1.基于字典学习的多源受损图像融合与恢复联合实现方法,其特征在于,所述方法包括:Step1、收集多张无损图像,构建训练集;
Step2、设计字典学习模型训练样本集,得到低秩字典和稀疏字典;
Step3、确定图像分解模型,优化目标函数,得到图像的低秩编码系数矩阵和稀疏编码系数矩阵;
Step4、通过l1范数最大系数融合规则,确定低秩融合编码系数矩阵和稀疏融合编码系数矩阵;
Step5、根据Step2得到的低秩字典和稀疏字典、Step4得到的低秩融合编码系数矩阵和稀疏融合编码系数矩阵,获得最终融合图像;
所述Step2中,字典学习模型如下:
W W
其中Y是由N个图像块构成的训练样本集,Y=[y1,y2.....yN]∈R ,yi∈R (i=1,2,W×K W×K...N)是训练样本y的第i个图像块大小为 拉成的列向量;Dl∈R 、Ds∈R 分别K×N K×N表示低秩字典和稀疏字典,Zl∈R 和Zs∈R 是低秩系数与稀疏系数,K、N、W均表示正整数,λ1、λ2、λ3、λ4是平衡参数,||·||F表示F范数, 表示F范数平方,||·||*表示核范数,||·||1表示l1范数,||·||2,1表示l2,1范数;
所述Step3包括以下步骤:
Step3.1图像分解模型为:
W×P
其中,τ、βi(i=1,2,3,4)是正则化参数,X=[x1,x2,...xP]∈R ,xi(i=1,2,....P)是K×P K×P第i个像素丢失图像块;Al=[al,1,al,2,...,al,p]∈R 、As=[as,1,as,2,...,as,p]∈R 分别是完整图像X的低秩、稀疏编码系数矩阵,||·||F表示F范数, 表示F范数平方,||·||*W×K W×K表示核范数,||·||1表示l1范数,||·||2,1表示l2,1范数,Dl∈R 、Ds∈R 分别表示低秩字典和稀疏字典;W为表示正整数, 是训练样本y的第i个图像块大小,PΩ是正交算子,PΩM表示一个整体为像素丢失矩阵,K、P均表示正整数分别是完整图像X的低秩、稀疏编码系数矩阵的行数和列数;l,s分别用于区分是低秩部分还是稀疏部分;
Step3.2引入辅助变量Xl=DlAl、Xs=DsAs,则公式(2)变为公式(3):Step3.3采用交替迭代算法,求最优解:
更新X时,固定Xl、Xs不变,目标函数如下:
更新Xl时,固定X、Xs不变,目标函数如下:
其中 IW是 单位阵;
同理,更新Xs时,固定X、Xl不变,目标函数如下:其中
在更新后的X,Xl,Xs基础上,更新低秩、稀疏编码系数矩阵Al,As:所述Step4中,l1范数最大系数融合规则如下:其中,c∈[l,s],l,s,分别用于区分是低秩部分还是稀疏部分,L是待融合图像数量,每幅图像被分割成大小为 的P块图像块, 是第j幅图像的第i个图像块的低秩编码系数矩阵和稀疏编码系数矩阵, 第j幅图像的第i个图像块的低秩融合编码系数矩阵和稀疏融合编码系数矩阵。
2.根据权利要求1所述的基于字典学习的多源受损图像融合与恢复联合实现方法,其特征在于:所述Step1,以大小为 的滑动窗口将训练集分割成N个图像块构建成训练样本集,记为Y,W为正实数。
3.根据权利要求1所述的基于字典学习的多源受损图像融合与恢复联合实现方法,其特征在于:所述Step5,融合图像为:其中,Dl、Ds分别表示低秩字典和稀疏字典, 分别为低秩融合编码系数矩阵和稀疏融合编码系数矩阵,表示第j幅图像的第i个图像块的低秩融合编码系数矩阵和稀疏融合编码系数矩阵。