[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

说明书

本发明提出了一种基于一致性约束非负稀疏表示的多聚焦图像融合方法，用于解决现有技术中存在的融合图像清晰度低和融合复杂度较高的技术问题。其实现步骤是：输入经过配准的源图像；构建源图像的向量化矩阵；构建基于一致性约束的非负稀疏表示的稀疏编码模型；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，得到源图像的非负稀疏表示系数；利用源图像的非负稀疏表示系数构建图像块级标记矩阵；利用图像块级标记矩阵构建融合图像。本发明能够提高融合图像的清晰度的同时降低融合复杂度，可用于环境监测，清晰图像重建等领域。

技术领域

本发明属于图像处理技术领域，涉及一种多聚焦图像融合方法，具体涉及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，可用于环境监测，清晰图像重建等领域。

技术背景

图像融合是指检测并提取同一场景的两幅或多幅源图像的特征，经过特定的融合规则，将提取的输入图像的特征融合到一幅图像中，得到的融合图像同任一源图像相比，增加了图像的信息量，提高了图像的清晰度，更加有利于全面、准确地获取图像中目标或场景信息，随着各种成像传感器的不断涌现，图像融合技术也得到了较快发展，图像融合技术也越来越多的应用在计算机视觉、医学成像与诊断、环境监测等相关领域。

多聚焦图像融合是图像融合的一个重要分支，通过多聚焦图像融合，将源图像中的聚焦区域提取出来，然后融合成一幅融合图像，融合后的图像与任一源图像相比包含有更多的清晰区域，因此能够更准确的描述被拍摄的场景。多聚焦图像融合的重点和难点在于对源图像聚焦区域完整一致地提取。

由于稀疏表示理论在图像去燥，图像分类和人脸识别领域的良好表现，很多研究学者将稀疏表示理论应用在图像融合领域。“B.Yang,S.Li,Multi-focus image fusionand restoration with sparse representation,IEEE Transactions onInstrumentation and Measurement,vol.59,no.4,pp.884-892,2010.”最早将稀疏表示模型(SR)应用在多聚焦图像融合领域，公开了一种基于稀疏表示的多聚焦图像融合方法，该方法首先利用滑动窗口技术将源图像分为重叠的子图像块，子图像块的大小与滑动窗的大小相等，然后将子图像块按照字典语义顺序拉成列向量，得到源图像的向量化矩阵，然后利用稀疏表示模型和DCT字典对源图像的向量化矩阵进行稀疏编码，得到源图像的稀疏表示系数，最后将稀疏表示系数的l₁-范数定义为聚焦衡量指标，并利用“取大”的融合规则构建最终的融合图像。然而，该融合方法由于在源图像的稀疏编码过程中仅仅对源图像的稀疏表示系数进行稀疏约束，导致源图像的稀疏表示系数中既存在正数也存在负数，负数的存在使得对源图像重构的过程中图像特征之间会出现抵消，导致对源图像特征提取的不完整，使得最终的融合图像的清晰度降低。针对这种问题“J.Wang,J.Peng,et al.,Fusionmethod for infrared and visible images by using non-negative sparserepresentation,Infrared Physics&Technology,67(2014)477-489.”公开了一种基于非负稀疏表示模型(NNSR)的红外与可见光图像融合方法，该方法首先利用滑动窗口技术将源图像分为重叠的子图像块，子图像块的大小与滑动窗的大小相等，然后将子图像块按照字典语义顺序拉成列向量，得到源图像的向量化矩阵，然后利用非负稀疏表示模型对源图像的向量化矩阵进行稀疏编码，得到源图像的非负稀疏表示系数，然后利用源图像的非负稀疏表示系数以及对应的融合规则构建最终的融合图像，不同于基于稀疏表示模型的融合方法中只对稀疏表示系数进行稀疏约束，该融合方法中利用非负稀疏表示模型对源图像进行稀疏编码，对稀疏表示系数增加稀疏和非负约束，非负约束与输入图像数据的非负特性十分吻合，因而，该融合方法能够更好地提取源图像中的特征。