CN108198147B - 一种基于判别字典学习的多源图像融合去噪的方法 - Google Patents

一种基于判别字典学习的多源图像融合去噪的方法 Download PDF

Info

Publication number
CN108198147B
CN108198147B CN201810000859.0A CN201810000859A CN108198147B CN 108198147 B CN108198147 B CN 108198147B CN 201810000859 A CN201810000859 A CN 201810000859A CN 108198147 B CN108198147 B CN 108198147B
Authority
CN
China
Prior art keywords
cartoon
dictionary
texture
matrix
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810000859.0A
Other languages
English (en)
Other versions
CN108198147A (zh
Inventor
李华锋
王一棠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201810000859.0A priority Critical patent/CN108198147B/zh
Publication of CN108198147A publication Critical patent/CN108198147A/zh
Application granted granted Critical
Publication of CN108198147B publication Critical patent/CN108198147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20212Image combination
    • G06T2207/20221Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于判别字典学习的多源图像融合去噪的方法;首先采集多源图像作为训练样本,通过K‑SVD算法学习样本,得初始卡通字典和初始纹理字典,引入加权核范数约束提出新的字典学习模型,新字典学习模型学习,得到卡通字典和纹理字典,利用MCA算法分解待融合图像,得到卡通成分和纹理成分,对卡通成分引入加权Schatten稀疏核范数约束,对纹理成分添加灰度直方图梯度保护,提出新的图像分解模型,迭代此模型得到卡通稀疏编码系数和纹理稀疏编码系数,根据对应成分的稀疏编码系数l1范数值最大原则,分别融合得卡通成分和纹理成分,再将两部分相加得到最终融合图像,本发明方法实现图像的融合与去噪,避免传递虚假信息,减少耗时,提升融合去噪性能。

