[发明专利]基于自适应稀疏表示的多聚焦图像融合方法

说明书

技术领域

本发明属于数字图像处理技术领域，具体是一种基于自适应稀疏表示的多聚焦图像融合方法。

背景技术

多聚焦图像融合作为图像融合的一个重要分支，正日益广泛地应用于机器视觉、目标识别、数码相机等领域。在实际应用中，一些光学镜头往往不能使得同一场景的多个目标都在同一聚焦区域，因此需要将多幅图像中的清晰模型结合起来，生成一幅所有目标都清晰的图像，以满足对图像更深层次应用的需要。多聚焦图像融合正是解决这一问题的有效途径。

多聚焦融合图像拥有大量的冗余信息，能够更加清晰地描述出一幅场景。传统的融合方法包括小波变换、轮廓波变换等，但是在变换与反变换的过程中可能发生图像信息的丢失，从而影响最终的融合效果。目前，稀疏表示作为一种有效的表示模型广泛应用于图像领域。B.Yang等在“B.Yang，and S.Li，“Multifocus image fusion and restoration with sparse representation，”IEEE Transactions on Instrumentation and Measurement,2010,59(4):884-892.”提出了一种基于过完备稀疏表示的图像融合算法，融合效果较好，但DCT字典的适应性不强，运算复杂度高；N.Yu等在“N.Yu，T.Qiu，F.Bi，and A.Wang，“Image Features Extraction and Fusion Based on Joint Sparse Representation，”IEEE Journal of Selected Topics in Signal Processing，2011，5(5)：1074-1082.”采用K-SVD方法对选取的图像库进行训练得到适应性强的过完备字典，并利用稀疏系数中非零元素所对应的基向量作为图像特征，分离相同特征和相异特征分别进行融合，克服了融合图像中相异特征清晰度下降问题。但是稀疏表示图像融合算法需要对每个图像块进行稀疏表示，其复杂度高的问题，依然没有得到较好解决。

发明内容

本发明的目的在于克服上述现有的稀疏表示图像融合技术运算复杂度高的缺点，提出了一种基于自适应稀疏表示的多聚焦图像融合方法，以提高稀疏表示算法融合图像的效率。

为实现上述目的，本发明在自适应稀疏表示的框架下实现多聚焦图像融合，其技术方案是根据图像的结构特征将子块分为相似模型、平滑模型和细节模型。然后对三种模型采取不同的处理，相似模型直接放入融合图像，平滑模型和细节模型分别采用加权平均法和稀疏表示法进行融合，从而减少了稀疏编码的图像块数，以提高融合效率。

本发明一种基于自适应稀疏表示的多聚焦图像融合方法，包括如下步骤：

1、利用成像设备获得焦距不同的待融合自然图像。

2、对源图像预处理

将获取的配准待融合图像归一化，再按照一定大小进行滑动分块处理。

3、图像块分类处理

先将待融合图像子块划分为相似块和异同块，将步骤2获得的所有对应位图像子块进行像素值对比，区分相似块和异同块，相似块属于相似模型；

再将待融合图像的异同块进一步划分，将获得的异同块计算出各块的梯度值，若块的梯度都小于等于阈值μ，属于源图像的平滑模型，反之属于细节模型。

4、训练K-SVD过完备字典

选择一些信息丰富的自然图像，利用K-SVD(Aharon M,Elad M,Bruckstein A.K-SVD:An algorithm for designing overcomplete dictionaries for sparse representation[J].IEEE Transaction on Signal Processing,2006,54(11):4311-4322)的方法对这些自然图像进行字典学习，获得过完备字典。

5、利用正交匹配追踪算法(Rosenblum K,Zelnik-Manor L,Eldar Y.Dictionary Optimization for Block-Sparse Representations[J].Signal Processing,IEEE Transactions on,2012,60(5):2386-2395)分别求解利用步骤3获得的各源图像细节模型在K-SVD过完备字典下的稀疏系数。

6、将步骤3获得的相似模型直接放入融合结果图的对应位。

7、将步骤3获得的平滑模型利用算术加权平均法进行融合。