一种基于非局部稀疏k-svd算法的图像融合方法
【专利摘要】本发明涉及一种基于非局部稀疏K-SVD算法的图像融合方法，稀疏K-SVD算法是Ron?Rubinstein提出来的原本用于图像去噪的字典生成算法。基于图像非局部自相似性的训练样本生成过程能够有效地提高字典的性能。本发明将基于非局部稀疏K-SVD算法产生的字典应用到基于SOMP算法的图像融合方法中，从而达到产生更好融合效果的目的。本发明的有益效果是：基于非局部稀疏K-SVD算法的图像融合方法，根据信号稀疏分解的思想，在像素级上对图像进行融合，使用稀疏K-SVD算法产生的字典，有效结合了解析字典的结构性和学习字典的自适应性，使得字典的信号表达能力提高，同时基于非局部方法的样本选择提高了字典的性能，图像融合效果也得到了提高。
【专利说明】—种基于非局部稀疏K-SVD算法的图像融合方法
【技术领域】
[0001]本发明属于计算机图像处理领域，涉及一种基于非局部稀疏K-SVD算法的图像融合方法。
【背景技术】
[0002]图像融合是把对同一目标或场景用不同传感器所获得的图像或用不同方式获得的图像融合成一幅图像，在这幅图像中能反应多重原始图像中的信息，能对场景描述得比任何单一源图像都更精确、更全面。图像融合主要是通过对多幅图像间冗余数据的处理来提高图像的可靠性，通过对多幅图像间互补信息的处理来提高图像的清晰度。
[0003]图像的融合过程可以发生在信息描述的不同层。通常将图像融合分为像素级融合、特征级融合和决策级融合。像素级图像融合方法是最重要、最基本的图像融合方法，它将各幅源图像或者源图像的变换图像中的对应像素进行融合，从而获得一幅新的图像。
[0004]信号的稀疏表不理论由于其具有很好的信号表达能力，便于信号的存储与处理，近年来在图像处理方面获得了广泛的应用，包括信号重构、图像去噪和图像融合等。文献“B.Yang, S.Li, Pixel-level image fus1n with simultaneous orthogonal matchingpursuit, Informat1n Fus1n, 2012, 13(1): 10-19” 中公开了一种像素级图像融合算法,称之为 SOMP (Simultaneous Orthogonal Matching Pursuit,并行正交匹配追踪)算法，该算法是基于稀疏分解的，并且实现了信号分解的并行性，可以有效提高信号分解的稳定性和可重构性，可用的字典包括DCT字典等解析字典和K-SVD字典等学习字典，图像融合效果较之其他的算法有很大的提高。然而，解析字典具有好的结构性，但是不具有好的自适应性，而学习字典具有好的自适应性，但是不具有好的结构性，这是该算法中有关可使用字典的一个很大的缺陷。
[0005]文献 “Double Sparsity: Learning Sparse Dict1naries for Sparse SignalApproximat1n, IEEE Trans, on Signal Processing, 2010，58 (3): 1553-1564，，中公开了一种称之为稀疏K-SVD的字典生成算法，该算法通过对字典使用一般的解析字典进行稀疏分解，将解析字典的结构性和学习字典的自适应性有机结合，使得字典对信号具有更好的表达能力，在原文中用来去除图像噪声，取得了较好的效果。
[0006]基于学习字典对信号的稀疏表示过程中，不可避免的会受到训练样本之间的相似性的影响。但是，传统的基于解析的字典和基于学习的字典都没有充分利用图像的非局部自相似性。由于在图像处理中，稀疏表示和非局部自相似性具有很大的优势，Mairal等提出了一种图像去噪模型，称之为非局部自相似性稀疏降噪模型，这个模型充分地利用了图像的非局部自相似性，采用了联合稀疏表示，提高了稀疏解的稳定性，去噪效果不错。因此，充分利用图像的非局部自相似性，组成新的样本，在新样本上进行稀疏字典的学习，可以有效地提高字典的性能。
【发明内容】
[0007]要解决的技术问题
[0008]为了避免现有技术的不足之处，本发明提出一种基于非局部稀疏K-SVD算法的图像融合方法，将SOMP算法中解析字典的结构性和学习字典的自适应性结合起来，同时提高字典的性能。
[0009]技术方案
[0010]一种基于非局部稀疏K-SVD算法的图像融合方法，其特征在于步骤如下:
