基于聯(lián)合稀疏模型的邊緣清晰圖像融合方法
【專利摘要】基于聯(lián)合稀疏模型的邊緣清晰圖像融合方法，本發(fā)明涉及聯(lián)合稀疏模型技術(shù)領(lǐng)域，其旨在解決現(xiàn)有技術(shù)融合算法結(jié)構(gòu)不能夠利用對(duì)融合圖像有幫助的高頻源圖像信息，忽略了重要圖像細(xì)節(jié)信息且其融合圖像也不能體現(xiàn)出清晰的邊緣輪廓等技術(shù)問題。本發(fā)明利用聯(lián)合稀疏模型能夠準(zhǔn)確地分離出多模態(tài)圖像之間互補(bǔ)信息的特征，設(shè)計(jì)新的融合規(guī)則、提出了一種新的基于聯(lián)合稀疏模型的多模態(tài)圖像融合算法。
【專利說明】
基于聯(lián)合稀疏模型的邊緣清晰圖像融合方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及聯(lián)合稀疏模型技術(shù)領(lǐng)域，具體涉及基于聯(lián)合稀疏模型的邊緣清晰圖像 融合方法。
【背景技術(shù)】
[0002] 現(xiàn)有聯(lián)合稀疏模型技術(shù)，其灰度分散程度低，且沒有利用到圖片的高頻或邊緣信 息。本發(fā)明利用聯(lián)合稀疏模型能夠準(zhǔn)確地分離出多模態(tài)圖像之間互補(bǔ)信息的特征，提出了 一種新的基于聯(lián)合稀疏模型的多模態(tài)圖像融合算法。

【發(fā)明內(nèi)容】

[0003] 針對(duì)上述現(xiàn)有技術(shù)，本發(fā)明目的在于提供，其旨在解決現(xiàn)有技術(shù)融合算法結(jié)構(gòu)不 能夠利用對(duì)融合圖像有幫助的高頻源圖像信息，忽略了重要圖像細(xì)節(jié)信息且其融合圖像也 不能體現(xiàn)出清晰的邊緣輪廓等技術(shù)問題。
[0004] 為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案如下：
[0005] 基于聯(lián)合稀疏模型的邊緣清晰圖像融合方法，其步驟包括
[0006] 步驟1、獲取幾何配準(zhǔn)的第一源圖像Xa和第二源圖像Xb，RM ;
[0007] 步驟2、利用滑窗技術(shù)，對(duì)第一源圖像和第二源圖像分別進(jìn)行圖像分塊，并通過N維 列向量表示圖像塊< ,圖像塊4為源圖像分塊矩陣Xj第i列列向量，j =A、B，i = 1、2……K，K 為一幅源圖像的圖像塊總數(shù)；
[0008] 步驟3、計(jì)算出每個(gè)圖像塊< 各自灰度的均值并對(duì)每個(gè)圖像塊X；分別作去均值 處理，得到去均值圖像塊^，再根據(jù)基追蹤算法求解出過完備字典D下的共同稀疏系數(shù)彳和 不同稀疏系數(shù);
[0009] 步驟4、將去均值圖像塊$、共同稀疏系數(shù)Sf和不同稀疏系數(shù)<1,代入高頻信息 保留融合規(guī)則中計(jì)算，得到融合系數(shù)氣;
[0010] 步驟5、根據(jù)過完備字典D和融合系數(shù)％，計(jì)算出融合圖像塊：4 ,融合圖像塊：4為 融合圖像分塊矩陣Xf第i列列向量；
[0011]步驟6、再次利用滑窗技術(shù)，對(duì)所有融合圖像塊4進(jìn)行變換處理，獲得融合圖像 Xf〇
[0012] 上述方案中，所述的步驟2，使兩幅源圖像分別變成大小為（況-A +1)X(M - W +1) 和'的圖像分塊矩陣&，然后對(duì)應(yīng)分別轉(zhuǎn)換為N維列向量形式的圖像塊X丨。
[0013] 上述方案中，所述的步驟3,其中基追蹤算法如下：
[0014]
[0015] S為稀疏系數(shù)向量，X為圖像塊向量，D為過完備字典D構(gòu)成的共輒矩陣，"fPII。為 最小化稀疏系數(shù)向量S的0范數(shù)，S.t表牙