Description

一种基于判别字典学习的多源图像融合去噪的方法
技术领域
本发明涉及一种基于判别字典学习的多源图像融合去噪的方法,属于数字图像处理技术领域。
背景技术
图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术处理等,最大限度的提取各自信道中的有利信息并去除冗余信息,最后综合生成高质量的图像,来提高图像信息的利用率、改善计算机解译精度和可靠性、提升源图像的光谱分辨率和光谱利用率。现已应用到日常生活的方方面面,小到医疗方面的医学成像、小区的安全监控等应用,大到国家的航空航天、军事国防等领域。
近年来,图像融合技术受到了研究者的广泛关注,并提出了许多融合方法。大多数的融合方法都是像素级的,像素级的融合方法大致可分为两类——基于空间域变换的融合算法和基于变换域变换的融合算法。基于空间域变换的融合算法将亮度值作为特征进行融合,可通过分块或分割的方法把图像分成多个小区域,选择空间频率、梯度能量等作为衡量区域显著度的活动级测量准则,之后利用“系数平均值”、“系数取大”等融合规则进行区域融合;它充分利用了图像的结构信息指导融合,因此可以克服像素级融合对噪声敏感等缺点,但仍存在块效应等问题。基于变换域变换的融合算法将图像在变换域的系数作为显著性特征进行融合,包括基于多分辨率分析的方法,以金字塔变换、小波变换、多尺度几何分析为代表。由于图像的显著性特征在变换域比在空间域能更好地被描述,因此变换域算法相对空间域算法性能更好,但其算法耗时、效率较低。不过,随着计算机软硬件性能的提高,这一问题将逐步被弱化。而近几年来,随着压缩感知技术的兴起,基于稀疏表示的图像融合技术被推向了一个新的高度。其中,判别式字典学习算法由于解决了解析式字典自适应能力和表达能力差的缺点,因此得到了较为广泛的应用,在当前的图像融合方法中,大多数研究都是假设待融合的多源图像是在清晰无噪的情况下取得的,这类算法通常功能单一,不能直接对不同环境条件下所采集的多源图像即可能含有噪声的多源图像进行融合处理。
发明内容
本发明的目的在于提供一种基于判别字典学习的多源图像融合去噪的方法,用以解决现有技术对于多源图像去噪融合困难的问题。
本发明的技术方案:首先采集多源图像作为训练样本,通过K-SVD算法先对训练样本学习得到初始卡通字典和初始纹理字典,为了提高字典的判别性和表达能力,通过引入加权核范数约束提出一种新的字典学习模型,根据提出的字典学习方法利用初始字典和训练样本学习,得到卡通字典和纹理字典;然后利用MCA算法将待融合的多源含噪图像分解得到卡通成分和纹理成分,通过对卡通成分引入加权Schatten稀疏核范数约束,对纹理成分添加灰度直方图梯度保护提出一种新的图像分解模型,确保不同成分成功分离,对此模型进行迭代,得到卡通稀疏编码系数和纹理稀疏编码系数;最后,根据对应成分的稀疏编码系数l1范数值最大原则来选取融合图像的编码系数,分别融合得到卡通成分和纹理成分,最后将两部分相加后便得到最终的融合去噪图像。
本发明基于判别字典学习的多源图像融合去噪的方法,具体操作步骤如下:
(1)首先构建字典学习的训练样本:从互联网上收集一张以上的灰度图像作为训练样本,然后以滑动窗口的形式采集训练样本的数据,每个窗口(n×n)采集到数据作为一个列向量(n2×1),n为滑动窗口的大小,将采集到的数据通过MCA算法分解,得到卡通训练数据和纹理训练数据,所有采集到的卡通训练数据和纹理训练数据为两个n2维的矩阵,然后通过K-SVD算法对两个训练数据学习,得到初始卡通字典Dc1和初始纹理字典Dt1,再引入加权核范数约束提出一种新的字典学习模型进行训练,得到卡通字典Dc和纹理字典Dt,新的字典学习模型目标函数如式(1)所示:
Figure GDA0001586422680000021
式(1)中,X=[x1,x2,…,xN]∈Rm×n,X为滑动窗口采集的数据作为列向量组成的矩阵,R为空间域,X大小为n2,其中向量xi(i=1,2,…,N)为X中第i个原子,N为滑动窗口的个数,矩阵Ac=[ac,1,ac,2,…,ac,N],At=[at,1,at,2,…,at,N],分别表示卡通样本数据所对应的卡通稀疏编码系数和纹理样本数据对应的纹理稀疏编码系数,ac,i和at,i分别为卡通训练数据和纹理训练数据在字典Dc和字典Dt下第i个原子对应的稀疏编码向量,T为矩阵的转置,矩阵DcAc为从X中分离出来的卡通成分,矩阵DtAt为从X中分离出来的纹理成分,||·||F为F范数运算符,||·||2为l2范数运算符,||·||ω,*为加权核范数运算符,||·||1为l1范数运算符,||·||2为范数的平方运算符;
(2)目标函数式(1)的求解,需要通过交替迭代算法,求解一个变量时,将其他变量固定,首先求解At的最优解,将Dc、Dt和Ac固定,其中Dc、Dt视为初始字典Dc1和Dt1,求解At的目标函数可写为:
Figure GDA0001586422680000031
为便于求解,式(2)引入一个辅助变量矩阵
Figure GDA0001586422680000032
使得
Figure GDA0001586422680000033
式(2)可写为以下式(3):
Figure GDA0001586422680000034
利用交替迭代法,辅助变量矩阵
Figure GDA0001586422680000035
可通过下式求解:
Figure GDA0001586422680000036
将式(4)通过OMP算法求解,得到
Figure GDA0001586422680000037
后,通过式(5)来求解最优的At
Figure GDA0001586422680000038
通过OMP算法对式(5)求解At,得到At的最优解,
同理求解Ac的最优解,引入一个辅助变量矩阵
Figure GDA0001586422680000039
使得
Figure GDA00015864226800000310
Figure GDA00015864226800000311
和Ac分别通过求解最小化问题(6)和(7)得到;
Figure GDA00015864226800000312
Figure GDA00015864226800000313
式(6)通过WNMM算法求解,式(7)通过OMP算法求解,得到Ac的最优解,
求解Ac和At后,通过式(8)对卡通字典Dc求解
Figure GDA00015864226800000314
针对式(8),引入辅助变量Xc,使得Xc=DcAc,式(8)可写为
Figure GDA00015864226800000315
