基于低秩稀疏分解和PCNN的图像融合方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利(10)授权公告号CN109410157B(45)授权公告日2022.02.08(21)申请号201810629338.1CN107977949A,2018.05.01(22)申请日2018.06.19CN107563968A,2018.01.09CN107292858A,2017.10.24(65)同一申请的已公布的文献号CN107451951A,2017.12.08申请公布号CN109410157A朱智勤.基于稀疏表示的像素级图像融合方(43)申请公布日2019.03.01法研究.《中国博士学位论文全文数据库信息科(73)专利权人昆明理工大学技辑》.2017,(第09期),地址650093云南省昆明市五华区学府路BoyangChengetal..Adaptivefusion253号frameworkofinfraredandvisualimageusingsaliencydetectionandimproved(72)发明人李华锋匡振宇王一棠文永华dual-channelPCNNintheLNSSTdomain.余正涛《InfraredPhysics&Technology》.2018,(51)Int.Cl.JingmingXiaetal..MedicalImageG06T5/50(2006.01)FusionBasedonSparseRepresentationand(56)对比文件PCNNinNSCTDomain.《ComputationalandCN107451984A,2017.12.08MathematicalMethodsinMedicine》.2018,WO2012130251A1,2012.10.04审查员孙珍珠US2015110357A1,2015.04.23权利要求书2页说明书6页附图2页(54)发明名称基于低秩稀疏分解和PCNN的图像融合方法(57)摘要本发明提出了一种基于图像低秩与稀疏成分分解和PCNN相结合的图像融合方法。首先在低秩分解的基础上，结合稀疏表示，通过不同的字典，对不同成分进行稀疏表达得到对应成分的编码系数。然后在融合过程中，采用一种“绝对值”取大的策略对低秩成分进行融合，以保留源图像的亮度信息；对于稀疏成分，不同于传统的融合策略，本发明采用梯度特征激励PCNN的方法进行融合，能更大程度保留更多的源图像边缘细节信息。最后，将低秩融合部分和稀疏部分相加，便得到最终的融合结果。针对不同类型的图像，本发明提出的方法无论在视觉效果还是客观指标上，都具有更好的性能。CN109410157BCN109410157B权利要求书1/2页1.基于低秩稀疏分解和PCNN的图像融合方法，其特征在于，包括如下步骤：(1)首先采集训练样本数据Y；(2)通过字典学习模型对采集到的样本数据Y进行训练，得到低秩成分Yl和稀疏成分Ys，对低秩成分Yl和稀疏成分Ys分别分割成若干图像块得到对应的低秩训练集Xl和稀疏训练集Xs；(3)通过K‑SVD算法分别对低秩训练集Xl和稀疏训练集Xs进行学习得到低秩字典Dl和稀疏字典Ds；(4)基于低秩字典Dl和稀疏字典Ds形成低秩稀疏分解模型，利用低秩稀疏分解模型将待融合的图像分别进行分解得到对应的低秩部分和稀疏部分，再进行融合；所述低秩稀疏分解模型为：其中，Al表示低秩成分Yl在低秩字典Dl上编码系数，As为稀疏成分Ys在稀疏字典Ds上的编码系数；Y∈Rm×n为给定的原图像，Rm×n表示原图像的大小为m×n并且原图像的每个像素m×n点的取值是在实数域的范围内，Yl,Ys∈R，分别表示图像中的低秩成分和稀疏成分，||·||F为F范数运算符，||Yl||*和||Ys||1分别为低秩成分和稀疏成分的正则项，||·||*为核范数，表示矩阵的奇异值之和，||·||1为l1范数，表示矩阵元素的绝对值之和，λ为权衡参数；所述步骤4中图像融合的具体过程为：将每张待融合图像分解得到低秩部分和稀疏部分，并将低秩部分和稀疏部分分别分成T个低秩图像块和T个稀疏图像块；利用低秩字典Dl求出每张待融合图像的T个低秩图像块的低秩编码系数，对每张待融合图像对应相同的图像块进行低秩编码系数选择，采用绝对值取大策略来选择l1范数最大的低秩编码系数，将选择出来的低秩编码系数作为融合图像对应图像块的低秩编码系数，再通过T个图像块的低秩编码系数重构出处理后的低秩融合结果的低秩编码系数αF,l；利用稀疏字典Ds求出每张待融合图像的T个稀疏图像块的稀疏编码系数，再采用PCNN方法对比得出待融合图像的每个图像块的稀疏编码系数，进而得出T个图像块的稀疏编码系数，通过T个图像块的稀疏编码系数重构出处理后的稀疏融合结果的稀疏编码系数αF,s；融合后的图像XF＝DlαF,l+DsαF,s