《一种基于非局部稀疏KSVD算法的图像融合方法.pdf》由会员分享，可在线阅读，更多相关《一种基于非局部稀疏KSVD算法的图像融合方法.pdf（7页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 104200451 A (43)申请公布日 2014.12.10 CN 104200451 A (21)申请号 201410430771.4 (22)申请日 2014.08.28 G06T 5/50(2006.01) (71)申请人 西北工业大学 地址 710072 陕西省西安市友谊西路 127 号 (72)发明人 李映 李方轶 张培 (74)专利代理机构 西北工业大学专利中心 61204 代理人 王鲜凯 (54) 发明名称 一种基于非局部稀疏 K-SVD 算法的图像融合 方法 (57) 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-。
2、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。
3、融合效果也得 到了提高。 (51)Int.Cl. 权利要求书 1 页 说明书 4 页 附图 1 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书1页 说明书4页 附图1页 (10)申请公布号 CN 104200451 A CN 104200451 A 1/1 页 2 1. 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 pq 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。
4、块 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)nm 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， 得到一个矩阵其中， k 表示待融合图 像的标号， 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 ： 在整个矩阵中 vj,j 1tok， 寻找与第一个矩阵中的每一个 列向量最相似的 r 个列向量， 即计算第一个矩阵的 。
5、某一列向量与整个矩阵中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 ； 对于第二个矩阵及其之后的矩阵vj,j2tok， 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 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。
6、+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。 2. 根据权利要求 1 所述基于非局部稀疏 K-SVD 算法的图像融合方法， 其特征在于 ： 使 用稀疏 K-SVD 算法产生字典时的参数设置为 ： DCT 基字典的大小为 (r+1)*64100， 目标原 子的个数为 200， 目标信号的稀疏度为 20， 目标原子的稀疏度为 10， 迭代的次数为 10。 权 利 要 求 书 CN 104200451 A 2 1/4 页 3 一种基于非局部稀疏 K-SVD 算法的图像融合方法 技术领域 0001。
7、 本发明属于计算机图像处理领域， 涉及一种基于非局部稀疏 K-SVD 算法的图像融 合方法。 背景技术 0002 图像融合是把对同一目标或场景用不同传感器所获得的图像或用不同方式获得 的图像融合成一幅图像， 在这幅图像中能反应多重原始图像中的信息， 能对场景描述得比 任何单一源图像都更精确、 更全面。图像融合主要是通过对多幅图像间冗余数据的处理来 提高图像的可靠性， 通过对多幅图像间互补信息的处理来提高图像的清晰度。 0003 图像的融合过程可以发生在信息描述的不同层。通常将图像融合分为像素级融 合、 特征级融合和决策级融合。像素级图像融合方法是最重要、 最基本的图像融合方法， 它 将各幅源图。
8、像或者源图像的变换图像中的对应像素进行融合， 从而获得一幅新的图像。 0004 信号的稀疏表示理论由于其具有很好的信号表达能力， 便于信号的存储与处理， 近年来在图像处理方面获得了广泛的应用， 包括信号重构、 图像去噪和图像融合等。文献 “B.Yang,S.Li,Pixel-level image fusion with simultaneous orthogonal matching pursuit,Information Fusion,2012,13(1):10-19” 中公开了一种像素级图像融合算法， 称 之为 SOMP(Simultaneous Orthogonal Matching 。
9、Pursuit， 并行正交匹配追踪 ) 算法， 该算 法是基于稀疏分解的， 并且实现了信号分解的并行性， 可以有效提高信号分解的稳定性和 可重构性， 可用的字典包括DCT字典等解析字典和K-SVD字典等学习字典， 图像融合效果较 之其他的算法有很大的提高。然而， 解析字典具有好的结构性， 但是不具有好的自适应性， 而学习字典具有好的自适应性， 但是不具有好的结构性， 这是该算法中有关可使用字典的 一个很大的缺陷。 0005 文献 “Double Sparsity:Learning Sparse Dictionaries for Sparse Signal Approximation,IEEE 。
10、Trans.on Signal Processing,2010,58(3):1553-1564” 中公开了一 种称之为稀疏 K-SVD 的字典生成算法， 该算法通过对字典使用一般的解析字典进行稀疏分 解， 将解析字典的结构性和学习字典的自适应性有机结合， 使得字典对信号具有更好的表 达能力， 在原文中用来去除图像噪声， 取得了较好的效果。 0006 基于学习字典对信号的稀疏表示过程中， 不可避免的会受到训练样本之间的相似 性的影响。但是， 传统的基于解析的字典和基于学习的字典都没有充分利用图像的非局部 自相似性。由于在图像处理中， 稀疏表示和非局部自相似性具有很大的优势， Mairal 等提 。
11、出了一种图像去噪模型， 称之为非局部自相似性稀疏降噪模型， 这个模型充分地利用了图 像的非局部自相似性， 采用了联合稀疏表示， 提高了稀疏解的稳定性， 去噪效果不错。 因此， 充分利用图像的非局部自相似性， 组成新的样本， 在新样本上进行稀疏字典的学习， 可以有 效地提高字典的性能。 发明内容 说 明 书 CN 104200451 A 3 2/4 页 4 0007 要解决的技术问题 0008 为了避免现有技术的不足之处， 本发明提出一种基于非局部稀疏 K-SVD 算法的图 像融合方法， 将 SOMP 算法中解析字典的结构性和学习字典的自适应性结合起来， 同时提高 字典的性能。 0009 技术方。
