欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020104259260
申请人: 昆明理工大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于判别字典学习和形态成分分解的多源图像融合方法,其特征在于:具体步骤如下:

1)构建字典学习的训练样本:选取8个HR训练样本用来训练高分辨率图像判别字典对,然后进行降采样,再通过双三次插值法上采样恢复为与高分辨率图像相同大小的图像作为相应的LR训练图像;

2)随机生成初始字典:提出一种新的字典学习方法,用于将输入图像分解为低秩和稀疏分量,为同步实现图像融合与超分辨率重建,联合训练一对HR字典和一对LR字典,以及高、低分辨率图像块的编码系数之间的系数转换矩阵H,一对HR字典为Dh,l和Dh,s,一对LR字典为Dl,l和Dl,s;

3)从步骤2)中得到低秩字典Dl,l和稀疏字典Dl,s后,取成对的LR图像,分解LR图像块Yl得到低秩、稀疏编码系数Al,l和Al,s;

4)通过步骤3)得到的LR编码系数Al,s,Al,l和步骤2)中得到的转换矩阵H,采用“绝对值最大”方法构造HR融合图像的编码系数 和 最后得到高分辨率的融合图像块。

2.根据权利要求1所述的基于判别字典学习和形态成分分解的多源图像融合方法,其特征在于,所述步骤2)包括如下步骤:Step2.1利用构建好的训练样本学习字典,提出的判别字典学习模型如下:和 是HR图像的低秩字典和稀疏字

典,Xh是高分辨率训练图像,Xl是相应的低分辨率图像,此外,低分辨率低秩、稀疏字典用Dl,l和Dl,s表示,其中 M×K代表了矩阵维度是M行K列的,ε1、ε2、ε3和ε4控制不同字典中每个原子幅度的常数,Zl,l和Zl,s是Xl在字典Dl,l和Dl,s下的编码系数,而Zh,l和Zh,s是分别是Xh在字典Dh,l和Dh,s的编码系数,H是Zl,i和Zh,i(i=l,s)之间的转换矩阵;||·||F为F范数运算符;Ψ(H,Zl,l,Zh,l,Zl,s,Zh,s)和Φ(Dl,l,Dh,l,Zl,l,Zh,l,Zl,s,Zh,s)是判别正则项,确保学习字典Dl,l、Dh,l、Dl,s和Dh,s的判别能力;

通过双三次插值处理将LR图像设置成与HR图像相同的大小,那么,LR图像和HR图像的编码系数之间的关系描述为:式(2)中λ1,λ2和λ5是正则化参数;

在式(2)中, 用于避免过度拟合, 是一个关系变换项,用于表示稀疏分量编码系数之间的关系,其中||·||F为F范数运算符,在LR图像及其对应的HR图像中, 用于建立Zh,l和Zl,l之间的关系,显然低秩分量之间具有很强的线性相关性,并且同一编码系数向量中的每个元素具有相似的值,基于这一事实,引入了全为

1的矩阵 并利用正则项 来描述低秩分量编码系数的特性;

定义如下正则项:

式(3)中λ3和λ4是正则化参数,||Dh,lZh,l||*和||Dl,lZl,l||*用于确保从输入图像对分离的Dh,lZh,l和Dl,lZl,l是低秩的,其中||·||*为核范数运算符,在获得低秩分量之后,通过Xi‑Di,lZi,l获得稀疏分量,其中Xi表示输入源数据,因此,判别表示词典学习的目标函数表述为:Step2.2字典学习模型的优化求解

需求解变量Dl,l、Dl,s、Dh,l、Dh,s、Zh,s、Zh,l、Zl,s、Zl,l和H,它们是非凸的,难以直接求解,如果在其他变量固定的时候求解其中一个变量,每个子问题就是凸函数,因此,用交替迭代方法依次求解(4)中每个变量;

Step2.2.1引入四个变量矩阵Xh,s、Xh,l、Xl,s和Xl,l,即训练输入的高分辨率图像的稀疏成分和低秩成分以及低分辨率图像的的稀疏成分和低秩成分,将式(4)中的优化问题转化为:Step2.2.2更新Xh,s、Xh,l和编码系数矩阵Zh,s和Zh,l:首先,固定其他变量,更新Xh,s,则式(5)转换为如下表达式:上式有如下闭合解形式:

