[发明专利]基于超像素聚类与联合低秩表示的多聚焦图像融合方法

说明书

本发明公开的基于超像素聚类与联合低秩表示的多聚焦图像融合方法，涉及图像处理技术领域，通过接收经过配准的源图像I_A和I_B，利用谱聚类算法，对I_A和I_B进行超像素分割，再对超像素利用K均值算法进行聚类，并对源图像以超像素为单位进行特征提取，构建针对每一个超像素类的特征矩阵。构建字典及联合低秩表示模型并结合拉普拉斯一致性约束项，分别对源图像I_A和I_B中的超像素类所对应的特征矩阵进行联合低秩表示，计算出I_A的低秩表示系数Z_A和误差矩阵E_A以及I_B的低秩表示系数Z_B和误差矩阵E_B，利用表示系数和误差设计融合规则，构建建最终的融合图像，解决了现有技术存在的融合结果中出现的块状模糊和突兀的过渡边缘现象，提高了图像融合的质量和视觉效果。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于超像素聚类与联合低秩表示的多聚焦图像融合方法。

背景技术

多聚焦图像融合是图像融合的一个重要分支，多聚焦图像融合能够将同一场景不同图像上所有聚焦信息集成为一体，生成一幅全聚焦的清晰图像，从而更实现准确地描述被拍摄的场景。

传统的多聚焦图像融合主要对图像进行区域划分，采用聚焦性测量指标对图像聚焦区域进行测量，得出源图像中较为清晰的区域并进行融合。这种方法稳定性较差，对噪声和误配准较为敏感，融合结果会出现大量的区域性模糊。利用多尺度的分解进行多聚焦图像融合能够将图像分解为不同尺度，并针对不同尺度选取相应的融合规则进行融合，在一定程度上提高了融合效果，但这种方法受噪声和误配准影响加大，导致融合结果会出现振铃和局部模糊现象。

因稀疏表示对噪声和误配准具有较强的鲁棒性，很多学者将其应用到了多聚焦图像融合中。比如：论文“B.Yang,S.Li,Multi-focus image fusion and restoration withsparse representation,IEEE Transactions on Instrumentation and Measurement,vol.59,no.4,pp.884-892,2010”最早提出将稀疏表示应用于图像融合中；论文“S.T.Li,H.T.Yin,L.Y.Fang,Group-sparse representation with dictionary learning formedical image denoising and fusion[J].IEEE Transactions on BiomedicalEngineering,2012,59(12):3450-3459.”提出了基于组稀疏表示模型(GSR)的融合算法；论文“N.Yu,T.Qiu,et al.,Image features extraction and fusion based on jointsparse representation,IEEE Journal of Selected Topics in Signal Processing 5(5)(2011)1074-1082.”提出了基于联合稀疏表示模型的多聚焦图像融合算法；论文“J.Wang,J.Peng,et al.,Fusion method for infrared and visible images by usingnon-negative sparse representation,Infrared PhysicsTechnology,67(2014)477-489.”提出了一种基于非负稀疏表示模型的红外与可见光图像融合算法。相比传统的基于空域和多尺度变换的图像融合算法，这些算法的出现较大程度上提高了图像融合的质量，同时充分的说明了稀疏表示模型的灵活性以及强大的表示能力。然而，基于稀疏表示的融合方法一般都是以图像“子块”为单位进行稀疏表示和融合，这就造成融合结果出现大量的块状模糊和突兀的过渡边缘，即“块效应”和“锯齿状”边界。为缓解该问题，提高图像融合的质量和视觉效果，大多数算法采用了滑动窗口技术对源图像进行采样。但滑动窗口不仅大幅度的增加了计算量，同时平滑了一些高频信息，造成细节信息的丢失。