的限制條件，丨IX-Bsll2為 X-&S1的2范數(shù)，ε為誤差容限且00。
[0016] 上述方案中，所述步驟3,通過正交匹配追蹤對(duì)基追蹤算法公式求解，得到共同稀 疏系數(shù)< 和不同稀疏系I
[0017] 上述方案中，所述步驟4,其中步驟包括
[0018] 步驟4.1、分別獲得兩幅源圖像的圖像塊均值矩陣mA、mb;
[0019] 步驟4.2、將源圖像分塊矩陣^、幼分別對(duì)應(yīng)減去圖像塊均值矩陣_、!^，得到去均 值圖像塊矩陣:
[0020] 步驟4.3、再通過高頻信息保留融合規(guī)則，得到融合系數(shù)SFl，該高頻信息保留融合 規(guī)則為
[0021]
[0022]
[0023]
[0024]
[0025] β為常系數(shù)。
[0026] 上述方案中，所述步驟5,其中步驟包括
[0027] 步驟5.1、根據(jù)融合系數(shù)\，得到中間量
[0028]
[0029]
[0030]
[0031] 得到融合圖像塊$。
[0032] 上述方案中，所述步驟6,對(duì)所有融合圖像塊&進(jìn)行變換處理后，再通過加權(quán)平均 處理獲得融合圖像Xf。
[0033] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：
[0034] 根據(jù)聯(lián)合稀疏模型，提出一種新的基于聯(lián)合稀疏表示的多模態(tài)邊緣清晰圖像融合 方法;不僅利用聯(lián)合稀疏模型將同一場(chǎng)景的多模態(tài)圖像的私有部分融合在一起，而且在選 取融合策略時(shí)，既關(guān)注待融合圖像的低頻成分，又考慮了高頻成分。
[0035] 本發(fā)明算法得到的融合圖像灰度分散程度較高，獲得的融合圖像與源圖像的相似 性高于現(xiàn)有技術(shù)方法，更加突出融合圖像的邊緣信息;本發(fā)明算法不僅可以較優(yōu)的融合紅 外和可見光信息，而且融合后的圖像的邊緣信息更加突出；亮度高于現(xiàn)有技術(shù)方法。
【附圖說明】
[0036] 圖1為現(xiàn)有技術(shù)聯(lián)合稀疏表示模型框架；
[0037] 圖2為本發(fā)明部分訓(xùn)練圖像集示意圖；
[0038] 圖3為本發(fā)明聯(lián)合稀疏模型的邊緣清晰圖像融合算法流程圖；圖4為本發(fā)明2組紅 外與可見光源圖像；
[0039]圖5為本發(fā)明3組醫(yī)學(xué)源圖像；
[0040]圖6為本發(fā)明al組圖像作用在各種方法上的客觀評(píng)價(jià)指標(biāo)；
[00411圖7為本發(fā)明各算法作用在a 1組圖像的融合結(jié)果圖，（a)DWT的融合圖像，（b)DTCWT 的融合圖像，（c)SWT的融合圖像，（d)CVT的融合圖像，（e)NSCT的融合圖像，（f)B.Y的融合圖 像；（g) YIN的融合圖像，（h) Shutao Li的融合圖像，（i)本申請(qǐng)方法的融合圖像；
[0042] 圖8為本發(fā)明a2組圖像作用在各種方法上的客觀評(píng)價(jià)指標(biāo)；
[0043] 圖9為本發(fā)明各算法作用在a2組圖像的融合結(jié)果圖，（a)DWT的融合圖像，（b) DTCW-T的融合圖像，（c)SWT的融合圖像，（d)CVT的融合圖像，（e)NSCT的融合圖像，（f)B. Y的 融合圖像，（g)YIN的融合圖像，（h)Shutao Li的融合圖像，（i)本申請(qǐng)方法的融合圖像；
[0044] 圖10為本發(fā)明bl組圖像作用在各種方法上的客觀評(píng)價(jià)指標(biāo)；