同理,固定其他变量,Xh,l的求解形式如下:

通过SVT算法可有效求解式(8);

更新完Xh,s和Xh,l后,进一步更新编码系数矩阵Zh,s和Zh,l:式(9)中 式(9)属于l1极小化问题,采用

两步迭代收缩/阈值算法来求解,对于式(10),求解结果如下:Step2.2.3更新Xl,s,Xl,l和编码系数矩阵Zl,s和Zl,l,首先固定其他变量,优化Xl,s和Xl,l,求解表达式分别如下:其中 式(13)用SVT算法可有效求解;

进一步地,通过固定其他变量,得到Zl,s更新表达和Zl,l闭合解形式如下:其中 同理用TwIST算法求解(14);

Step2.2.4更新转换矩阵H:固定其他变量矩阵不变,由式(5)得到H的更新表达式如下:式(16)均为F范数,通过对H求偏导,得到关于H的如下表达式:上述式子,通过MATLAB的Sylvester函数可有效求解H;

Step2.2.5更新字典对Dh,s、Dh,l和Dl,s、Dl,l,固定其他变量不变,用拉格朗日对偶法求解字典变量,得到Dh,s和Dh,l的更新表达式如下:同理,Dl,s和Dl,l闭合解表达式如下:

在上述四个表达式中,Λ1、Λ2、Λ3和Λ4是对应的最优对偶变量的对角矩阵。

3.根据权利要求2所述的基于判别字典学习和形态成分分解的多源图像融合方法,其特征在于,所述步骤3)包括如下步骤:Step3.1得到低秩字典Dl,l、稀疏字典Dl,s后,取成对的LR图像,以(n×n)为大小的滑动窗口采集N个图像块数据,每个图像块数作为一个列向量,再将列向量组成矩阵,分解LR图像块Yl得到低秩、稀疏编码系数Al,l和Al,s,低秩、稀疏分解模型如下所示:式中Al,l(i,j)是Al,l的第(i,j)个值,如果将Al,l中的每一行中的值作为一个组,则最小化||Al,l||2,1将使得Al,l的每行中的值相同,从不等式R(AB)≤min{R(A),R(B)},R表示矩阵的秩,可以知道最小化||Al,l||2,1可以进一步保证Dl,lAl,l的低秩,并避免由于最小化||Dl,lAl,l||*引起的一些缺陷;

Step3.2分解模型的求解,对于图像分解模型(22),同样采用交替迭代法来求解,更新Al,s和Al,l;

Step3.2.1引入变量Yl,l和Yl,s,即LR图像块的低秩成分和稀疏成分,式(22)可以转换成为:Step3.2.2更新Yl,s和Yl,l:首先固定Yl,l,Al,l和Al,s,Yl,s更新表达式如下:同理用TwIST算法求解关于Yl,s的l1范数的最优化问题;

进一步地,固定Yl,s,Al,l和Al,s,Yl,l更新表达式如下:式(25)中

Step3.2.3优化稀疏编码系数Al,s和Al,l,更新表达式如下:式(26)是l1范数最优化问题,采用TwIST算法求解,式(27)是l2,1范数最优化问题。

4.根据权利要求3所述的基于判别字典学习和形态成分分解的多源图像融合方法,其特征在于,所述步骤4)包括如下步骤:假设有N对待融合的LR图像,通过步骤2学习到的稀疏字典Dl,l,低秩字典Dl,s和转换矩阵H;步骤3的分解模型,将待融合图像进行分解得到低秩‑稀疏成分的编码系数Al,l和Al,s,令 和 分别表示LR输入图像的低秩、稀疏编码系数,则HR的低秩、稀疏融合编码系数 和 通过如下方式构造:

式(28)中M表示输入图像数量,令 则可以得

到高分辨率的融合图像块

式(29)中 Rec是一个重建操作,用于将图像块转

换成一个图像。