由此求解辅助变量Xc和最优Dc的目标函数分别为式(10)和式(11),
Figure GDA00015864226800000316
Figure GDA00015864226800000317
Xc通过WNMM算法求解,公式(11)的解析解如下:
Figure GDA00015864226800000318
同理求解最优字典Dt,引入辅助变量Xt和Y1,使得Xt=DtAt,Y1=Dt,目标函数如下:
Figure GDA0001586422680000041
采用交替迭代算法,通过式(14)来分别获得以上三个变量的最优解:
Figure GDA0001586422680000042
Xt通过OMP算法求解,Y1和Dt的解析解如下所示:
Figure GDA0001586422680000043
其中,I1和I2为两个单位矩阵,大小分别与
Figure GDA0001586422680000044
Figure GDA0001586422680000045
一致,
上述所有的求解过程均需要进行迭代更新获得最优解,其中,第一次迭代时所输入的两个字典为通过K-SVD算法学习得到的初始卡通字典Dc1和初始纹理字典Dt1,通过公式(12)得到卡通字典Dc后,将其代入公式(13)~(15)求解其他变量,引入的辅助变量均设为0,第二次迭代,所有变量为第一次迭代更新后得到的数据,以此类推进行迭代更新;
(3)取待融合的两张图像,首先对两张图像添加高斯白噪声,然后以滑动窗口的形式采集添加高斯白噪声后两张图像的数据,每个窗口(n×n)采集到数据作为一个列向量(n2×1),n为滑动窗口的大小,将采集的数据通过MCA算法分解,得到卡通训练数据和纹理训练数据,卡通训练数据和纹理训练数据为两个n2维的矩阵,对卡通训练数据引入加权Schatten稀疏核范数约束,对纹理训练数据添加灰度直方图梯度保护,引入一种新的图像分解模型,新的图像分解模型的目标函数如式(16)所示,
Figure GDA0001586422680000046
式(16)中,Y∈RM为滑动窗口采集的待融合的两张图像的数据作为列向量组成的矩阵,R为空间域,矩阵Dc∈RM×K,为步骤(2)求得的M行K列的卡通字典,矩阵Dt∈RM×K,为步骤(2)求得的M行K列的纹理字典,矩阵Zc=[zc,1,zc,2,…,zc,N],Zc∈RK×N代表K行N列的卡通稀疏编码系数,矩阵Zt=[zt,1,zt,2,…,zt,N],Zt∈RK×N代表K行N列的纹理稀疏编码系数,λ1是平衡参数且是一个常数为1,
Figure GDA0001586422680000051
为梯度图,E是一种增强算子,用于保持卡通信息的强度,
Figure GDA0001586422680000052
为梯度算子,hE
Figure GDA0001586422680000053
的直方图,hd
Figure GDA0001586422680000054
的期望直方图,||·||F为F范数运算符,
Figure GDA0001586422680000055
为加权Schatten稀疏核范数运算符,||·||1为l1范数运算符,||·||2为范数的平方;
(4)同理,目标函数式(16)的求解,需要通过交替迭代算法,首先固定Zt求解Zc,求解式如下:
Figure GDA0001586422680000056
引入辅助变量矩阵Ic和U,令Ic=DcZc,U=Ic,求解式为:
Figure GDA0001586422680000057
U和Ic通过WSNM算法更新迭代求解,式子如下:
Figure GDA0001586422680000058
更新求出U和Ic后,通过OMP算法通过下式求解Zc
Figure GDA0001586422680000059
得到Zc后,将Zc固定,再求解Zt,引入辅助变量矩阵It,令It=DtZt,求解式如下:
Figure GDA00015864226800000510
先固定Zt,求解It,求解公式如下:
Figure GDA00015864226800000511
通过GHP算法求解出
Figure GDA00015864226800000512
并用G表示求解结果,代入上式(22),It有如下形式的解析解:
Figure GDA0001586422680000061
上式中I为单位矩阵,大小与
Figure GDA0001586422680000062
一致,得到It后,Zt的求解式如下:
Figure GDA0001586422680000063
用OMP算法来求解,得到Zt
上述所有的求解过程均需要进行迭代更新获得最优解,其中,第一次迭代时,引入的辅助变量Ic和It初值为通过MCA算法分解得到卡通训练数据和纹理训练数据,U初值为0,第二次迭代,所有变量都是更新的,以此类推进行迭代更新;
(5)设
Figure GDA0001586422680000064
Figure GDA0001586422680000065
为步骤(4)得到的矩阵Zc和Zt的原子中最大的原子,根据对应成分的稀疏编码系数l1范数值最大原则,通过式(25)和(26)选择融合图像不同成分的编码系数;
Figure GDA0001586422680000066
Figure GDA0001586422680000067
式(25)中,
Figure GDA0001586422680000068
是矩阵Zc的第i个向量,式(26)中,
Figure GDA0001586422680000069
是矩阵Zt的第i个向量,在获得
Figure GDA00015864226800000610
Figure GDA00015864226800000611
后,则
Figure GDA00015864226800000612
然后将两张去噪后的图像进行融合,融合后的卡通成分和纹理成分分别为
Figure GDA00015864226800000613
Figure GDA00015864226800000614
因此融合后图像的块向量构成的矩阵为
Figure GDA00015864226800000615
用matlab函数将矩阵
Figure GDA00015864226800000616
重新排成图像,得到最终的融合去噪图像YF
所述步骤(1)中滑动窗口的大小n为8。
所述步骤(1)中灰度图像的边缘细节信息丰富。
所述步骤(2)的迭代次数为10次,步骤(4)的迭代次数为15次。
本发明的有益效果是:
1、本发明的图像融合去噪的方法对含噪声的多源图像的去噪效果较好。
