大硬件。另外，在数字信号操作中，数据可被下载到硬件的带宽限制了硬件的实际大小。

因此，需要适合于使用多个不同的感测模态来获取对象的测量的系统和方法。其中，从传感器获取的数据可被联合处理以改进一个或更多个所获取的模态下的成像质量。这可导致提供关于对象的补充信息源，克服硬件限制，或者减小由于各个单独的传感器导致的数据不确定性。

发明内容

本公开的实施方式提供了用于稀疏编码的系统和方法，更具体地，涉及使用卷积稀疏编码来更新图像的原子字典的在线卷积字典学习。

多模态成像中的重要步骤是在多个模态下标识可用于改进多模态成像的质量的相关特征。具体地，使用多个不同的感测模态来获取特征的多个测量，并且从传感器获取的数据被联合处理以改进一个或更多个所获取的模态下的成像质量。然而，从多模态测量标识和提取那些特征具有挑战性。

本公开的实施方式基于这样的认识：可利用变量分裂技术来重新规划卷积字典学习，然后允许将所有系数矩阵聚合为足够用于卷积字典学习的单个卷积存储器矩阵。