[发明专利]一种基于非局部稀疏K‑SVD算法的图像融合方法

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。

主权项

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个大小的块，对每一个所选块，以光栅扫描的顺序逐像素对p×q大小的窗口进行划分，得到个块，然后基于欧式距离，计算当前所选块与其对应的个块的距离，按照距离从小到大，选择最相似的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)in×m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K个矩阵每一个矩阵为其中，k表示待融合图像的标号，共有K张图像，i表示列向量的标号，n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：在第一个矩阵中寻找每一个列向量与除自身之外的列向量最相似的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除自身外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的距离从小到大的顺序，依次首尾相接组成一个新的向量，得到一个新的矩阵对于第二个矩阵及其之后的矩阵对每一个列向量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αFi(t)=αk^i(t),k^=argmaxk=1,2,...,K(|αki(t)|)]]>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进行r+1等分，将每一个等分向量重排成的块，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。