2、本发明针对噪声图像的融合,传统方法是先去噪后再融合,这样做不仅会丢失更多的图像信息而且还会引入虚假信息传递到融合结果中,影响融合图像的视觉效果,本发明中同时实现图像的融合与去噪,避免了虚假信息的传递,还能减少耗时,提升融合结果的性能。
3、本发明提出的图像融合的方法相比其他方法融合性能明显提升。
附图说明
图1是本发明方法的流程图;
图2是本发明待融合的两张图像;
图3是本发明添加噪声的待融合的两张图像;
图4是不同方法获得的融合去噪图像,其中A为采用ASR方法获得的融合去噪图像,B为采用KIM获得的融合去噪图像,C为NSCT获得的融合去噪图像,D为NSCT-SR获得的融合去噪图像,E为Zhu-KSVD获得的融合去噪图像,F为采用本发明方法获得的融合去噪图像。
具体实施方式
下面通过附图和实施例对本发明作进一步详细说明,但本发明的保护范围不局限于所述内容。
实施例1:如图1所示,本发明提出了一种基于判别字典学习的多源图像融合去噪的方法,首先采集多源图像作为训练样本,通过K-SVD算法先对训练样本学习初始卡通字典和初始纹理字典,为了提高字典的判别性和表达能力,通过引入加权核范数约束提出了一种新的字典学习模型,根据提出的字典学习方法利用初始字典和训练样本学习得到卡通字典和纹理字典;然后利用MCA算法将待融合的多源图像分解得到卡通成分和纹理成分,此时分解得到的不同成分是比较不彻底的,通过对卡通成分引入加权Schatten稀疏核范数约束,对纹理成分添加灰度直方图梯度保护提出一种新的图像分解模型,确保不同成分成功分离,对此模型进行迭代得到卡通稀疏编码系数和纹理稀疏编码系数;最后,根据对应成分的稀疏编码系数l1范数值最大原则来选取融合图像的编码系数,分别融合得到卡通成分和纹理成分,最后将两部分相加后便得到最终的融合图像。
具体步骤如下:
(1)首先构建字典学习的训练样本:从互联网上收集一张以上的灰度图像作为训练样本,然后以滑动窗口的形式采集训练样本的数据,每个窗口(n×n)采集到数据作为一个列向量(n2×1),n为滑动窗口的大小,本实施例n为8,将采集到的数据通过MCA算法分解,得到卡通训练数据和纹理训练数据,所有采集到的卡通训练数据和纹理训练数据为两个n2维的矩阵,然后通过K-SVD算法对两个训练数据学习,得到初始卡通字典Dc1和初始纹理字典Dt1,再引入加权核范数约束提出一种新的字典学习模型进行训练,得到卡通字典Dc和纹理字典Dt,新的字典学习模型目标函数如式(1)所示:
Figure GDA0001586422680000081
式(1)中,X=[x1,x2,…,xN]∈Rm×n,X为滑动窗口采集的数据作为列向量组成的矩阵,R为空间域,X大小为n2,其中向量xi(i=1,2,…,N)为X中第i个原子,N为滑动窗口的个数,矩阵Ac=[ac,1,ac,2,…,ac,N],At=[at,1,at,2,…,at,N],分别表示卡通样本数据所对应的卡通稀疏编码系数和纹理样本数据对应的纹理稀疏编码系数,ac,i和at,i分别为卡通训练数据和纹理训练数据在字典Dc和字典Dt下第i个原子对应的稀疏编码向量,T为矩阵的转置,矩阵DcAc为从X中分离出来的卡通成分,矩阵DtAt为从X中分离出来的纹理成分,||·||F为F范数运算符,||·||2为l2范数运算符,||·||ω,*为加权核范数运算符,||·||1为l1范数运算符,||·||2为范数的平方运算符;
(2)目标函数式(1)的求解,目标函数式(1)关于变量Dc、Dt、Ac、At是非凸的,无法直接用凸优化的方法对其进行优化求解,需要通过交替迭代算法,求解一个变量时,将其他变量固定,首先求解At的最优解,将Dc、Dt和Ac固定,其中Dc、Dt视为初始字典Dc1和Dt1,求解At的目标函数可写为:
Figure GDA0001586422680000082
为便于求解,式(2)引入一个辅助变量矩阵
Figure GDA0001586422680000083
Figure GDA0001586422680000084
式(2)可写为以下式(3):
Figure GDA0001586422680000085
利用交替迭代法,辅助变量矩阵
Figure GDA0001586422680000086
可通过下式求解:
Figure GDA0001586422680000087
这是一个典型的l1范数优化问题,将式(4)通过OMP算法求解,得到
Figure GDA0001586422680000088
后,通过式(5)来求解最优的At
Figure GDA0001586422680000089
通过OMP算法对式(5)求解At,得到At的最优解,
同理求解Ac的最优解,引入一个辅助变量矩阵
Figure GDA00015864226800000810
使得
Figure GDA00015864226800000811
Figure GDA00015864226800000812
和Ac分别通过求解最小化问题(6)和(7)得到;
Figure GDA0001586422680000091
Figure GDA0001586422680000092
式(6)通过WNMM算法求解,式(7)通过OMP算法求解,得到Ac的最优解,
求解Ac和At后,通过式(8)对卡通字典Dc求解
Figure GDA0001586422680000093
针对式(8),引入辅助变量Xc,使得Xc=DcAc,式(8)可写为
Figure GDA0001586422680000094
由此求解辅助变量Xc和最优Dc的目标函数分别为式(10)和式(11),
Figure GDA0001586422680000095
Figure GDA0001586422680000096
Xc通过WNMM算法求解,公式(11)的解析解如下:
Figure GDA0001586422680000097
同理求解最优字典Dt,引入辅助变量Xt和Y1,使得Xt=DtAt,Y1=Dt,目标函数如下:
Figure GDA0001586422680000098
采用交替迭代算法,通过式(14)来分别获得以上三个变量的最优解:
Figure GDA0001586422680000099
Xt通过OMP算法求解,Y1和Dt的解析解如下所示:
Figure GDA00015864226800000910
其中,I1和I2为两个单位矩阵,大小分别与
Figure GDA00015864226800000911
Figure GDA00015864226800000912
一致,
