基于自适应稀疏表示的多聚焦图像融合方法

摘要

本发明公开了一种基于自适应稀疏表示的多聚焦图像融合方法，根据原始图像中结构特征的不同将子块进行分类，使原始图像分为相同模型、平滑模型和细节模型。然后将相同模型直接放入融合结果图像中，对平滑模型和细节模型分别采用算术平均法和稀疏表示法进行图像块融合。本发明的有优点是能够分割出平滑模型和细节模型，减少稀疏编码的图像块数，从而在确保融合图像主观效果和客观性能指标均优的基础上，缩短了运算时间。

主权项

一种基于自适应稀疏表示的多聚焦图像融合方法，其特征在于，包括下列步骤：(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，再计算各异同块的梯度值，若都小于等于阈值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；(8)利用步骤(5)获得的源图像的细节模型稀疏系数、以及稀疏度和绝对值组合取大的融合规则获得细节模型的融合稀疏系数；(9)重构细节模型将步骤(8)获得的稀疏系数与K‑SVD过完备字典相乘，得到列向量化的细节模型融合图像；(10)重构融合图像将列向量化的三种模型融合图像转化为图像块，叠加到对应位置，再除以每个位置像素值叠加的次数，最终获得融合结果图像；其中，步骤(3)所述的图像块分类处理的具体步骤如下：先将待融合图像子块划分为相似块和异同块，对比各源图像对应位置图像子块的像素值，如果相应子块的每个像素点都相等，该子块属于相似模型f_e；反之为异同块，进行下一步区分；再将待融合图像的异同块进一步划分，选择梯度作为图像块进一步分类的判断准则，图像的梯度G(x,y)定义为式(1)所示：$G(x,y)=\frac{1}{N\times M}\underset{x=1}{\overset{N-1}{\Sigma }}\underset{y=1}{\overset{M}{\Sigma }}\sqrt{\frac{{[f(x+1,y)-f(x,y)]}^2+{[f(x,y+1)-f(x,y)]}^2}{2}}---\left(1\right)$其中，M,N是分块的大小，f(x,y)是子块中(x,y)处的像素值，梯度值G越大，代表图像块的信息量越大，相反，图像块的信息量越少；根据梯度定义公式计算出每个异同子块的梯度值G，设定阈值μ，若对应位置子块的梯度值都小于等于μ，属于平滑模型f_c；否则子块属于细节模型f_d。