12、案 0010 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 ： 0011 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 pq 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 相似的块 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)nm 大小的矩阵 ； 0012 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 ； 0013 步骤 3 ： 按照大小的块由左上角到右下角， 以光栅扫。
13、描的顺序逐像素对图 像 Ik进行划分， 划分后将块进行拉直， 得到一个矩阵其中， k 表示待融 合图像的标号， 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 ； 0014 步骤 4 ： 在整个矩阵中 vj,j 1tok， 寻找与第一个矩阵中的每 一个列向量最相似的 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 ； 对于第二个矩阵及其之后的矩阵 vj,j 2tok， 取与第一个矩阵对应的。
14、分组即可， 这 样， 得到 K 个新的矩阵 0015 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 0016 0017 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 0018 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。 0019 使 用 稀 疏 K-SVD 算 法 。
15、产 生 字 典 时 的 参 数 设 置 为 ： DCT 基 字 典 的 大 小 为 (r+1)*64100， 目标原子的个数为 200， 目标信号的稀疏度为 20， 目标原子的稀疏度为 10， 说 明 书 CN 104200451 A 4 3/4 页 5 迭代的次数为 10。 0020 有益效果 0021 本发明提出的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。
16、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。 0022 本发明使用最新提出的居于非局部稀疏 K-SVD 算法产生的字典对图像信号进行 稀疏分解， 提高 SOMP 算法的精度。实验结果表明， 本发明与传统的基于解析字典和 SOMP 算 法的图像融。
17、合方法及基于学习字典和 SOMP 算法的图像融合方法相比更够得到更好的图像 融合效果。 附图说明 0023 图 1 是本发明基于非局部稀疏 K-SVD 算法的图像融合方法的处理流程图 0024 图 2 是使用稀疏 K-SVD 算法产生字典的流程图 具体实施方式 0025 现结合实施例、 附图对本发明作进一步描述 ： 0026 基于非局部稀疏 K-SVD 算法的图像融合方法的处理流程 ( 参照附图 1、 2) ： 0027 1) 随机选取 m 个大小的块， 对每一个所选块， 以 pq 大小的窗口为限制 选择 r 个与其最相似的块， 将每个块及其相似块拉直成列向量后依次首位相接组成新的向 量， 最。
18、终得到一个 (r+1)nm 大小的矩阵 ； 0028 2) 使用稀疏 K-SVD 算法进行字典学习， 得到稀疏 K-SVD 字典 ； 0029 3) 对一个图像 Ik进行划分 ： 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进行划分， 划分后将块进行拉直， 得到一个矩阵 其中， k 表示待融合图像的标号， 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 ； 0030 4) 对于第一个矩阵中的每一个列向量， 在整个矩阵中寻找除自身外与其最相似的 r 个列向量， 把这些向量分为一组， 把组内的向量依次首位相接组成一个新的向量， 对于第 二。
19、个矩阵及其之后的矩阵， 取与第一个矩阵对应的分组即可， 这样， 就可以得到 K 个新的矩 阵 ； 0031 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 说 明 书 CN 104200451 A 5 4/4 页 6 0032 0033 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 ： 0034 进一步， 我们就可以得到融合后的向量其中， F 表示融合后的图像， D 表 示字典。 0035 7)图像重构， 得到融合图像IF： 首先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。
20、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。 0036 使用稀疏 K-SVD 算法产生字典的流程 ( 参照附图 2) ： 0037 输入 ： 信号 X RNR， 基字典 ， 初始化稀疏字典表示 A0， 目标原子稀疏度 p， 目 0038 标信号稀疏度 t， 迭代次数 k。 0039 输出 ： 稀疏字典表示 A 和信号稀疏表示 ， 满足 X A。 0040 初始化 ： A: A0 0041 重复下列过程直到停止条件满足 ： 0042 1) 稀疏编码阶段 ： 对于每个样本 xi， 根据如下目标函数 0043 0044 得到其对应的稀疏表示 i； 0045 2) 稀疏字典表示更。
21、新阶段 ： 对于 A 中的每一列 Aj， j 1,2,L， 更新如下 ： 0046 Aj: 0 0047 I: 信号集合 X 中使用原子 aj的信号的索引号 0048 0049 g: g/|g|2 0050 z: XIg-aIg 0051 0052 a: a/|a|2 0053 Aj: a 0054 0055 其中， 参数设置为 ： m 为 2000， n 为 64， p 和 q 为 10， r 为 3。使用稀疏 K-SVD 算法 产生字典时的参数设置为 ： DCT 基字典的大小为 256100， 目标原子的个数为 200， 目标信 号的稀疏度为20， 目标原子的稀疏度为10， 迭代的次数为10。 使用SOMP算法对信号进行稀 疏分解时， 终止条件可以根据实际需要设定为迭代次数或者给定信号残差的阈值。 说 明 书 CN 104200451 A 6 1/1 页 7 图 1 图 2 说 明 书 附 图 CN 104200451 A 7 。