[0045] 圖11為本發(fā)明各算法作用在bl組圖像的融合結(jié)果圖，（a)DWT的融合圖像，（b) DTCWT的融合圖像，（c)SWT的融合圖像，（d)CVT的融合圖像，（e)NSCT的融合圖像，（f)B.Y的 融合圖像，（g)YIN的融合圖像，（h)Shutao Li的融合圖像，（i)本申請(qǐng)方法的融合圖像；
[0046] 圖12為本發(fā)明b2組圖像作用在各種方法上的客觀評(píng)價(jià)指標(biāo)
[0047] 圖13為本發(fā)明各算法作用在b2組圖像的融合結(jié)果圖，（a)DWT的融合圖像，（b) DTCWT的融合圖像，（c)SWT的融合圖像，（d)CVT的融合圖像，（e)NSCT的融合圖像，（f)B.Y的 融合圖像，（g)YIN的融合圖像，（h)Shutao Li的融合圖像，（i)本申請(qǐng)方法的融合圖像；
[0048] 圖14為本發(fā)明b3組圖像作用在各種方法上的客觀評(píng)價(jià)指標(biāo)；
[0049] 圖15為本發(fā)明各算法作用在b3組圖像的融合結(jié)果圖，（a)DWT的融合圖像，（b) DTCW-T的融合圖像，（c)SWT的融合圖像，（d)CVT的融合圖像，（e)NSCT的融合圖像，（f)B. Y的 融合圖像，（g)YIN的融合圖像，（h)Shutao Li的融合圖像，（i)本申請(qǐng)方法的融合圖像。
【具體實(shí)施方式】
[0050] 本說明書中公開的所有特征，或公開的所有方法或過程中的步驟，除了互相排斥 的特征和/或步驟以外，均可以以任何方式組合。
[0051] 下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步說明：
[0052] 實(shí)施例1 [0053]聯(lián)合稀疏模型：
[0054] 在JSM-I模型中，信號(hào)群中所有的信號(hào)都可以寫成共同分量和特征分量相加的形 式。其模型框架如圖1所示。根據(jù)分布式信源編碼的思想，所有信號(hào)具有相同的公共稀疏部 分與各自的稀疏部分?，F(xiàn)假設(shè)一組信號(hào)X = ，…AjeK'其中XleRN，i = l，2r"，J， 則有：
[0055]
(1)
[0056] 其中J表示信號(hào)群中信號(hào)的個(gè)數(shù)，DeRnXm(n<m)為過完備字典，JeR m為所有信號(hào) 的公共稀疏部分，s,U e IT為每個(gè)信號(hào)各自特有的稀疏表示部分，X則表示為：
[0057]
(2)
[0058] 其中0 e Rnxm為零矩陣，S e 1^+1)?為稀疏系數(shù)向量。結(jié)合稀疏表示理論可知，稀疏系 數(shù)向量估計(jì)#可通過求解以下最優(yōu)化問題得到：
[0059]
'⑶
[0060]其中ε>〇為誤差容限，I I S| |〇表示向量中非零元素的個(gè)數(shù)。公式(3)的解決方法有 許多，比如，基追蹤(BP)，正交匹配追蹤(OMP)。使用OMP方法解決公式(3)。
[0061 ] 字典構(gòu)造：
[0062]目前主要有兩種方法構(gòu)造字典：分析變換方法和學(xué)習(xí)方法。分析變換方法得到的 字典可以多尺度地分析圖像。如，DCT變換、小波和曲波等。學(xué)習(xí)方法獲得的字典能更精細(xì)地 擬合數(shù)據(jù)，如，MOD和K-SVD方法。由于K-SVD的運(yùn)行效率高、能獲得超完備字典、對(duì)噪聲具有 較高的魯棒性等優(yōu)點(diǎn)，本申請(qǐng)使用K-SVD算法學(xué)習(xí)字典。釆用USC-SIPI圖像庫作為訓(xùn)練圖像 集。圖2給出了部分訓(xùn)練集。
[0063]融合規(guī)則：
