[发明专利]基于自适应组结构稀疏字典学习的图像融合方法

摘要

本发明公开了一种基于稀疏表示自适应学习组结构化字典的图像融合方法，具体为：从输入待融合图像并进行滑窗分块，提取特征向量得到训练样本训练出自适应的组结构字典，对每个图像块计算稀疏表示向量，取相同位置对应的稀疏表示向量采用基于组结构的L1范数最大化的方法得到融合后的系数表示向量矩阵，最后将其加上相应的均值转换为图像表示，得到图像块，使用滑窗的逆操作输出最终融合图像。本发明的融合后的图像更加精确、细节更加丰富，能够减少融合图像空间上的不连续性。

主权项

1.基于自适应组结构稀疏字典学习的图像融合方法，其特征在于，包括下列步骤：步骤1：对待融合图像A和B分别进行滑窗分块处理，得到t个大小为的局部图像块其中图像块标识符i＝{1,2,3,...,t}，N为预设值；所述滑窗分块处理为：采用滑窗步长为1，窗口大小为的滑动窗口自左到右从上到下进行重叠滑窗；步骤2：把图像块的个像素值排成一列，得到列向量列向量减去各自对应的列向量的均值得到零均值的列向量即其中Q是N×1的全为1的列向量；步骤3：判断图像块数目t是否大于阈值T，若是，则分别从t个中随机选择T个列向量作为训练样本集Y；否则，直接将t个作为训练样本集Y；用参数L表示训练样本集Y的个数；步骤4：随机初始化一个大小为N×M的字典D₀，其中N等于步骤1所述的图像块的边长的平方，M为预设值且M＞N；将字典D₀作为组结构字典D初始值，基于字典D₀、训练样本集Y，采用自适应组结构化字典学习方法学习得到组结构字典D，在字典学习时，约束组结构字典D的组稀疏度为预设值k，且每个组的最大字典原子数为预设值s；步骤5：基于步骤4得到的组结构字典D，分别对各采用组稀疏度为k的块正交匹配追踪算法计算稀疏系数向量步骤6：对稀疏系数向量采用基于组结构的L1范数最大的方法得到对应的融合稀疏系数向量X_i，i＝{1,2,3,...,t}；步骤7：根据公式计算第一融合图像列向量根据列向量的均值的均值得到融合列向量均值即再根据公式得到第二融合图像列向量基于步骤2中得到列向量的逆方式，将第二融合图像列向量转化成大小为的融合图像块步骤8：将每个融合图像块按照步骤1滑窗分块时的顺序进行排列，对存在融合图像块重叠的像素点的像素值进行累加、再除以各像素点的累加次数，得到的融合图像F。