上述所有的求解过程均需要进行迭代更新获得最优解,其中,第一次迭代时所输入的两个字典为通过K-SVD算法学习得到的初始卡通字典Dc1和初始纹理字典Dt1,通过公式(12)得到卡通字典Dc后,将其代入公式(13)~(15)求解其他变量,引入的辅助变量均设为0,第二次迭代,所有变量为第一次迭代更新后得到的数据,以此类推进行迭代更新,本实施例迭代次数为10次;
(3)取待融合的两张图像,如图2所示,首先对两张图像添加噪声水平为10的高斯白噪声,如图3所示,然后以滑动窗口的形式采集添加高斯白噪声后两张图像的数据,每个窗口(n×n)采集到数据作为一个列向量(n2×1),n为滑动窗口的大小,n为8,将采集的数据通过MCA算法分解,得到卡通训练数据和纹理训练数据,卡通训练数据和纹理训练数据为两个n2维的矩阵,对卡通训练数据引入加权Schatten稀疏核范数约束,对纹理训练数据添加灰度直方图梯度保护,引入一种新的图像分解模型,新的图像分解模型的目标函数如式(16)所示,
Figure GDA0001586422680000101
式(16)中,Y∈RM为滑动窗口采集的待融合的两张图像的数据作为列向量组成的矩阵,R为空间域,矩阵Dc∈RM×K,为步骤(2)求得的M行K列的卡通字典,矩阵Dt∈RM×K,为步骤(2)求得的M行K列的纹理字典,矩阵Zc=[zc,1,zc,2,…,zc,N],Zc∈RK×N代表K行N列的卡通稀疏编码系数,矩阵Zt=[zt,1,zt,2,…,zt,N],Zt∈RK×N代表K行N列的纹理稀疏编码系数,λ1是平衡参数且是一个常数为1,
Figure GDA0001586422680000102
为梯度图,E是一种增强算子,用于保持卡通信息的强度,
Figure GDA0001586422680000103
为梯度算子,hE
Figure GDA0001586422680000104
的直方图,hd
Figure GDA0001586422680000105
的期望直方图,||·||F为F范数运算符,
Figure GDA0001586422680000106
为加权Schatten稀疏核范数运算符,||·||1为l1范数运算符,||·||2为范数的平方;
(4)同理,目标函数式(16)的求解,需要通过交替迭代算法,首先固定Zt求解Zc,求解式如下:
Figure GDA0001586422680000107
引入辅助变量矩阵Ic和U,令Ic=DcZc,U=Ic,求解式为:
Figure GDA0001586422680000108
U和Ic通过WSNM算法更新迭代求解,式子如下:
Figure GDA0001586422680000111
更新求出U和Ic后,通过OMP算法通过下式求解Zc
Figure GDA0001586422680000112
得到Zc后,将Zc固定,再求解Zt,引入辅助变量矩阵It,令It=DtZt,求解式如下:
Figure GDA0001586422680000113
先固定Zt,求解It,求解公式如下:
Figure GDA0001586422680000114
这是标准的最小二乘问题,通过GHP算法求解出
Figure GDA0001586422680000115
并用G表示求解结果,代入上式(22),It有如下形式的解析解:
Figure GDA0001586422680000116
上式中I为单位矩阵,大小与
Figure GDA0001586422680000117
一致,得到It后,Zt的求解式如下:
Figure GDA0001586422680000118
用OMP算法来求解,得到Zt
上述所有的求解过程均需要进行迭代更新获得最优解,其中,第一次迭代时,引入的辅助变量Ic和It初值为通过MCA算法分解得到卡通训练数据和纹理训练数据,U初值为0,第二次迭代,所有变量都是更新的,以此类推进行迭代更新,迭代次数为15次;
(5)设
Figure GDA0001586422680000119
Figure GDA00015864226800001110
为步骤(4)得到的矩阵Zc和Zt的原子中最大的原子,根据对应成分的稀疏编码系数l1范数值最大原则,通过式(25)和(26)选择融合图像不同成分的编码系数;
Figure GDA00015864226800001111
Figure GDA00015864226800001112
式(25)中,
Figure GDA0001586422680000121
是矩阵Zc的第i个向量,式(26)中,
Figure GDA0001586422680000122
是矩阵Zt的第i个向量,在获得
Figure GDA0001586422680000123
Figure GDA0001586422680000124
后,则
Figure GDA0001586422680000125
然后将两张去噪后的图像进行融合,融合后的卡通成分和纹理成分分别为
Figure GDA0001586422680000126
Figure GDA0001586422680000127
因此融合后图像的块向量构成的矩阵为
Figure GDA0001586422680000128
用matlab函数将矩阵
Figure GDA0001586422680000129
重新排成图像,得到最终的融合去噪图像YF,如图4中F所示,图像视觉效果较好,去噪效果好。
实施例2:采用传统的ASR、KIM、NSCT、NSCT-SR和Zhu-KSVD方法对实施例1的添加噪声后的图像进行融合去噪,并用QMI、QG和QP对去噪结果进行评价,与本发明方法进行对比,表1为传统方法与本发明方法的去噪指标对比表,
表1传统方法与本发明方法的去噪指标对比表
Figure GDA00015864226800001210
本图像融合去噪效果的评价包括主观视觉效果和客观参数指标两方面综合评价。主观效果靠人眼观察,由3位图像处理学科的专家对图像融合结果进行评价;客观评价使用互信息QMI、基于梯度的评价指标QG和基于相位一致性的指标QP这三个参数来衡量融合效果。其中,QMI是一种基于信息论的评价方法,它是对两个随机变量相关性的一种定量测量,反映融合图像继承源图像信息量的大小,一般值越大反映融合效果越好;QG通过度量融合图像继承源图像边缘细节信息的程度来评价融合结果,取值范围是0~1,越接近1表明融合图像的边缘特性越好,QP是用来衡量源图像中显著性特征保留到融合图像的程度,数值越大,融合结果的质量越好,由表1得出,本发明方法与传统方法相比QMI值最大,QG最接近1,QP值最大,从图4看出,不同的方法具有不同的融合性能,整体上讲,本方法不仅能实现图像去噪,且在融合时没有丢失图像原有信息和引入虚假信息,保留了待融合图像的热目标与背景信息,对比度更强,具有更好的视觉效果。