[0064] 基于稀疏表示的圖像融合方法除了字典的選擇和稀疏系數(shù)的求解，更重要的是各 個(gè)待融合單元融合規(guī)則的確定問題，這也是各個(gè)融合論文研究的重點(diǎn)。本申請(qǐng)?jiān)谇叭说难?究基礎(chǔ)上，精心設(shè)計(jì)了如下融合規(guī)則：
[0065]
[0066] (β > 0 ) C3IIlA，mB分別表示源圖像每塊的均值。源圖像XA和XB分別減去Π1Α和mB得到。<和 〇'=為妁分別為稀疏表示系數(shù)矩陣#和<(_/ =忒扔的第i列，A為融合圖像的稀疏系 數(shù)矩陣SF的第i列。K是圖像塊的總個(gè)數(shù)。
[0067]如前所述，<,(./ = .4,奶融合圖像差異部分，本申請(qǐng)主要體現(xiàn)為圖像的高頻部分， 所以本申請(qǐng)?jiān)O(shè)計(jì)的融合規(guī)則即考慮了圖像的低頻部分，又考慮了圖像高頻部分的融合方 法。
[0068]融合算法框架：
[0069] 為了方便描述，兩個(gè)幾何已配準(zhǔn)的灰度源圖像為Xa，。本申請(qǐng)所設(shè)計(jì)的融 合方法流程圖如圖3所示。算法具體步驟如下：
[0070] 1)將滑窗技術(shù)作用于源圖像Xa，Xb上，使兩幅圖像分別變成為（W-4+?)χ.(Μ -A+1) 大小為A X W的圖像塊，然后將劃分好的圖像塊變成η維列向量形式。
[0071] 2)對(duì)源圖像j(j=A，B)的i圖像塊首先減去它們的均值得到減去均值后的圖 像塊了 ,然后通過求解式(3)得到一個(gè)共同稀疏系數(shù)<和兩個(gè)不同稀疏系數(shù)。
[0072] 3)引入本申請(qǐng)所設(shè)計(jì)的融合規(guī)則，將所獲得的稀疏系數(shù)帶入到式(4)得到融合后 的系數(shù)々__。
[0073]
得到融合后的圖像Xf的i圖像 塊。
[0074] 5)使用與第一步相同的變換方法將獲得的4(大小為ηXI)變成大小為'X'的 圖像塊。滑窗技術(shù)導(dǎo)致出現(xiàn)了圖像塊與塊之間有重疊，最后，通過加權(quán)平均處理得到融合圖 像Xf。
[0075] 實(shí)施例結(jié)果比較，為證明所提算法具有較優(yōu)的融合效果，將算法分別應(yīng)用到醫(yī)學(xué) 圖像、紅外與可見光等多模態(tài)圖像。圖4和圖5,實(shí)驗(yàn)數(shù)據(jù)A-紅外與可見光圖像和實(shí)驗(yàn)數(shù)據(jù)B-醫(yī)學(xué)圖像。
[0076] 參數(shù)設(shè)置：
[0077] 實(shí)驗(yàn)中，各算法的參數(shù)設(shè)置如下，多分辨率圖像融合方法，實(shí)驗(yàn)中DWT的小波基選 擇'dbl' ；SWT小波基選擇'db6'，；DTCWT的第一層和其余層的濾波器分別選擇'LeGall 5-3' 和' Qshif t-06 基于DWT，SWT和DTCWT融合方法的分解層數(shù)都設(shè)為4;基于NSCT融合方法，金 字塔濾波器采用"pyrexc"濾波器，方向?yàn)V波器釆用"vk"濾波器。NSCT變換每層從粗到精的 方向分解層數(shù)為{4,8,8，16}。多分辨率圖像融合方法的融合規(guī)則采用絕對(duì)值最大。
[0078]的圖像融合方法:使用DCT作為字典，字典D的大小為64 X 256，停止誤差ε =0.1，融 合規(guī)則采用一范數(shù)最大。
[0079]圖像融合方法:使用K-SVD方法學(xué)習(xí)字典。訓(xùn)練字典時(shí)，稀疏度T設(shè)置為5，字典D的 大小為64 X 256，迭代次數(shù)為180。停止誤差ε = 0.001。融合系數(shù)時(shí)，β = 1。本申請(qǐng)所提方法： 正如前所述，本申請(qǐng)使用K-SVD方法學(xué)習(xí)字典。在實(shí)驗(yàn)中隨機(jī)選取圖2中每幅圖像10000個(gè)8 X 8的塊。訓(xùn)練字典時(shí)，稀疏度T設(shè)置為5，字典D的大小為64 X 256，迭代次數(shù)為180。本申請(qǐng)使 用1所提出的聯(lián)合稀疏模型獲得稀疏系數(shù)，因此，字典萬的大小為128 X 768。停止誤差ε = 0.001。式(4)中 β=1。
