[发明专利]一种基于低秩分解和卷积稀疏编码的多源图像融合的方法

说明书

本发明公开了一种基于低秩分解和卷积稀疏编码的多源图像融合的方法，属于数字图像处理技术领域。本发明充分考虑了图像块之间的一致性，通过一组滤波器和稀疏特征图来表示整张图像，不需要将图像切块处理，使得最终融合图像的效果保留了源图像丰富的细节信息，细节更加清晰，不管是从主观视觉上还是客观评价指标上来看实验结果，本发明的融合结果优于其他传统的方法，验证了本发明的有效性。

技术领域

本发明涉及一种基于低秩分解和卷积稀疏编码的多源图像融合的方法，属于数字图像处理技术领域。

背景技术

多源图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术处理等，最大限度的提取各自信道中的有利信息并去除冗余信息，最后综合生成高质量的图像，来提高图像信息的利用率、改善计算机解译精度和可靠性、提升源图像的光谱分辨率和光谱利用率。现已应用到日常生活的方方面面，小到医疗方面的医学成像、小区的安全监控等应用，大到国家的航空航天、军事国防等领域。

近年来，多源图像融合技术受到了研究者的广泛关注，并提出了许多融合方法。大多数的融合方法都是像素级的，像素级的融合方法大致可分为两类——基于空间域变换的融合算法和基于变换域变换的融合算法。基于空间域变换的融合算法将亮度值作为特征进行融合，可通过分块或分割的方法把图像分成多个小区域，选择空间频率、梯度能量等作为衡量区域显著度的活动级测量准则，之后利用“系数平均值”、“系数取大”等融合规则进行区域融合；它充分利用了图像的结构信息指导融合，因此可以克服像素级融合对噪声敏感等缺点，但仍存在块效应等问题。基于变换域变换的融合算法将图像在变换域的系数作为显著性特征进行融合，包括基于多分辨率分析的方法，以金字塔变换、小波变换、多尺度几何分析为代表。由于图像的显著性特征在变换域比在空间域能更好地被描述，因此变换域算法相对空间域算法性能更好，但其算法耗时、效率较低。不过，随着计算机软硬件性能的提高，这一问题将逐步被弱化。而近几年来，随着压缩感知技术的兴起，基于稀疏表示的图像融合技术被推向了一个新的高度。在传统意义上的稀疏表示模型中，还存在一些缺陷。如l₀范数的可拓展性贫乏，在处理大规模问题上限制了稀疏编码的应用。为了减少建模和计算担，一般都只是对图像块单独编码，其次，只单独编码一维信号，没有考虑数据信息在二维空间结构和图像块之间的一致性，导致编码高度冗余，这种稀疏表示方法忽视了图像块之间的一致性。

发明内容

本发明提供了一种基于低秩分解和卷积稀疏编码的多源图像融合的方法，以用于实现多源图像的融合。

本发明的技术方案是：一种基于低秩分解和卷积稀疏编码的多源图像融合的方法，选取一组图像作为训练样本，对这组图像进行低秩分解，分解成低秩成分和稀疏成分，通过加入低秩约束提出一种新的滤波器训练模型，根据提出的滤波器训练模型进行卷积稀疏编码优化求解，并迭代更新获得训练样本图像的滤波器；

对待融合图像处理，得到融合图像：选取两幅待融合图像作为测试图像，对两幅待融合图像进行低秩分解，分别得到待融合图像的低秩成分和待融合图像的稀疏成分，对待融合图像的低秩成分和待融合图像的稀疏成分分别设计不同的融合规则：对于待融合图像的低秩成分，根据待融合图像低秩成分的能量信息变化获得低秩成分的融合决策图，再根据低秩成分的融合决策图得到融合低秩成分；对于待融合图像的稀疏成分，通过与训练样本图像获得的滤波器进行卷积稀疏分解得到待融合图像的稀疏成分的稀疏特征图，根据待融合图像的稀疏成分的稀疏特征图通过改进的拉普拉斯运算获得稀疏成分的融合稀疏特征图，通过稀疏成分的融合稀疏特征图与训练样本图像获得的滤波器进行卷积运算得到融合稀疏成分；最后将得到的融合低秩成分与融合稀疏成分进行相加得到测试图像的融合图像。

所述训练样本图像的滤波器具体步骤如下：

Step1、选取一组图像{X₁,X₂,...,X_K}作为训练样本，对这组训练的k幅图像进行低秩分解，可以分解成低秩成分和稀疏成分其中，表示第k幅训练图像的低秩成分，表示第k幅训练图像的稀疏成分；滤波器训练模型表示如下：