[发明专利]基于NSCT和稀疏表示的图像融合方法

说明书

技术领域

本发明涉及一种图像融合方法。

背景技术

近年来，基于非下采样Contourlet变换(Non-Subsampled Contourlet Transform，NSCT)以其具有平移不变、多分辨率、多方向和各向异性的图像表示能力，并且能有效克服传统小波变换不能处理2D或更高维奇异性的问题，成功用于图像融合领域并取得较优的融合效果。然而，在图像融合问题中，我们希望提取的图像表示系数具有优秀的稀疏性与特征保持性，从而只需要融合少量的系数就能获得较优的融合结果。但是，经NSCT变换得到图像低频子带系数的近似为零项十分有限，即不能稀疏的表示图像的低频子带信息，若直接对其融合不利于我们提取源图像的特征。考虑到低频子带包含了图像的主要能量，在很大程度上决定了融合结果的质量，所以我们希望通过提高低频子带系数的稀疏度，以得到更优的融合结果。

发明内容

为了克服现有技术NSCT变化后包含图像主要能量的低频子带系数稀疏度较差，不利于提取有用信息进行融合的不足，本发明提供一种基于NSCT和稀疏表示的图像融合方法，对稀疏度较差的低频子带系数学习字典，利用稀疏表示提取源图像共有和特有系数，以达到提高低频子带稀疏度的目的，再按照特有系数的活动水平自适应调整权重融合；对稀疏度较高的高频方向子带系数采用同一尺度下方向子带绝对值和取最大的方法融合，以捕获源图像中的显著特征，最终提高融合效果。

本发明解决其技术问题所采用的技术方案包括以下步骤：

1训练字典部分：

假设源图像已经经过配准，有K幅大小为M×N的源图像，并分别记作I₁,...,I_K。

(1.1)用NSCT分解每一幅训练图像，经过J级NSCT分解后（J通常为3~5级分解），得到1个低频子带系数和个高频方向子带系数，其中l_j为尺度j下的方向分解级数。其中，训练图像可以是源图像本身，也可以是与源图像采集方式相同的图像；

(1.2)初始化字典D∈R^n×m，其中，n为字典原子的大小，m为每个子字典的原子数。为了保证字典的过完备性以及计算的复杂度，通常取n＝64，m＝256；

(1.3)对低频子带系数以步长为1，大小为的滑动窗口按照从左上到右下的顺序提取块，再将块拉直并依次排列组成矩阵；

(1.4)对上述矩阵用K-SVD算法训练一个字典D，并保存该字典；

2图像融合部分：

(2.1)按照步骤（1.1）的方法用NSCT分解源图像；

(2.2)按照以下5个步骤，融合源图像低频子带系数：

①按照步骤(1.3)中方法将源图像低频子带排列成矩阵V_k,k＝1,...,K；

②将所有源图像的矩阵V_k表示为：

其中，α^C表示共有稀疏表示系数，它包含于所有源图像中；表示第k幅图像的特有稀疏表示系数，它只包含于第k幅源图像中，0表示大小为n×m的全零矩阵，D为步骤（1.4）训练出的字典。