[发明专利]一种基于结构组双稀疏学习的可见光与红外图像融合方法

说明书

本发明涉及一种基于结构组双稀疏学习的可见光与红外图像融合方法。该方法包括：（1）对输入的可见光与红外图像进行滑窗处理，寻找原始图像块的相似块并进行组向量化，建立图像相似结构组矩阵；（2）把图像相似结构组矩阵作为训练样本，利用剪切小波的Kronecker积构成基字典，通过在线学习获得稀疏字典，将基字典和稀疏字典进行线性重构得到最终双稀疏字典；（3）结合双稀疏字典，采用SOMP对图像相似结构组进行组稀疏求解，获得组稀疏系数，采用取大的融合规则，通过图像重构获得最终融合图像。本发明克服了已有稀疏融合算法忽略图像块间的相关性、字典适应性差，导致图像融合质量低的问题，可应用于在遥感探测、医疗诊断、智能驾驶、安全监控等领域。

技术领域

本发明涉及图像处理领域的图像融合方法，具体为一种基于结构组双稀疏学习的可见光与红外图像融合方法。

背景技术

可见光和红外成像技术在遥感探测、医疗诊断、智能驾驶、安全监控等方面有重要应用。可见光传感器通过光反射成像，可以描述环境的场景信息，具有较高的空间分辨率，但易受光照条件和天气变化因素的影响；红外传感器通过热辐射成像，可以反映目标与背景的辐射特性，但目标的结构特征和纹理信息缺失。两类成像利用目标的不同物理特性进行探测，具有很强的互补性，只有将两类图像融合，才能综合不同成像优势，减少信息丢失，利于目标识别处理和人员观察，满足实用需求。因此，图像融合是提高可见光与红外成像探测与识别水平的重要前提。

实现可见光和红外图像融合的关键技术是将两类图像间的显著特征综合到一幅图像上，以发挥可见光和红外两种成像的综合优势。多尺度变换融合方法是利用给定数学模型近似逼近图像显著特征信息，但由于图像显著特征类型复杂多变，多尺度变换不可能提取图像所有类型的显著特征。为了提高多尺度变换融合效果，从图像信号稀疏的角度，通过在线学习构造冗余字典，稀疏表示在冗余字典上对图像信号进行表示，利用表示系数和冗余字典对应原子描述图像的显著特征。目前，传统的稀疏表示融合模型存在两个问题：首先，在字典学习和稀疏编码的过程中，每个图像块都是独立考虑的，忽略了块之间的相关性，导致稀疏编码系数不准确；其次，没有结合解析字典和学习字典的各自优势，字典适应性能力不强。

有研究表明，非局部相似性是图像的一个重要特性，它说明了图像中的不同位置存在很多相似的结构(如细节和纹理信息)，将这些相似结构中包含的信息运用到图像处理中，能提高图像处理的效果，被用于图像去噪、压缩感知、超分辨率等领域。事实上，可见光图像具有丰富的重复结构和大量的冗余信息，图像块反映局部几何结构，且在图像不同位置重复出现，具有非局部结构相似性。而红外图像中，绝大多数为背景区域，其灰度变化缓慢，并且小的背景图像块之间存在较强相关性，也具有明显的非局部结构相似性。因此，可以通过图像的非局部相似性，建立可见光和红外图像的结构相似组，进而建立图像块之间的相关性，提高稀疏编码的准确性。

目前，稀疏表示字典可以分为解析字典和学习字典两类。解析字典对数据建立一种公式化的数学模型，因此解析字典高度结构化，可以进行快速的数值实现，但适应性较差；学习字典通过训练样本进行学习，更具有适应性，但学习模型复杂。研究表明，实现分析字典和训练字典的有机结合，结合了两种字典的优势，既提高字典的适应性，又降低模型复杂度，这是稀疏表示融合发展的迫切需要。

综上所述，急需一种能够有效建立图像块的相关性、提高稀疏编码的准确性、增强冗余字典的适用性、降低字典学习模型复杂度，进而有效提高可见光与红外图像的融合效果的图像融合方法。

发明内容

本发明为了解决现有的稀疏表示融合算法中忽略了块之间的相关性、字典学习适应性差，而导致的可见光与红外图像融合质量差的问题，提供一种基于结构组双稀疏学习的可见光与红外图像融合方法。

本发明是采用如下的技术方案实现的：一种基于结构组双稀疏学习的可见光与红外图像融合方法，包括以下步骤：