[發(fā)明專利]基于自適應(yīng)稀疏表示的多聚焦圖像融合方法

有效

• 申請?zhí)枺?/td>: 201410293009.6
• 申請日: 2014-06-26
• 公開（公告）號: CN104077761B
• 公開（公告）日: 2017-01-11
• 發(fā)明（設(shè)計）人: 陳利霞;李子;袁華;莫建文;張彤;首照宇;歐陽寧;趙暉;林樂平;王學(xué)文
• 申請（專利權(quán)）人: 桂林電子科技大學(xué)
• 主分類號: G06T5/50
• 分類號: G06T5/50
• 代理公司: 桂林市華杰專利商標(biāo)事務(wù)所有限責(zé)任公司45112
• 代理人: 楊雪梅

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，具體是一種基于自適應(yīng)稀疏表示的多聚焦圖像融合方法。

背景技術(shù)

多聚焦圖像融合作為圖像融合的一個重要分支，正日益廣泛地應(yīng)用于機器視覺、目標(biāo)識別、數(shù)碼相機等領(lǐng)域。在實際應(yīng)用中，一些光學(xué)鏡頭往往不能使得同一場景的多個目標(biāo)都在同一聚焦區(qū)域，因此需要將多幅圖像中的清晰模型結(jié)合起來，生成一幅所有目標(biāo)都清晰的圖像，以滿足對圖像更深層次應(yīng)用的需要。多聚焦圖像融合正是解決這一問題的有效途徑。

多聚焦融合圖像擁有大量的冗余信息，能夠更加清晰地描述出一幅場景。傳統(tǒng)的融合方法包括小波變換、輪廓波變換等，但是在變換與反變換的過程中可能發(fā)生圖像信息的丟失，從而影響最終的融合效果。目前，稀疏表示作為一種有效的表示模型廣泛應(yīng)用于圖像領(lǐng)域。B.Yang等在“B.Yang，and?S.Li，“Multifocus?image?fusion?and?restoration?with?sparse?representation，”IEEE?Transactions?on?Instrumentation?and?Measurement,2010,59(4):884-892.”提出了一種基于過完備稀疏表示的圖像融合算法，融合效果較好，但DCT字典的適應(yīng)性不強，運算復(fù)雜度高；N.Yu等在“N.Yu，T.Qiu，F(xiàn).Bi，and?A.Wang，“Image?Features?Extraction?and?Fusion?Based?on?Joint?Sparse?Representation，”IEEE?Journal?of?Selected?Topics?in?Signal?Processing，2011，5(5)：1074-1082.”采用K-SVD方法對選取的圖像庫進行訓(xùn)練得到適應(yīng)性強的過完備字典，并利用稀疏系數(shù)中非零元素所對應(yīng)的基向量作為圖像特征，分離相同特征和相異特征分別進行融合，克服了融合圖像中相異特征清晰度下降問題。但是稀疏表示圖像融合算法需要對每個圖像塊進行稀疏表示，其復(fù)雜度高的問題，依然沒有得到較好解決。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述現(xiàn)有的稀疏表示圖像融合技術(shù)運算復(fù)雜度高的缺點，提出了一種基于自適應(yīng)稀疏表示的多聚焦圖像融合方法，以提高稀疏表示算法融合圖像的效率。

為實現(xiàn)上述目的，本發(fā)明在自適應(yīng)稀疏表示的框架下實現(xiàn)多聚焦圖像融合，其技術(shù)方案是根據(jù)圖像的結(jié)構(gòu)特征將子塊分為相似模型、平滑模型和細節(jié)模型。然后對三種模型采取不同的處理，相似模型直接放入融合圖像，平滑模型和細節(jié)模型分別采用加權(quán)平均法和稀疏表示法進行融合，從而減少了稀疏編碼的圖像塊數(shù)，以提高融合效率。

本發(fā)明一種基于自適應(yīng)稀疏表示的多聚焦圖像融合方法，包括如下步驟：

1、利用成像設(shè)備獲得焦距不同的待融合自然圖像。

2、對源圖像預(yù)處理

將獲取的配準(zhǔn)待融合圖像歸一化，再按照一定大小進行滑動分塊處理。

3、圖像塊分類處理

先將待融合圖像子塊劃分為相似塊和異同塊，將步驟2獲得的所有對應(yīng)位圖像子塊進行像素值對比，區(qū)分相似塊和異同塊，相似塊屬于相似模型；

再將待融合圖像的異同塊進一步劃分，將獲得的異同塊計算出各塊的梯度值，若塊的梯度都小于等于閾值μ，屬于源圖像的平滑模型，反之屬于細節(jié)模型。

4、訓(xùn)練K-SVD過完備字典

選擇一些信息豐富的自然圖像，利用K-SVD(Aharon?M,Elad?M,Bruckstein?A.K-SVD:An?algorithm?for?designing?overcomplete?dictionaries?for?sparse?representation[J].IEEE?Transaction?on?Signal?Processing,2006,54(11):4311-4322)的方法對這些自然圖像進行字典學(xué)習(xí)，獲得過完備字典。

5、利用正交匹配追蹤算法(Rosenblum?K,Zelnik-Manor?L,Eldar?Y.Dictionary?Optimization?for?Block-Sparse?Representations[J].Signal?Processing,IEEE?Transactions?on,2012,60(5):2386-2395)分別求解利用步驟3獲得的各源圖像細節(jié)模型在K-SVD過完備字典下的稀疏系數(shù)。

6、將步驟3獲得的相似模型直接放入融合結(jié)果圖的對應(yīng)位。

7、將步驟3獲得的平滑模型利用算術(shù)加權(quán)平均法進行融合。