Claims (3)

1.一种基于判别字典学习的多源图像融合去噪的方法,其特征在于,首先采集多源图像作为训练样本,通过K-SVD算法先对训练样本学习得到初始卡通字典和初始纹理字典,为了提高字典的判别性和表达能力,通过引入加权核范数约束提出一种字典学习模型,根据提出的字典学习方法利用初始字典和训练样本学习,得到卡通字典和纹理字典,然后利用MCA算法将待融合的多源含噪图像分解得到卡通成分和纹理成分,通过对卡通成分引入加权Schatten稀疏核范数约束,对纹理成分添加灰度直方图梯度提出一种图像分解模型,确保不同成分成功分离,对此模型进行迭代,得到卡通稀疏编码系数和纹理稀疏编码系数,最后,根据对应成分的稀疏编码系数l1范数值最大原则来选取融合图像的编码系数,分别融合得到卡通成分和纹理成分,最后将两部分相加后便得到最终的融合去噪图像;
具体步骤如下:
(1)首先构建字典学习的训练样本:从互联网上收集一张以上的灰度图像作为训练样本,然后以滑动窗口的形式采集训练样本的数据,每个窗口n×n采集到数据作为一个列向量n2×1,n为滑动窗口的大小,将采集到的数据通过MCA算法分解,得到卡通训练数据和纹理训练数据,所有采集到的卡通训练数据和纹理训练数据为两个n2维的矩阵,然后通过K-SVD算法对两个训练数据学习,得到初始卡通字典Dc1和初始纹理字典Dt1,再引入加权核范数约束提出一种字典学习模型进行训练,得到卡通字典Dc和纹理字典Dt,字典学习模型目标函数如式(1)所示:
Figure FDA0003173515710000011
式(1)中,X=[x1,x2,…,xN],X为滑动窗口采集的数据作为列向量组成的矩阵,其中向量xi(i=1,2,…,N)为X中第i个原子,N为滑动窗口的个数,矩阵Ac=[ac,1,ac,2,…,ac,N],At=[at,1,at,2,…,at,N],分别表示卡通样本数据所对应的卡通稀疏编码系数和纹理样本数据对应的纹理稀疏编码系数,ac,i和at,i分别为卡通训练数据和纹理训练数据在字典Dc和字典Dt下第i个原子对应的稀疏编码向量,T为矩阵的转置,矩阵DcAc为从X中分离出来的卡通成分,矩阵DtAt为从X中分离出来的纹理成分,||·||F为F范数运算符,||·||2为l2范数运算符,||·||ω,*为加权核范数运算符,||·||1为l1范数运算符,||·||2为范数的平方运算符;
(2)目标函数式(1)的求解,需要通过交替迭代算法,求解一个变量时,将其他变量固定,首先求解At的最优解,将Dc、Dt和Ac固定,其中Dc、Dt视为初始字典Dc1和Dt1,求解At的目标函数可写为:
Figure FDA0003173515710000021
为便于求解,式(2)引入一个辅助变量矩阵
Figure FDA0003173515710000022
Figure FDA0003173515710000023
式(2)可写为以下式(3):
Figure FDA0003173515710000024
利用交替迭代法,辅助变量矩阵
Figure FDA0003173515710000025
可通过下式求解:
Figure FDA0003173515710000026
将式(4)通过OMP算法求解,得到
Figure FDA0003173515710000027
后,通过式(5)来求解最优的At
Figure FDA0003173515710000028
通过OMP算法对式(5)求解At,得到At的最优解,
同理求解Ac的最优解,引入一个辅助变量矩阵
Figure FDA0003173515710000029
使得
Figure FDA00031735157100000210
Figure FDA00031735157100000211
和Ac分别通过求解最小化问题(6)和(7)得到;
Figure FDA00031735157100000212
Figure FDA00031735157100000213
式(6)通过WNMM算法求解,式(7)通过OMP算法求解,得到Ac的最优解,
求解Ac和At后,通过式(8)对卡通字典Dc求解
Figure FDA00031735157100000214
针对式(8),引入辅助变量Xc,使得Xc=DcAc,式(8)可写为
Figure FDA00031735157100000215
由此求解辅助变量Xc和最优Dc的目标函数分别为式(10)和式(11),
Figure FDA00031735157100000216
Figure FDA00031735157100000217
Xc通过WNMM算法求解,公式(11)的解析解如下:
Figure FDA0003173515710000031
同理求解最优字典Dt,引入辅助变量Xt和Y1,使得Xt=DtAt,Y1=Dt,目标函数如下:
Figure FDA0003173515710000032
采用交替迭代算法,通过式(14)来分别获得以上三个变量的最优解:
Figure FDA0003173515710000033
Xt通过OMP算法求解,Y1和Dt的解析解如下所示:
Figure FDA0003173515710000034
其中,I1和I2为两个单位矩阵,大小分别与
Figure FDA0003173515710000035
Figure FDA0003173515710000036
一致,
上述所有的求解过程均需要进行迭代更新获得最优解,其中,第一次迭代时所输入的两个字典为通过K-SVD算法学习得到的初始卡通字典Dc1和初始纹理字典Dt1,通过公式(12)得到卡通字典Dc后,将其代入公式(13)~(15)求解其他变量,引入的辅助变量均设为0,第二次迭代,所有变量为第一次迭代更新后得到的数据,以此类推进行迭代更新;
(3)取待融合的两张图像,首先对两张图像添加高斯白噪声,然后以滑动窗口的形式采集添加高斯白噪声后两张图像的数据,每个窗口n×n采集到数据作为一个列向量n2×1,n为滑动窗口的大小,将采集的数据通过MCA算法分解,得到卡通训练数据和纹理训练数据,卡通训练数据和纹理训练数据为两个n2维的矩阵,对卡通训练数据引入加权Schatten稀疏核范数约束,对纹理训练数据添加灰度直方图梯度,引入一种图像分解模型,图像分解模型的目标函数如式(16)所示,
Figure FDA0003173515710000037
式(16)中,Y为滑动窗口采集的待融合的两张图像的数据作为列向量组成的矩阵,R为空间域,矩阵Dc∈RM×K,为步骤(2)求得的M行K列的卡通字典,矩阵Dt∈RM×K,为步骤(2)求得的M行K列的纹理字典,矩阵Zc=[zc,1,zc,2,…,zc,N],Zc∈RK×N代表K行N列的卡通稀疏编码系数,矩阵Zt=[zt,1,zt,2,…,zt,N],Zt∈RK×N代表K行N列的纹理稀疏编码系数,λ1是平衡参数且是一个常数为1,
Figure FDA0003173515710000041
为梯度图,E是一种增强算子,用于保持卡通信息的强度,
Figure FDA0003173515710000042
为梯度算子,hE
Figure FDA0003173515710000043
的直方图,hd
Figure FDA0003173515710000044
的期望直方图,||·||F为F范数运算符,
Figure FDA0003173515710000045
为加权Schatten稀疏核范数运算符,||·||1为l1范数运算符,||·||2为范数的平方;
(4)同理,目标函数式(16)的求解,需要通过交替迭代算法,首先固定Zt求解Zc,求解式如下:
Figure FDA0003173515710000046
引入辅助变量矩阵Ic和U,令Ic=DcZc,U=Ic,求解式为:
Figure FDA0003173515710000047
U和Ic通过WSNM算法更新迭代求解,式子如下:
Figure FDA0003173515710000048
更新求出U和Ic后,通过OMP算法通过下式求解Zc
Figure FDA0003173515710000049
得到Zc后,将Zc固定,再求解Zt,引入辅助变量矩阵It,令It=DtZt,求解式如下:
Figure FDA00031735157100000410
先固定Zt,求解It,求解公式如下:
Figure FDA00031735157100000411
通过GHP算法求解出
Figure FDA0003173515710000051
并用G表示求解结果,代入上式(22),It有如下形式的解析解:
Figure FDA0003173515710000052
上式中I为单位矩阵,大小与
Figure FDA0003173515710000053
一致,得到It后,Zt的求解式如下:
Figure FDA0003173515710000054
用OMP算法来求解,得到Zt
上述所有的求解过程均需要进行迭代更新获得最优解,其中,第一次迭代时,引入的辅助变量Ic和It初值为通过MCA算法分解得到卡通训练数据和纹理训练数据,U初值为0,第二次迭代,所有变量都是更新的 ,以此类推进行迭代更新;
(5)设
Figure FDA0003173515710000055
Figure FDA0003173515710000056
为步骤(4)得到的矩阵Zc和Zt的原子中最大的原子,根据对应成分的稀疏编码系数l1范数值最大原则,通过式(25)和(26)选择融合图像不同成分的编码系数;
Figure FDA0003173515710000057
Figure FDA0003173515710000058
式(25)中,
Figure FDA0003173515710000059
是矩阵Zc的第i个向量,式(26)中,
Figure FDA00031735157100000510
是矩阵Zt的第i个向量,在获得
Figure FDA00031735157100000511
Figure FDA00031735157100000512
后,则
Figure FDA00031735157100000513
然后将两张去噪后的图像进行融合,融合后的卡通成分和纹理成分分别为
Figure FDA00031735157100000514
Figure FDA00031735157100000515
因此融合后图像的块向量构成的矩阵为
Figure FDA00031735157100000516
用matlab函数将矩阵
Figure FDA00031735157100000517
重新排成图像,得到最终的融合去噪图像YF
2.根据权利要求1所述的基于判别字典学习的多源图像融合去噪的方法,其特征在于:步骤(1)中滑动窗口的大小n为8。
3.根据权利要求1所述的基于判别字典学习的多源图像融合去噪的方法,其特征在于:步骤(2)的迭代次数为10次,步骤(4)的迭代次数为15次。
CN201810000859.0A 2018-01-02 2018-01-02 一种基于判别字典学习的多源图像融合去噪的方法 Active CN108198147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810000859.0A CN108198147B (zh) 2018-01-02 2018-01-02 一种基于判别字典学习的多源图像融合去噪的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810000859.0A CN108198147B (zh) 2018-01-02 2018-01-02 一种基于判别字典学习的多源图像融合去噪的方法

