[发明专利]一种基于显著稀疏表示和邻域信息的多聚焦图像融合方法

权利要求书

1.一种基于显著稀疏表示和邻域信息的多聚焦图像融合方法，其特征在于，包括以下步骤：

步骤1，基于均匀网格将待融合的图像划分为图像块，并构建向量化的图像融合字典；

步骤2，进行图像显著稀疏建模，得到解图像显著稀疏模型；

步骤3，求解图像显著稀疏分解模型的参数；

步骤4，进行图像标签初始融合；

步骤5，对图像标签融合优化；

步骤6，基于优化的图像标签重构融合的图像；

步骤1包括：

将待融和的两幅图像A和图像B按照大小为P_x×P_y的网格单元均匀划分为无重叠的图像块，其中P_x和P_y分别表示横坐标方向的像素点个数和纵坐标方向的像素点个数，图像A中第i个图像块灰度值矩阵拉长为d＝P_x×P_y行1列的列向量图像B中第i个图像块灰度值矩阵拉长为d＝P_x×P_y行1列的列向量1≤i≤N，N表示图像块的总数，图像A和图像B分别转换为矩阵和其中和分别表示图像A的第N个图像块的列向量和图像B的第N个图像块的列向量；通过图像A和B的图像块列向量构造图像融和字典D为：

步骤2包括：

图像显著稀疏建模为：

在约束条件Y_A＝DX_A+Z_AD+E_A下最小化目标函数min||X_A||₁+||Z_A||₁+λ||E_A||_2,1，其中，λ为常数系数，X_A、Z_A和E_A分别表示图像A的显著稀疏模型的公共稀疏系数矩阵、显著稀疏系数矩阵和误差；

在约束条件Y_B＝DX_B+Z_BD+E_B下最小化目标函数min||X_B||₁+||Z_B||₁+λ||E_B||_2,1，X_B、Z_B和E_B分别表示图像B的显著稀疏模型的公共稀疏系数矩阵、显著稀疏系数矩阵和误差；

步骤3包括以下步骤：

步骤3-1：初始化图像A和图像B的显著稀疏模型参数：图像A和图像B的初始公共稀疏系数矩阵分别为且图像A和图像B的初始显著稀疏系数分别为和图像A和图像B的初始误差分别为和图像A和图像B的初始拉格朗日乘子系数分别为和加快收敛速度因子ρ＝1.1，收敛因子ε＝0.05，惩罚因子μ⁰＝10^-6，最大惩罚参数μ_max＝10¹⁰，迭代次数j＝0,常系数λ＝30；

步骤3-2：计算第j+1次迭代图像A的误差

其中，为的第i列，为1≤i≤N，为图像A在约束条件下的误差，G_A(:,i)为G_A的第i列，μ^j为第j次迭代的惩罚因子，为第j次迭代图像A的公共稀疏系数矩阵，为第j次迭代图像A的显著稀疏系数矩阵，为第j次迭代图像A的拉格朗日乘子；

计算第j+1次迭代图像B的误差

其中，为的第i列，为图像B在约束条件下的误差，G_B(:,i)为G_B的第i列，为第j次迭代图像B的公共稀疏系数矩阵，第j次迭代图像B的拉格朗日乘子，为第j次迭代图像B的显著稀疏系数矩阵；

步骤3-3：计算第j+1次迭代图像A的公共稀疏系数矩阵

计算第j+1次迭代图像B的公共稀疏系数矩阵

其中S为函数，函数S定义为x和τ为函数参数；

步骤3-4：计算第j+1次迭代图像A的显著稀疏系数矩阵

计算第j+1次迭代图像B的显著稀疏系数矩阵

步骤3-5：计算第j+1次迭代图像A的拉格朗日乘子

计算第j+1次迭代图像B的拉格朗日乘子

步骤3-6：计算第j+1次迭代惩罚因子μ^j+1：

μ^j+1＝min(μ^jρ,μ_max) (10)

其中ρ为收敛速度因子，μ_max为最大惩罚因子；

步骤3-7：如果收敛条件成立，则输出否则，将j更新为j+1，转入步骤3-2；

如果收敛条件成立，则输出否则，将j更新为j+1，转入步骤3-2；

步骤4包括：

定义待融合图像A的第i个图像块的聚焦参数J(A,i)为误差乘以平衡因子与显著稀疏系数矩阵乘以字典的第i列的2范数，计算公式如下：

J(A,i)＝||bE_A(:,i)+Z_AD(:,i)||₂ (11)

其中E_A(:,i)表示误差E_A的第i列，D(:,i)表示字典D的第i列；平衡因子b定义为2幅待配准图像A和B的显著稀疏系数矩阵分别与第i列字典矩阵乘积之和除以2幅待配准图像误差矩阵的第i列之和，计算公式为：

其中E_B(:,i)表示误差E_B的第i列；

定义待融合图像B第i个图像块的聚焦参数J(B,i)为误差乘以平衡因子与显著稀疏系数矩阵乘以字典的第i列的2范数，计算公式如下：

J(B,i)＝||bE_B(:,i)+Z_BD(:,i)||₂ (13)

采用2范数最大化规则融和像素；使用公式(14)构造融合标签其中表示第N个图像块的标签，每个列向量都包含了所选择源图像的对应列向量的标签，1和0分别代表该列来自于源图像A和图像B，标签融合规则为：