[发明专利]一种基于判别字典学习的多源图像融合去噪的方法

说明书

本发明涉及一种基于判别字典学习的多源图像融合去噪的方法；首先采集多源图像作为训练样本，通过K‑SVD算法学习样本，得初始卡通字典和初始纹理字典，引入加权核范数约束提出新的字典学习模型，新字典学习模型学习，得到卡通字典和纹理字典，利用MCA算法分解待融合图像，得到卡通成分和纹理成分，对卡通成分引入加权Schatten稀疏核范数约束，对纹理成分添加灰度直方图梯度保护，提出新的图像分解模型，迭代此模型得到卡通稀疏编码系数和纹理稀疏编码系数，根据对应成分的稀疏编码系数l₁范数值最大原则，分别融合得卡通成分和纹理成分，再将两部分相加得到最终融合图像，本发明方法实现图像的融合与去噪，避免传递虚假信息，减少耗时，提升融合去噪性能。

技术领域

本发明涉及一种基于判别字典学习的多源图像融合去噪的方法，属于数字图像处理技术领域。

背景技术

图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术处理等，最大限度的提取各自信道中的有利信息并去除冗余信息，最后综合生成高质量的图像，来提高图像信息的利用率、改善计算机解译精度和可靠性、提升源图像的光谱分辨率和光谱利用率。现已应用到日常生活的方方面面，小到医疗方面的医学成像、小区的安全监控等应用，大到国家的航空航天、军事国防等领域。

近年来，图像融合技术受到了研究者的广泛关注，并提出了许多融合方法。大多数的融合方法都是像素级的，像素级的融合方法大致可分为两类——基于空间域变换的融合算法和基于变换域变换的融合算法。基于空间域变换的融合算法将亮度值作为特征进行融合，可通过分块或分割的方法把图像分成多个小区域，选择空间频率、梯度能量等作为衡量区域显著度的活动级测量准则，之后利用“系数平均值”、“系数取大”等融合规则进行区域融合；它充分利用了图像的结构信息指导融合，因此可以克服像素级融合对噪声敏感等缺点，但仍存在块效应等问题。基于变换域变换的融合算法将图像在变换域的系数作为显著性特征进行融合，包括基于多分辨率分析的方法，以金字塔变换、小波变换、多尺度几何分析为代表。由于图像的显著性特征在变换域比在空间域能更好地被描述，因此变换域算法相对空间域算法性能更好，但其算法耗时、效率较低。不过，随着计算机软硬件性能的提高，这一问题将逐步被弱化。而近几年来，随着压缩感知技术的兴起，基于稀疏表示的图像融合技术被推向了一个新的高度。其中，判别式字典学习算法由于解决了解析式字典自适应能力和表达能力差的缺点，因此得到了较为广泛的应用，在当前的图像融合方法中，大多数研究都是假设待融合的多源图像是在清晰无噪的情况下取得的，这类算法通常功能单一，不能直接对不同环境条件下所采集的多源图像即可能含有噪声的多源图像进行融合处理。

发明内容

本发明的目的在于提供一种基于判别字典学习的多源图像融合去噪的方法，用以解决现有技术对于多源图像去噪融合困难的问题。

本发明的技术方案：首先采集多源图像作为训练样本，通过K-SVD算法先对训练样本学习得到初始卡通字典和初始纹理字典，为了提高字典的判别性和表达能力，通过引入加权核范数约束提出一种新的字典学习模型，根据提出的字典学习方法利用初始字典和训练样本学习，得到卡通字典和纹理字典；然后利用MCA算法将待融合的多源含噪图像分解得到卡通成分和纹理成分，通过对卡通成分引入加权Schatten稀疏核范数约束，对纹理成分添加灰度直方图梯度保护提出一种新的图像分解模型，确保不同成分成功分离，对此模型进行迭代，得到卡通稀疏编码系数和纹理稀疏编码系数；最后，根据对应成分的稀疏编码系数l₁范数值最大原则来选取融合图像的编码系数，分别融合得到卡通成分和纹理成分，最后将两部分相加后便得到最终的融合去噪图像。

本发明基于判别字典学习的多源图像融合去噪的方法，具体操作步骤如下：