Publications (2)

Publication Number Publication Date
CN108198147A CN108198147A (zh) 2018-06-22
CN108198147B true CN108198147B (zh) 2021-09-14

Family

ID=62587979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810000859.0A Active CN108198147B (zh) 2018-01-02 2018-01-02 一种基于判别字典学习的多源图像融合去噪的方法

Country Status (1)

Country Link
CN (1) CN108198147B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658354B (zh) * 2018-12-20 2022-02-08 上海联影医疗科技股份有限公司 一种图像增强方法和系统
WO2019228482A1 (en) 2018-05-30 2019-12-05 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
CN108828670B (zh) * 2018-08-20 2019-11-29 成都理工大学 一种地震数据降噪方法
CN109214442A (zh) * 2018-08-24 2019-01-15 昆明理工大学 一种基于列表和身份一致性约束的行人重识别算法
CN109829352B (zh) * 2018-11-20 2024-06-11 中国人民解放军陆军工程大学 融合多层稀疏学习与多视角学习的通信指纹识别方法
CN109712097B (zh) * 2019-01-04 2021-04-30 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN109784399A (zh) * 2019-01-11 2019-05-21 中国人民解放军海军航空大学 基于改进字典学习的多源图像目标关联方法
CN109919857B (zh) * 2019-01-21 2020-11-13 北京航空航天大学 一种基于加权斯莱特恩范数最小化的噪声图像补全方法
CN110689510B (zh) * 2019-09-12 2022-04-08 北京航天控制仪器研究所 一种引入字典信息基于稀疏表示的图像融合方法
CN112767290B (zh) * 2019-11-01 2022-11-11 RealMe重庆移动通信有限公司 图像融合方法、图像融合装置、存储介质与终端设备
CN112100987A (zh) * 2020-09-27 2020-12-18 中国建设银行股份有限公司 一种多源数据字典的转码方法及装置
CN112365408B (zh) * 2020-10-09 2022-08-30 天津大学 基于变分图像分解的retinex图像去雾方法
CN114372488B (zh) * 2021-12-01 2024-09-10 燕山大学 一种基于形态分量分析特征融合的水声目标识别方法
CN117152023B (zh) * 2023-10-30 2024-02-02 浪潮软件科技有限公司 基于结构-纹理分解的压缩图像去噪方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722865A (zh) * 2012-05-22 2012-10-10 北京工业大学 一种超分辨率稀疏重建方法
CN103093430A (zh) * 2013-01-25 2013-05-08 西安电子科技大学 基于稀疏低秩与字典学习的心脏mri图像去模糊方法
CN104700379A (zh) * 2014-12-29 2015-06-10 烟台大学 一种基于多尺度形态成分分析的遥感图像融合方法
CN107133575A (zh) * 2017-04-13 2017-09-05 中原智慧城市设计研究院有限公司 一种基于时空特征的监控视频行人重识别方法
CN107209860A (zh) * 2015-01-22 2017-09-26 微软技术许可有限责任公司 使用分块特征来优化多类图像分类
CN107292316A (zh) * 2017-05-31 2017-10-24 昆明理工大学 一种基于稀疏表示的提升图像清晰度的方法
CN107330865A (zh) * 2017-06-09 2017-11-07 昆明理工大学 一种基于bemd和对比度拉伸变换的图像增强方法
CN107341765A (zh) * 2017-05-05 2017-11-10 西安邮电大学 一种基于卡通纹理分解的图像超分辨率重建方法
CN107358589A (zh) * 2017-07-17 2017-11-17 桂林电子科技大学 一种结合梯度直方图与低秩约束的去噪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9582916B2 (en) * 2014-11-10 2017-02-28 Siemens Healthcare Gmbh Method and system for unsupervised cross-modal medical image synthesis

