[發(fā)明專利]一種基于稀疏表示的紅外與可見光圖像融合方法

在審

• 申請?zhí)枺?/td>: 201410283034.6
• 申請日: 2014-06-23
• 公開（公告）號: CN104021537A
• 公開（公告）日: 2014-09-03
• 發(fā)明（設計）人: 何貴青;宋莎莎;王珺;彭進業(yè);馮曉毅;李會方;謝紅梅;吳俊;蔣曉悅;楊雨奇
• 申請（專利權）人: 西北工業(yè)大學
• 主分類號: G06T5/50
• 分類號: G06T5/50
• 代理公司: 西北工業(yè)大學專利中心 61204
• 代理人: 顧潮琪

技術領域

本發(fā)明涉及圖像融合領域。?

背景技術

紅外與可見光的圖像融合是圖像融合領域的重要組成部分，該技術在醫(yī)學成像、遙感成像、機器視覺、安全監(jiān)控等領域有廣闊的應用前景。?

目前紅外與可見光圖像的融合方法主要有：基于數(shù)字加權的方法、基于金字塔分解的方法、基于小波變換的方法以及相繼提出的基于脊波(Ridgelet)、曲波(Curvelet)、輪廓波(Contourlet)變換等的多尺度幾何分析方法。?

基于數(shù)字加權的方法直接通過區(qū)域的劃分將源圖像通過加權或取大取小運算得到融合圖像，具有方法簡單，速度快的優(yōu)點，但是融合結果對比度和信噪比較低，不能突出紅外圖像的目標。從1993年Peter?J.Burt等人發(fā)表在IEEE上的“Enhanced?Image?Capture?Through?Fusion”一文中可以看到，基于塔型分解的方法可以提高圖像整體的清晰度和信息量，但它會將無信息價值但變化幅度劇烈的大梯度值像素融合到結果中去，從而影響了圖像的融合效果。隨后，小波變換被廣泛應用于紅外與可見光圖像融合中，由2004年Gonzalo?Pajares等人發(fā)表在Pattern?Recognition?Society上的“Awavelet-based?image?fusion?tutorial”一文可見，其主要是通過將紅外與可見光圖像分解到不同尺度與不同方向，從而有針對性地突出圖像的重要特征與細節(jié)信息，然而，此類方法僅對信號的點奇異性具有良好的時空局部性特點，而對于圖像信號中的直線或曲線奇異性，小波系數(shù)并不是最稀疏的。由此，基于各種不同的多尺度分析工具的融合方法相繼提出，如脊波、曲波、輪廓波以及非下采樣的輪廓波(NSCT)，并取得了優(yōu)于小波變換的圖像融合效果；但此類方法的基函數(shù)是固定的，對于復雜多樣的圖像信號而言，并不是最優(yōu)的圖像表示模型。因此，近幾年，新的基于稀疏表示的圖像模型成為研究熱點并開始應用于圖像融合等圖像處理領域。如，嚴春滿等人就于2012年在中國圖像圖形學報上發(fā)表論文“自適應字典學習的多聚焦圖像融合”，文章針對多焦距圖像融合問題，提出一種自適應字典學習的圖像融合方法，利用稀疏表示理論自適應學習一組字典，對源圖像減去均值并求解其稀疏表示系數(shù)，最后按照分解系數(shù)的顯著性選擇融合系數(shù)。此方法將稀疏表示理論引入圖像融合領域，表現(xiàn)出了較優(yōu)越的?融合效果。然而，由于其采用了去均值的處理，雖然能較好的評價圖像區(qū)域的變換程度，但是在最后融合階段仍需要加入去除的均值，因此存在信息損失問題。?

如前所述，傳統(tǒng)的對于紅外與可見光圖像融合方法由于基函數(shù)是固定的，對于復雜多樣的圖像信號而言，并不是最優(yōu)的圖像表示模型。而新的基于稀疏表示的圖像模型中由于采用了去均值的處理，而存在一定的信息損失問題。?

發(fā)明內容

為了克服現(xiàn)有技術的不足，本發(fā)明提供一種針對紅外與可見光圖像的基于稀疏表示的圖像融合方法：首先對圖像進行分塊處理，然后訓練字典，并對兩幅源圖像分別求解其稀疏系數(shù)，然后采用模值取大規(guī)則得到融合圖像的稀疏系數(shù)，最后重構得到融合結果圖像。本方法能夠自適應于源圖像(紅外與可見光圖像)的自身特點，提取的源圖像表示系數(shù)具有較傳統(tǒng)方法更優(yōu)秀的稀疏性與特征保持性，更能反映信號的本質特征與內在結構。因此，能有效提高紅外與可見光圖像的融合效果。?

本發(fā)明解決其技術問題所采用的技術方案包括以下步驟：?

(1)將可見光圖像與紅外圖像配準后利用滑窗技術分成的小塊，將小塊排成可見光圖像塊V₁及紅外圖像塊V₂，構成樣本集V＝[V₁，V₂]；所述N取為64。?

(2)從樣本集V中隨機取P個樣本構成訓練樣本V_train，訓練樣本V_train的大小為N×P，然后隨機初始化一個大小為N×M的字典D，采用經典的K-SVD迭代方法，用訓練樣本V_train訓練字典D；所述的P＝5000。?

(3)用訓練好的字典D分別求解可見光圖像塊V₁及紅外圖像塊V₂的稀疏分解系數(shù)，獲得可見光稀疏系數(shù)矩陣S₁及紅外稀疏系數(shù)矩陣S₂；?

(4)逐列比較可見光稀疏系數(shù)矩陣S₁和紅外稀疏系數(shù)矩陣S₂對應位置上的列向量絕對值之和，將絕對值之和大的列向量作為融合的稀疏系數(shù)S_F對應位置的列向量；?