[发明专利]基于一致性约束非负稀疏表示的多聚焦图像融合方法

权利要求书

1.一种基于一致性约束的非负稀疏表示的多聚焦图像融合方法，其特征在于，包括如下步骤：

(1)输入经过配准的源图像I_A和I_B，其中，I_A∈R^M×L，I_B∈R^M×L，M表示源图像I_A和I_B的宽度，L表示源图像I_A和I_B的高度；

(2)构建源图像I_A的向量化矩阵Y_A和源图像I_B的向量化矩阵Y_B：

(2a)采用大小为n₁×n₂的窗口，按照从左到右，从上到下的顺序对输入的两幅相同大小的源图像I_A和I_B进行无重叠的遍历，得到N个无重叠的子图像块，其中，n₁表示窗口的宽度所包含的像素个数，n₁≥2；n₂表示窗口的高度所包含的像素个数，n₂≥2；N＝M₁×L₁，M₁表示M包含的无重叠子图像块的个数，L₁表示L包含的无重叠子图像块的个数，表示不小于的最小整数，表示不小于的最小整数；

(2b)按照字典语义顺序，对N个无重叠的子图像块中的每个子图像块进行向量化，得到源图像I_A的向量化矩阵Y_A和源图像I_B的向量化矩阵Y_B，其中表示源图像I_A的向量化矩阵Y_A的第i列，表示源图像I_B的向量化矩阵Y_B的第i列，

(3)构建基于一致性约束的非负稀疏表示的稀疏编码模型：

对非负稀疏表示模型的非负稀疏表示系数增加拉普拉斯一致性先验约束，得到一致性约束的非负稀疏表示的稀疏编码模型：

其中，Y表示源图像向量化矩阵，Y＝[y₁,…,y_t,…,y_P]∈R^n×P，y_t表示Y中的第t列，y_t∈R^n×1，t∈[1,P]，P表示Y中的列的个数；D表示非负字典，D＝[d₁,…,d_k,…,d_K]∈R^n×K，K为字典原子个数；X表示非负稀疏表示系数，X＝[x₁,…,x_t,…,x_P]∈R^K×P；X≥0表示非负稀疏表示系数X中的每个元素是非负的；||Y-DX||_F表示Y-DX的Frobenius范数；||X||₁为X的l₁范数，表示矩阵中所有元素的绝对值之和；λ表示控制稀疏性约束权重的惩罚因子；β表示控制一致性约束的权重惩罚因子；X^T表示X的转置；x_t表示非负稀疏表示系数X的第t列，t∈[1,P]，x_m表示非负稀疏表示系数X的第m列，m∈[1,P]，y_t表示源图像向量化矩阵Y的第t列，y_m表示源图像向量化矩阵Y的第m列，σ为高斯核尺度参数，L∈R^P×P表示拉普拉斯因子，L＝C-W，对称矩阵W∈R^P×P，构建方式为W(t,m)＝ω_tm，W(t,m)表示对称矩阵W在(t,m)位置处的元素值，对角矩阵C∈R^P×P，C(t,t)表示对角矩阵C在(t,t)处的元素值；

(4)利用具有自适应惩罚因子的线性迭代方向算法对一致性约束的非负稀疏表示的稀疏编码模型进行求解，得到源图像I_A的非负稀疏表示系数和源图像I_B的非负稀疏表示系数

其中，

(5)构建图像块级标记矩阵

利用源图像I_A的非负稀疏表示系数和源图像I_B的非负稀疏表示系数构建图像块级标记矩阵

(6)利用图像块级标记矩阵源图像I_A的向量化矩阵Y_A和源图像I_B的向量化矩阵Y_B构建源图像I_A和I_B的融合图像I_F：

(6a)按照从左上角到右下角的顺序对图像块级标记矩阵进行重塑，得到标记向量

(6b)利用标记向量构建融合图像对应的向量化矩阵Y_F：

其中，

(6c)利用融合图像对应的向量化矩阵Y_F构建源图像I_A和I_B的融合图像I_F：

将Y_F中的每一列重塑为n₁×n₂的图像块，并根据每一个图像块在源图像I_A和源图像I_B中对应的空间位置对该图像块进行叠加，得到源图像I_A和源图像I_B的融合图像I_F。