[發(fā)明專利]基于超像素聚類與聯(lián)合低秩表示的多聚焦圖像融合方法

有效

• 申請?zhí)枺?/td>: 201910318421.1
• 申請日: 2019-04-19
• 公開（公告）號: CN110097530B
• 公開（公告）日: 2023-03-24
• 發(fā)明（設(shè)計）人: 張強(qiáng);王凡;焦強(qiáng);劉健;韓軍功
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T7/11;G06V10/762;G06V10/77;G06V10/772
• 代理公司: 北京世譽(yù)鑫誠專利代理有限公司 11368
• 代理人: 劉秀珍

本發(fā)明公開的基于超像素聚類與聯(lián)合低秩表示的多聚焦圖像融合方法，涉及圖像處理技術(shù)領(lǐng)域，通過接收經(jīng)過配準(zhǔn)的源圖像I_A和I_B，利用譜聚類算法，對I_A和I_B進(jìn)行超像素分割，再對超像素利用K均值算法進(jìn)行聚類，并對源圖像以超像素為單位進(jìn)行特征提取，構(gòu)建針對每一個超像素類的特征矩陣。構(gòu)建字典及聯(lián)合低秩表示模型并結(jié)合拉普拉斯一致性約束項(xiàng)，分別對源圖像I_A和I_B中的超像素類所對應(yīng)的特征矩陣進(jìn)行聯(lián)合低秩表示，計算出I_A的低秩表示系數(shù)Z_A和誤差矩陣E_A以及I_B的低秩表示系數(shù)Z_B和誤差矩陣E_B，利用表示系數(shù)和誤差設(shè)計融合規(guī)則，構(gòu)建建最終的融合圖像，解決了現(xiàn)有技術(shù)存在的融合結(jié)果中出現(xiàn)的塊狀模糊和突兀的過渡邊緣現(xiàn)象，提高了圖像融合的質(zhì)量和視覺效果。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種基于超像素聚類與聯(lián)合低秩表示的多聚焦圖像融合方法。

背景技術(shù)

多聚焦圖像融合是圖像融合的一個重要分支，多聚焦圖像融合能夠?qū)⑼粓鼍安煌瑘D像上所有聚焦信息集成為一體，生成一幅全聚焦的清晰圖像，從而更實(shí)現(xiàn)準(zhǔn)確地描述被拍攝的場景。

傳統(tǒng)的多聚焦圖像融合主要對圖像進(jìn)行區(qū)域劃分，采用聚焦性測量指標(biāo)對圖像聚焦區(qū)域進(jìn)行測量，得出源圖像中較為清晰的區(qū)域并進(jìn)行融合。這種方法穩(wěn)定性較差，對噪聲和誤配準(zhǔn)較為敏感，融合結(jié)果會出現(xiàn)大量的區(qū)域性模糊。利用多尺度的分解進(jìn)行多聚焦圖像融合能夠?qū)D像分解為不同尺度，并針對不同尺度選取相應(yīng)的融合規(guī)則進(jìn)行融合，在一定程度上提高了融合效果，但這種方法受噪聲和誤配準(zhǔn)影響加大，導(dǎo)致融合結(jié)果會出現(xiàn)振鈴和局部模糊現(xiàn)象。

因稀疏表示對噪聲和誤配準(zhǔn)具有較強(qiáng)的魯棒性，很多學(xué)者將其應(yīng)用到了多聚焦圖像融合中。比如：論文“B.Yang,S.Li,Multi-focus image fusion and restoration withsparse representation,IEEE Transactions on Instrumentation and Measurement,vol.59,no.4,pp.884-892,2010”最早提出將稀疏表示應(yīng)用于圖像融合中；論文“S.T.Li,H.T.Yin,L.Y.Fang,Group-sparse representation with dictionary learning formedical image denoising and fusion[J].IEEE Transactions on BiomedicalEngineering,2012,59(12):3450-3459.”提出了基于組稀疏表示模型(GSR)的融合算法；論文“N.Yu,T.Qiu,et al.,Image features extraction and fusion based on jointsparse representation,IEEE Journal of Selected Topics in Signal Processing 5(5)(2011)1074-1082.”提出了基于聯(lián)合稀疏表示模型的多聚焦圖像融合算法；論文“J.Wang,J.Peng,et al.,Fusion method for infrared and visible images by usingnon-negative sparse representation,Infrared PhysicsTechnology,67(2014)477-489.”提出了一種基于非負(fù)稀疏表示模型的紅外與可見光圖像融合算法。相比傳統(tǒng)的基于空域和多尺度變換的圖像融合算法，這些算法的出現(xiàn)較大程度上提高了圖像融合的質(zhì)量，同時充分的說明了稀疏表示模型的靈活性以及強(qiáng)大的表示能力。然而，基于稀疏表示的融合方法一般都是以圖像“子塊”為單位進(jìn)行稀疏表示和融合，這就造成融合結(jié)果出現(xiàn)大量的塊狀模糊和突兀的過渡邊緣，即“塊效應(yīng)”和“鋸齒狀”邊界。為緩解該問題，提高圖像融合的質(zhì)量和視覺效果，大多數(shù)算法采用了滑動窗口技術(shù)對源圖像進(jìn)行采樣。但滑動窗口不僅大幅度的增加了計算量，同時平滑了一些高頻信息，造成細(xì)節(jié)信息的丟失。