1.基于低秩稀疏分解和PCNN的图像融合方法,其特征在于,包括如下步骤:(1)首先采集训练样本数据Y;
(2)通过字典学习模型对采集到的样本数据Y进行训练,得到低秩成分Yl和稀疏成分Ys,对低秩成分Yl和稀疏成分Ys分别分割成若干图像块得到对应的低秩训练集Xl和稀疏训练集Xs;
(3)通过K‑SVD算法分别对低秩训练集Xl和稀疏训练集Xs进行学习得到低秩字典Dl和稀疏字典Ds;
(4)基于低秩字典Dl和稀疏字典Ds形成低秩稀疏分解模型,利用低秩稀疏分解模型将待融合的图像分别进行分解得到对应的低秩部分和稀疏部分,再进行融合;
所述低秩稀疏分解模型为:
其中,Al表示低秩成分Yl在低秩字典Dl上编码系数,As为稀疏成分Ys在稀疏字典Ds上的m×n m×n
编码系数;Y∈R 为给定的原图像,R 表示原图像的大小为m×n并且原图像的每个像素m×n
点的取值是在实数域的范围内,Yl,Ys∈R ,分别表示图像中的低秩成分和稀疏成分,||·||F为F范数运算符,||Yl||*和||Ys||1分别为低秩成分和稀疏成分的正则项,||·||*为核范数,表示矩阵的奇异值之和,||·||1为l1范数,表示矩阵元素的绝对值之和,λ为权衡参数;
所述步骤4中图像融合的具体过程为:将每张待融合图像分解得到低秩部分和稀疏部分,并将低秩部分和稀疏部分分别分成T个低秩图像块和T个稀疏图像块;利用低秩字典Dl求出每张待融合图像的T个低秩图像块的低秩编码系数,对每张待融合图像对应相同的图像块进行低秩编码系数选择,采用绝对值取大策略来选择l1范数最大的低秩编码系数,将选择出来的低秩编码系数作为融合图像对应图像块的低秩编码系数,再通过T个图像块的低秩编码系数重构出处理后的低秩融合结果的低秩编码系数αF,l;利用稀疏字典Ds求出每张待融合图像的T个稀疏图像块的稀疏编码系数,再采用PCNN方法对比得出待融合图像的每个图像块的稀疏编码系数,进而得出T个图像块的稀疏编码系数,通过T个图像块的稀疏编码系数重构出处理后的稀疏融合结果的稀疏编码系数αF,s;融合后的图像XF=DlαF,l+DsαF,s。
2.根据权利要求1所述的基于低秩稀疏分解和PCNN的图像融合方法,其特征在于,所述训练样本数据Y包括N幅图像,其中N幅图像包括一副医学图像、一幅人物图像和一幅建筑物图像。
3.根据权利要求1所述的基于低秩稀疏分解和PCNN的图像融合方法,其特征在于,所述字典学习模型为:
由低秩成分Yl得到的低秩训练集Xl={Il1,Il2,…,IlN}由稀疏成分Ys得到的稀疏训练集Xs={Is1,Is2,…,IsN}其中,N为采集的图像幅数,Ili和Isi分别表示从第i幅图像中分割得到的低秩图像块和稀疏图像块,i=1,2,…,N,是通过以t×t为大小的滑动窗口对N幅图像的每一幅图像采集T个图像块。
4.根据权利要求1所述的基于低秩稀疏分解和PCNN的图像融合方法,其特征在于,所述步骤3中利用K‑SVD算法分别对低秩训练集Xl和稀疏训练集Xs进行学习得到低秩字典Dl和稀疏字典Ds:
其中,低秩字典Dl=[d1,d2,…,dn],稀疏字典 d1,d2,…,dn和分别表示字典Dl和Ds中的原子,αl表示低秩训练集Xl在低秩字典Dl下的编码系数,αs表示稀疏训练集Xs在稀疏字典Ds下的编码系数。