1.一种基于低秩分解和卷积稀疏编码的多源图像融合的方法,其特征在于:选取一组图像作为训练样本,对这组图像进行低秩分解,分解成低秩成分和稀疏成分,通过加入低秩约束提出一种新的滤波器训练模型,根据提出的滤波器训练模型进行卷积稀疏编码优化求解,并迭代更新获得训练样本图像的滤波器;
对待融合图像处理,得到融合图像:选取两幅待融合图像作为测试图像,对两幅待融合图像进行低秩分解,分别得到待融合图像的低秩成分和待融合图像的稀疏成分,对待融合图像的低秩成分和待融合图像的稀疏成分分别设计不同的融合规则:对于待融合图像的低秩成分,根据待融合图像低秩成分的能量信息变化获得低秩成分的融合决策图,再根据低秩成分的融合决策图得到融合低秩成分;对于待融合图像的稀疏成分,通过与训练样本图像获得的滤波器进行卷积稀疏分解得到待融合图像的稀疏成分的稀疏特征图,根据待融合图像的稀疏成分的稀疏特征图通过改进的拉普拉斯运算获得稀疏成分的融合稀疏特征图,通过稀疏成分的融合稀疏特征图与训练样本图像获得的滤波器进行卷积运算得到融合稀疏成分;最后将得到的融合低秩成分与融合稀疏成分进行相加得到测试图像的融合图像;
对待融合图像处理,得到融合图像的步骤如下:
Step3、选取两张待融合的图像作为测试图像,分别为待融合图像YA、待融合图像YB,对待融合图像YA、YB分别进行低秩分解,分别得到低秩成分 和稀疏成分 其中,分别表示待融合图像YA的低秩成分、稀疏成分, 分别表示待融合图像YB的低秩成分、稀疏成分;
Step4、根据低秩成分 设计融合规则:根据待融合图像低秩成分的能量信息变化获得低秩成分的融合决策图,再根据融合决策图得到融合低秩成分,低秩成分的融合规则设计如下:其中, 表示低秩成分在(m,n)处的融合决策图, 表示低秩成分 在(m,n)处的能量值, 表示低秩成分 在(m,n)处的能量值, 表示低秩成分 在(m,n)处的灰度值, 表示低秩成分 在(m,n)处的灰度值, 表示低秩成分 和 在(m,n)处的融合低秩成分;
Step5、根据稀疏成分 设计融合规则:首先,将稀疏成分 分别进行卷积稀疏分解,分解得到稀疏成分 在(m,n)处的稀疏特征图Gi,A(m,n)和稀疏成分 在(m,n)处的稀疏特征图Gi,B(m,n),卷积稀疏分解公式计算如下:其中, 表示待融合图像YA的稀疏成分, 表示待融合图像YB的稀疏成分,fi(i=1,2,B N)为N个滤波器,Gi,A(m,n)表示稀疏成分 在(m,n)处的第i个稀疏特征图,Gi,B(m,n)表示稀疏成分 在(m,n)处的第i个稀疏特征图,令 Gi(m,n)表示稀疏成分 在(m,n)处的第i个稀疏特征图,Gm,n表示在(m,n)处的i个稀疏特征图的累加和,则改进的图像拉普拉斯算子表示为:式中,MLm,n表示改进后的在(m,n)处的稀疏特征图的拉普拉斯运算,SMLm,n表示在(m,n)处的稀疏特征图的拉普拉斯运算和,参数W用于确定拉普拉斯值累加窗口大小的大小,窗口大小为(2W+1)×(2W+1),参数r为拉普拉斯算子值,根据如下表达式可以得到稀疏成分的融合稀疏特征图在(m,n)处的灰度值:其中, 表示稀疏成分在(m,n)处的融合决策图,SMLA(m,n)和SMLB(m,n)分别表示稀疏成分 在(m,n)处的稀疏特征图的SML值,Gi,F(m,n)表示稀疏成分在(m,n)处的第i个融合稀疏特征图,再联合滤波器fi(i=1,2,B N)进行卷积运算,得到稀疏成分 和 在(m,n)处的融合稀疏成分 表达式如下:Step6、将Step4中得到的融合低秩成分 和Step5中得到的融合稀疏成分 相加,得到测试图像的融合图像YF:
2.根据权利要求1所述的基于低秩分解和卷积稀疏编码的图像融合的方法,其特征在于:所述训练样本图像的滤波器具体步骤如下:Step1、选取一组图像{X1,X2,...,XK}作为训练样本,对这组训练的k幅图像进行低秩分解,可以分解成低秩成分 和稀疏成分 其中, 表示第k幅训练图像的低秩成分,表示第k幅训练图像的稀疏成分;滤波器训练模型表示如下:其中,{fi}i=1,2,B N表示N个滤波器,滤波器大小为d×d,d表示表示滤波器的行数及列m×n数;Zk,i∈R 表示第k幅图像中第i个稀疏特征图,R表示空间域,m表示行数,n表示列数;Xk表示第k幅训练图像,λ1、λ2表示正则化参数,用来调整正则化程度, 表示卷积运算符,表示Frobenius范数平方运算符,|| ||*表示核范数,|| ||1表示l1范数运算符。
3.根据权利要求2所述的基于低秩分解和卷积稀疏编码的图像融合的方法,其特征在于:所述滤波器训练模型的求解具体为:Step2、求解一个变量时,将其他变量固定,首先求解 的最优解,固定 更新 通过奇异值收缩算法,求解 的目标函数可写为:在式(2)中,固定 fi,Zk,i,更新 得到 的目标函数为:
在式(3)中,对 求偏导,可以得到如下闭合解的形式:
在式(4)中,固定 fi,更新Zk,i,得到Zk,i的目标函数为:
在式(5)中,固定 Zk,i,更新fi,得到fi的目标函数为:
上述所有的求解过程均需要进行迭代更新获得最优解,通过输入初始稀疏成分 初始低秩成分 初始滤波器fi,初始稀疏特征图Zk,i,参数λ1,λ2,进行迭代更新,最终输出N个滤波器fi(i=1,2,B N)。