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722865A (zh) * 2012-05-22 2012-10-10 北京工业大学 一种超分辨率稀疏重建方法
CN103093430A (zh) * 2013-01-25 2013-05-08 西安电子科技大学 基于稀疏低秩与字典学习的心脏mri图像去模糊方法
CN104700379A (zh) * 2014-12-29 2015-06-10 烟台大学 一种基于多尺度形态成分分析的遥感图像融合方法
CN107209860A (zh) * 2015-01-22 2017-09-26 微软技术许可有限责任公司 使用分块特征来优化多类图像分类
CN107133575A (zh) * 2017-04-13 2017-09-05 中原智慧城市设计研究院有限公司 一种基于时空特征的监控视频行人重识别方法
CN107341765A (zh) * 2017-05-05 2017-11-10 西安邮电大学 一种基于卡通纹理分解的图像超分辨率重建方法
CN107292316A (zh) * 2017-05-31 2017-10-24 昆明理工大学 一种基于稀疏表示的提升图像清晰度的方法
CN107330865A (zh) * 2017-06-09 2017-11-07 昆明理工大学 一种基于bemd和对比度拉伸变换的图像增强方法
CN107358589A (zh) * 2017-07-17 2017-11-17 桂林电子科技大学 一种结合梯度直方图与低秩约束的去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"An Iterative Thresholding Algorithm for Linear Inverse Problems with a Sparsity Constraint";Ingrid Daubechies et al.;《Communications on Pure and Applied Mathematics》;20041231;1413-1457 *
"基于稀疏表示理论的图像去噪与融合算法研究";刘兆栋;《中国博士学位论文全文数据库 信息科技辑》;20170915;论文2.3节、5.2节 *

Also Published As

Publication number Publication date
CN108198147A (zh) 2018-06-22

Similar Documents

Publication Publication Date Title
CN108198147B (zh) 一种基于判别字典学习的多源图像融合去噪的方法
CN107563968B (zh) 一种基于判别字典学习的联合医学图像融合去噪的方法
CN108830818B (zh) 一种快速多聚焦图像融合方法
Miao et al. Local segmentation of images using an improved fuzzy C-means clustering algorithm based on self-adaptive dictionary learning
CN111429391B (zh) 一种红外和可见光图像融合方法、融合系统及应用
CN102063708B (zh) 基于Treelet和非局部均值的图像去噪
CN108399611B (zh) 基于梯度正则化的多聚焦图像融合方法
CN109410157B (zh) 基于低秩稀疏分解和pcnn的图像融合方法
CN111932468B (zh) 一种基于含噪声图像分布约束的贝叶斯图像去噪方法
CN107977949B (zh) 一种基于投影字典对学习的医学图像融合质量改善的方法
CN105654436A (zh) 一种基于前景背景分离的背光图像增强去噪方法
Wang et al. Enhanced ridge structure for improving fingerprint image quality based on a wavelet domain
CN113298147B (zh) 基于区域能量和直觉模糊集的图像融合方法及装置
CN104281835B (zh) 基于局部敏感的核稀疏表示的人脸识别方法
CN110414607A (zh) 胶囊内窥镜图像的分类方法、装置、设备及介质
CN114693561A (zh) 一种基于卷积神经网络的核磁共振图像处理方法与系统
Lederman et al. Alternating diffusion for common manifold learning with application to sleep stage assessment
CN107967674B (zh) 基于图像块自相似性先验的核磁共振图像去噪方法
Aleem et al. Random data augmentation based enhancement: a generalized enhancement approach for medical datasets
CN109117880A (zh) 基于小波包分解选择系数加权重构的瓷砖图像分类算法
CN108985320B (zh) 基于判别字典学习和形态成分分解的多源图像融合方法
Zhao et al. A survey of dictionary learning in medical image analysis and its application for glaucoma diagnosis
CN114862710A (zh) 红外和可见光图像融合方法及装置
CN114492519A (zh) 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法
Xiong et al. Multitask Sparse Representation Model Inspired Network for Hyperspectral Image Denoising

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant