一种基于低秩分解和卷积稀疏编码的多源图像融合的方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111833284A(43)申请公布日2020.10.27(21)申请号202010684188.1(22)申请日2020.07.16(71)申请人昆明理工大学地址650093云南省昆明市五华区学府路253号(72)发明人李华锋陈升(74)专利代理机构昆明人从众知识产权代理有限公司53204代理人陈波(51)Int.Cl.G06T5/50(2006.01)权利要求书4页说明书10页附图3页(54)发明名称一种基于低秩分解和卷积稀疏编码的多源图像融合的方法(57)摘要本发明公开了一种基于低秩分解和卷积稀疏编码的多源图像融合的方法，属于数字图像处理技术领域。本发明充分考虑了图像块之间的一致性，通过一组滤波器和稀疏特征图来表示整张图像，不需要将图像切块处理，使得最终融合图像的效果保留了源图像丰富的细节信息，细节更加清晰，不管是从主观视觉上还是客观评价指标上来看实验结果，本发明的融合结果优于其他传统的方法，验证了本发明的有效性。CN111833284ACN111833284A权利要求书1/4页1.一种基于低秩分解和卷积稀疏编码的多源图像融合的方法，其特征在于：选取一组图像作为训练样本，对这组图像进行低秩分解，分解成低秩成分和稀疏成分，通过加入低秩约束提出一种新的滤波器训练模型，根据提出的滤波器训练模型进行卷积稀疏编码优化求解，并迭代更新获得训练样本图像的滤波器；对待融合图像处理，得到融合图像：选取两幅待融合图像作为测试图像，对两幅待融合图像进行低秩分解，分别得到待融合图像的低秩成分和待融合图像的稀疏成分，对待融合图像的低秩成分和待融合图像的稀疏成分分别设计不同的融合规则：对于待融合图像的低秩成分，根据待融合图像低秩成分的能量信息变化获得低秩成分的融合决策图，再根据低秩成分的融合决策图得到融合低秩成分；对于待融合图像的稀疏成分，通过与训练样本图像获得的滤波器进行卷积稀疏分解得到待融合图像的稀疏成分的稀疏特征图，根据待融合图像的稀疏成分的稀疏特征图通过改进的拉普拉斯运算获得稀疏成分的融合稀疏特征图，通过稀疏成分的融合稀疏特征图与训练样本图像获得的滤波器进行卷积运算得到融合稀疏成分；最后将得到的融合低秩成分与融合稀疏成分进行相加得到测试图像的融合图像。2.根据权利要求1所述的基于低秩分解和卷积稀疏编码的图像融合的方法，其特征在于：所述训练样本图像的滤波器具体步骤如下：Step1、选取一组图像{X1,X2,...,XK}作为训练样本，对这组训练的k幅图像进行低秩分解，可以分解成低秩成分和稀疏成分其中，表示第k幅训练图像的低秩成分，表示第k幅训练图像的稀疏成分；滤波器训练模型表示如下：其中，{fi}i＝1,2,…N表示N个滤波器，滤波器大小为d×d，d表示表示滤波器的行数及列数；m×nZk,i∈R表示第k幅图像中第i个稀疏特征图，R表示空间域，m表示行数，n表示列数；Xk表示第k幅训练图像，λ1、λ2表示正则化参数，用来调整正则化程度，表示卷积运算符，表示Frobenius范数平方运算符，||||*表示核范数，||||1表示l1范数运算符。3.根据权利要求2所述的基于低秩分解和卷积稀疏编码的图像融合的方法，其特征在于：所述滤波器训练模型的求解具体为：Step2、求解一个变量时，将其他变量固定，首先求解的最优解，固定更新通过奇异值收缩算法，求解的目标函数可写为：在式(2)中，固定fi，Zk,i，更新得到的目标函数为：2CN111833284A权利要求书2/4页在式(3)中，对求偏导，可以得到如下闭合解的形式：在式(4)中，固定fi，更新Zk,i，得到Zk,i的目标函数为：在式(5)中，固定Zk,i，更新fi，得到fi的目标函数为：上述所有的求解过程均需要进行迭代更新获得最优解，通过输入初始稀疏成分初始低秩成分初始滤波器fi，初始稀疏特征图Zk,i，参数λ1，λ2，进行迭代更新，最终输出N个滤波器fi(i＝1,2,…N)。4.根据权利要求1至3中任一项所述的基于低秩分解和卷积稀疏编码的图像融合的方法，其特征在于：对待融合图像处理，得到融合图像的步骤如下：Step3、选取两张待融合的图像作为测试图像，分别为待融合图像YA、待融合图像YB，对待融合图像YA、YB分别进行低秩分解，分别得到低秩成分和稀疏成分其中，分别表示待融合图像YA的低秩成分、稀疏成分，分别表示待融合图像YB的低秩成分、稀疏成分；Step4、根据低秩成分设计融合规则：根据待融合图像低秩成分的能量信息变化获得低秩成分的融合决策图，再根据融合决策图得到融合低秩成分，低秩成分的融合规则设计如下：其中，表示低秩成分在(m,n)处的融合决策图，表示低秩成分在(m,n)处的能量值，表示低秩成分在(m,n)处的能量值，表示