[0080] 結(jié)果及分析：
[0081] (1)部分紅外與可見光圖像融合結(jié)果及分析
[0082] 圖6表示的是圖4中al組圖像融合后的客觀評(píng)價(jià)指標(biāo)結(jié)果。從表6可以看出，對(duì)于al 組圖像，除了 QAB/F略低，其余的評(píng)價(jià)指標(biāo)都高于其它方法。標(biāo)準(zhǔn)差最大表明，相比于其余算 法，所提算法得到的融合圖像灰度分散程度較高。(^，(/，(/最大表明，所提算法獲得的融合 圖像與源圖像的相似性高于其余方法，并且總體顯著性較高，更加突出融合圖像的邊緣信 息。圖7顯示的是所有算法作用在al組圖像的融合結(jié)果圖。圖中分別是DWT，DTCWT，SWT，CVT， NSCT，B. Y，YIN，Shutao Li，OUR method的融合結(jié)果圖。從圖7的矩形方框可以看出，所提算 法不僅可以較優(yōu)的融合紅外和可見光信息，而且融合后的圖像的邊緣信息更加突出。并且， 亮度略高于其余方法。
[0083]圖8表示的是圖4中a2組圖像融合后的評(píng)價(jià)指標(biāo)結(jié)果。表中顯示，對(duì)于a2組圖像， 除了標(biāo)準(zhǔn)差略低，其余的評(píng)價(jià)指標(biāo)都高于其它方法。QAB/F最大表明，相比于其余算法，所提 算法得到的融合圖像的邊緣信息基本上被保留。Q t3最大表明，所提算法得到的融合圖像與 源圖像的相似性高于其余方法。(/，(^最大表明，所提算法獲得的融合圖像總體顯著性較高， 且更加突出融合圖像的邊緣信息。圖9顯示的是所有算法作用在a2組圖像的融合結(jié)果圖。圖 中分別是DWT，DTCWT，SWT，CVT，NSCT，B · Y，YIN，Shutao Li，OUR method的融合結(jié)果圖。通過 視覺比較，可以清晰地看出：相比于本申請(qǐng)的算法，咖啡屋的招牌區(qū)域，產(chǎn)生更多的黑影區(qū) 域;行人的輪廓四周也都產(chǎn)生了一些黑色扭曲信息。綜上表明，所提算法不僅可以較優(yōu)的融 合紅外和可見光信息，能更好地融合邊緣信息。
[0084] (2)部分醫(yī)學(xué)圖像融合結(jié)果及分析
[0085]圖10表示的是圖5中bl組圖像融合后的評(píng)價(jià)指標(biāo)結(jié)果。表中顯示，對(duì)于bl組圖像， 除了Qt3略低，其余的評(píng)價(jià)指標(biāo)都高于其它方法。QAB/F最大表明，相比于其余算法，所提算法得 到的融合圖像的邊緣信息基本上被保留。標(biāo)準(zhǔn)差最大表明，相比于其余算法，所提算法得到 的融合圖像灰度分散程度較高。Q w最大表明，所提算法獲得的融合圖像總體顯著性較高。圖 11顯示的是所有算法作用在b 1組圖像的融合結(jié)果圖。圖中分別是DWT，DTCWT，SWT，CVT， NSCT，B · Y，YIN，Shutao Li，OUR method的融合結(jié)果圖。從圖11可以看出，CT和MRI圖像經(jīng)過 本申請(qǐng)算法融合后，不僅將兩類圖像的不同部分較好的融合到一起，融合結(jié)果中的軟組織 和骨豁結(jié)構(gòu)比其余方法清晰，而且亮度略高于其余算法(DTCWT和CVT的亮度比較低）。
