基于多尺度字典学的图像融合方法

摘要

本发明提供了一种基于多尺度字典学的图像融合方法，首先进行多尺度学，对每一幅训练图像分解出S个子带，每个子带对应学一个子字典；然后对源图像进行小波变换，得到所有源图像的子带，采用SOMP算法求解子带的稀疏表示系数并进行融合，最后进行逆小波变换，得融合图像。本发明提高了图像表示系数的稀疏度、拟合度，增强了融合图像的细节表现能力，具有更优的融合效果和更好的抑制噪声能力，字典的泛化能力也更强。

主权项

1.一种基于多尺度字典学习的图像融合方法，其特征在于包括下述步骤：(1)对于已经经过配准的K幅大小为M×N的源图像I₁,...,I_K，用2D小波变换分解每一幅训练图像，每一幅训练图像分解出S个子带，其中，训练图像是源图像本身或与源图像采集方式相同的图像；(2)对所有子带，以步长为1，大小为的滑动窗口按照从左上到右下的顺序提取块，再将块拉直并依次排列组成矩阵，每一子带排列出一个矩阵；(3)对每一个矩阵用K-SVD算法学习一个子字典D_b；(4)保存所有学习到的子字典，即子字典D_b∈R^n×m,b＝1,2,...,S，n为字典原子的大小，m为每个子字典的原子数；(5)对源图像进行小波变换，得到所有源图像的子带(6)将按照步骤(2)的方法排列成矩阵得到大小为$(\sqrt{n}\times \sqrt{n})\times [(M-\sqrt{n}+1)\times (N-\sqrt{n}+1)]$矩阵，从而矩阵中的第j列对应第k幅源图像经小波分解在第b个子带中第j块；(7)采用SOMP算法并结合子字典求解下式：$\underset{D_b,{\mathrm{ca}}_{b_j}^k}{\arg \min }{\left|\right|{\mathrm{cV}}_{b_j}^k-D_b{\mathrm{ca}}_{b_j}^k\left|\right|}_F^2\mathrm{subjectto}{\left|\right|{\mathrm{ca}}_{b_j}^k\left|\right|}_0^0\le T,k=\{\mathrm{1,2},...,K\}$从而得到的稀疏表示系数${\mathrm{c\alpha }}_{b_j}^2,...,{\mathrm{c\alpha }}_{b_j}^K;$（8）按照以下步骤融合源图像各个子带的稀疏表示系数：①求解的活动水平$A_{b_j}^k={\left|\right|{\mathrm{c\alpha }}_{b_j}^k\left|\right|}_1;$②选取活动水平最大的系数作为融合图像在b子带的稀疏表示系数的第j列${\mathrm{c\alpha }}_{b_j}^F={\mathrm{c\alpha }}_{b_j}^{k^{*}},$$k^{*}=\underset{k=\mathrm{1,2},...,K}{\arg \max }\left(A_{b_j}^k\right).;$③历所有源图像各个子带每一列的稀疏表示系数，重复步骤①和②，得到融合图像的所有子带的稀疏表示系数④分别计算融合图像每一子带的融合矩阵得到融合图像每一子带的融合矩阵(9)分别遍历每一子带的融合矩阵将矩阵中的每一列排列成大小的块，按照提取的顺序放到的对应位置，对同一位置的子带系数累加求平均，从而得到(10)最后将进行逆小波变换，得融合图像I_F。