[0011]步骤1:随机选取m个士大小的块，对每一个所选块，以光栅扫描的顺序逐像素对PXq大小的窗口进行划分，得到(P-A + 1)如-‘ + I)个块，然后基于欧式距离，计算当前所选块与其对应的(/;-7^ + ι).0-ν^ + ι)个块的距离，按照距离从小到大，选择最相似的块r个块；每个块及其相似块拉直成列向量后依次首尾相接组成新的向量，得到一个(r+1).nXm大小的矩阵；
[0012]步骤2:使用稀疏K-SVD算法进行字典学习，得到稀疏K-SVD字典；
[0013]步骤3:按照‘大小的块由左上角到右下角，以光栅扫描的顺序逐像素对图像Ik进行划分，划分后将块进行拉直，得到一个矩阵{viawin一”，其中，k表示待融合图像的标号，i表示列向量的标号，η表示列向量的维数，M和N分别表示待融合图像的行数和列数；
[0014]步骤4:在整个矩阵中V」,j = ltok,寻找与第一个矩阵中丨C1P的每一个列向量V1V = \to(nx((M-yfn+\)-(i\ - 士 +丨))).^相似的r个列向量，即计算第一个矩阵的某一列向量与整个矩阵中的列向量的欧式距离，按照距离从小到大，选择r个列向量，并分为一组，把组内的向量按照与ν?的距离从小到大的顺序，依次首尾相接组成一个新的向量；对于第二个矩阵及其之后的矩阵'，j = 2tok，取与第一个矩阵对应的分组即可，这样，得到K个新的矩阵M }^-Am"-；
[0015]步骤5:对于K个不同图像在同一位置i处的向量Mt1按照SOMP算法使用稀疏K-SVD算法生成的字典进行稀疏分解，得到其各自的稀疏表示0:
【权利要求】
1.一种基于非局部稀疏K-SVD算法的图像融合方法，其特征在于步骤如下: 步骤1:随机选取m个士X士大小的块，对每一个所选块，以光栅扫描的顺序逐像素对PXq大小的窗□进行划分，得到+ 个块，然后基于欧式距离，计算当前所选块与其对应的(/;-‘ + 1)七/-‘ + I)个块的距离，按照距离从小到大，选择最相似的块r个块；每个块及其相似块拉直成列向量后依次首尾相接组成新的向量，得到一个(r+Ι).ηΧηι大小的矩阵； 步骤2:使用稀疏K-SVD算法进行字典学习，得到稀疏K-SVD字典； 步骤3:按照士X士大小的块由左上角到右下角，以光栅扫描的顺序逐像素对图像Ik进行划分，划分后将块进行拉直，得到一个矩阵叱丨=‘I”，其中，k表示待融合图像的标号，i表示列向量的标号，η表示列向量的维数，M和N分别表示待融合图像的行数和列数； 步骤4:在整个矩阵中Vj, j = ltok,寻找与第一个矩阵中“'-士1、、的每一个列向量V1,/ = lto(/?x((M-Vij + 1H/V-Vij" + 1)))最相似的r个列向量，即计算第一个矩阵的某一列向量与整个矩阵中的列向量的欧式距离，按照距离从小到大，选择r个列向量，并分为一组，把组内的向量按照与v(的距离从小到大的顺序，依次首尾相接组成一个新的向量；对于第二个矩阵及其之后的矩阵j = 2tok，取与第一个矩阵对应的分组即可，这样，得到K 个新的矩阵.步骤5:对于K个不同图像在同一位置i处的向量OH1按照SOMP算法使用稀疏K-SVD算法生成的字典进行稀疏分解，得到其各自的稀疏表不ocl,a2,.,.,aK ；?■ (0-^(0 ,k = arg max (丨 α,:(/)|)
k=\s2、…JC 步骤6:按照绝对值最大原则求得融合后位置i处的稀疏分解系数，得到融合后的向量V；，其中，F表示融合后的图像，D表示字典 步骤7:将融合后得到的向量冬进行r+Ι等分，将每一个等分向量重排成‘X‘的块，依次将其放在融合图像中与待融合图像对应的位置处，重叠部分取均值，图像重构，得到融合图像IF。
2.根据权利要求1所述基于非局部稀疏K-SVD算法的图像融合方法，其特征在于:使用稀疏K-SVD算法产生字典时的参数设置为:DCT基字典的大小为(r+1) *64X100，目标原子的个数为200,目标信号的稀疏度为20,目标原子的稀疏度为10,迭代的次数为10。
【文档编号】G06T5/50GK104200451SQ201410430771
【公开日】2014年12月10日 申请日期:2014年8月28日 优先权日:2014年8月28日
【发明者】李映, 李方轶, 张培 申请人:西北工业大学