[0086]圖12表示的是圖5中b2組圖像融合后的評(píng)價(jià)指標(biāo)結(jié)果。表中顯示，對(duì)于b2組圖像， 除了Q^Qabxf，其余的評(píng)價(jià)指標(biāo)都高于其它方法。標(biāo)準(zhǔn)差最大表明，相比于其余算法，所提算 法得到的融合圖像灰度分散程度較高。(/最大表明，所提算法獲得的融合圖像總體顯著性 較高。圖13顯示的是所有算法作用在b3組圖像的融合結(jié)果圖。圖中分別是DWT，DTCWT，SWT， CVT，NSCT，B.Y，YIN，Shutao Li，0UR method的融合結(jié)果圖。從圖13可以看出，經(jīng)過本申請(qǐng)算 法后的融合圖像有三方面優(yōu)點(diǎn)：首先，對(duì)比度較高;其次，一些重要的部位沒有丟失或者沒 有變模糊(比如DWT的融合圖像）；最后，亮度高于其余算法(DTCWT和CVT的亮度比較低）。 [0087]圖14表示的是圖5中b3組圖像融合后的評(píng)價(jià)指標(biāo)結(jié)果。表中顯示，對(duì)于b3組圖像， 除了QE、Q AB/F，其余的評(píng)價(jià)指標(biāo)都高于其它方法。Qt3最大表明，所提算法得到的融合圖像與源 圖像的相似性高于其余方法。標(biāo)準(zhǔn)差最大表明，相比于其余算法，所提算法得到的融合圖像 灰度分散程度較高。Q w最大表明，所提算法獲得的融合圖像總體顯著性較高。圖15顯示的是 所有算法作用在b3組圖像的融合結(jié)果圖。圖中分別是DWT，DTCWT，SWT，CVT，NSCT，B. Y，YIN， Shutao Li，0UR method的融合結(jié)果圖。從圖15可以看出，經(jīng)過本申請(qǐng)算法后的融合圖像有 兩方面優(yōu)點(diǎn):首先，對(duì)比度較高;其次，邊緣較清晰，（比如DTCWT的融合圖像部分細(xì)微邊緣會(huì) 被平滑掉）；最后，亮度高于其余算法(前五種方法的亮度比較低）。
[0088] 根據(jù)聯(lián)合稀疏模型，提出一種新的基于聯(lián)合稀疏表示的多模態(tài)圖像融合方法。本 申請(qǐng)不僅利用聯(lián)合稀疏模型將同一場(chǎng)景的多模態(tài)圖像的私有部分融合在一起，而且在選取 融合策略時(shí)，既關(guān)注待融合圖像的低頻成分，又考慮了高頻成分。為了驗(yàn)證所提算法的優(yōu)越 性，將5組紅外與可見光、醫(yī)學(xué)等多模態(tài)圖像作用在其余8種經(jīng)典的融合方法。實(shí)驗(yàn)結(jié)果證 實(shí)，不管從客觀評(píng)價(jià)指標(biāo)還是主觀視覺效果方面，本申請(qǐng)所提算法略優(yōu)于其余8種方法。其 中，觀察客觀評(píng)價(jià)指標(biāo)，可以發(fā)現(xiàn)，5組實(shí)驗(yàn)中，所提算法的灰度平均和Q w值都是最高的。雖 然所提方法獲得了較好的融合效果，但是，實(shí)驗(yàn)的源圖像只是在部分紅外和可見光、醫(yī)學(xué)等 多模態(tài)圖像測(cè)試，而且部分客觀評(píng)價(jià)指標(biāo)并沒有達(dá)到最優(yōu)。后續(xù)需要進(jìn)一步針對(duì)實(shí)際應(yīng)用 中對(duì)輸出的融合圖像具體需求，改進(jìn)算法。
[0089] 技術(shù)的進(jìn)步只是選用標(biāo)準(zhǔn)的參考。但是出于改劣發(fā)明，或者成本考量，僅僅從實(shí)用 性的技術(shù)方案選擇。以上所述，僅為本發(fā)明的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限 于此，任何屬于本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或 替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 基于聯(lián)合稀疏模型的邊緣清晰圖像融合方法，其特征在于，步驟包括 步驟1、獲取幾何配準(zhǔn)的第一源圖像XA和第二源圖像Xb，Xa，A eRM ; 步驟2、利用滑窗技術(shù)，對(duì)第一源圖像XA和第二源圖像XB分別進(jìn)行圖像分塊，并通過N維 列向量表示圖像塊<，圖像塊<為源圖像分塊矩陣Xj第i列列向量，j = A、B，i = 1、2……K，K 為一幅源圖像的圖像塊總數(shù)； 步驟3、計(jì)算出每個(gè)圖像塊< 各自灰度的均值并對(duì)每個(gè)圖像塊 <分別作去均值處 理，得到去均值圖像塊再根據(jù)基追蹤算法求解出過完備字典D下的共同稀疏系數(shù) < 和不 同稀疏系數(shù)d 步驟4、將去均值圖像塊$、共同稀疏系數(shù)彳和不同稀疏系數(shù)之，心代入高頻信息保留 融合規(guī)則中計(jì)算，得到融合系數(shù)\ ; 步驟5、根據(jù)過完備字典D和融合系數(shù)氣，計(jì)算出融合圖像塊X》，融合圖像塊;4為融合 圖像分塊矩陣xf第i列列向量； 步驟6、再次利用滑窗技術(shù)，對(duì)所有融合圖像塊 < 進(jìn)行變換處理，獲得融合圖像XF。2. 根據(jù)權(quán)利要求1所述的基于聯(lián)合稀疏模型的邊緣清晰圖像融合方法，其特征在于，所 述的步驟2，使兩幅源圖像分別變成大小為(況-W +1) X (Μ - ' +1)和' X W的圖像分塊矩陣 &，然后對(duì)應(yīng)分別轉(zhuǎn)換為Ν維列向量形式的圖像塊3. 根據(jù)權(quán)利要求1所述的基于聯(lián)合稀疏模型的邊緣清晰圖像融合方法，其特征在于，所 述的步驟3，其中基追蹤算法如下：S為稀疏系數(shù)向量，X為圖像塊向量，D為過完備字典D構(gòu)成的共輒矩陣，為最小 化稀疏系數(shù)向量S的0范數(shù)，s . t表示[[X _ 5S||2為求解_|?的限制條件，||Χ _ Dsib為 X - 6S的2范數(shù)，ε為誤差容限且00。4. 根據(jù)權(quán)利要求3所述的基于聯(lián)合稀疏模型的邊緣清晰圖像融合方法，其特征在于，所 述步驟3,通過正交匹配追蹤對(duì)基追蹤算法公式求解，得到共同稀疏系數(shù) <和不同稀疏系數(shù) .U：5. 根據(jù)權(quán)利要求4所述的基于聯(lián)合稀疏模型的邊緣清晰圖像融合方法，其特征在于，所 述步驟4,其中步驟包括 步驟4.1、分別獲得兩幅源圖像的圖像塊均值矩陣mA、mb; 步驟4.2、將源圖像分塊矩陣XA、XB分別對(duì)應(yīng)減去圖像塊均值矩陣mA、m b，得到去均值圖像 塊矩陣; 步驟4.3、再通過高頻信息保留融合規(guī)則，得到融合系數(shù)心;，該高頻信息保留融合規(guī)則 為β為常系數(shù)。6. 根據(jù)權(quán)利要求5所述的基于聯(lián)合稀疏模型的邊緣清晰圖像融合方法，其特征在于，所 述步驟5,其中步驟包括 步驟5.1、根據(jù)融合系數(shù)氣，得到中間量步驟5.2、根據(jù)中間量，利用下式得到融合圖像塊4。7. 根據(jù)權(quán)利要求1所述的基于聯(lián)合稀疏模型的邊緣清晰圖像融合方法，其特征在于，所 述步驟6,對(duì)所有融合圖像塊$進(jìn)行變換處理后，再通過加權(quán)平均處理獲得融合圖像X F。
【文檔編號(hào)】G06T5/50GK106056564SQ201610367819
【公開日】2016年10月26日
【申請(qǐng)日】2016年5月27日
【發(fā)明人】高志升, 謝春芝, 張鋮方, 裴崢
【申請(qǐng)人】西華大學(xué)