CN110689513A - 彩色图像融合方法、装置和终端设备 - Google Patents

彩色图像融合方法、装置和终端设备 Download PDF

Info

Publication number
CN110689513A
CN110689513A CN201910916560.4A CN201910916560A CN110689513A CN 110689513 A CN110689513 A CN 110689513A CN 201910916560 A CN201910916560 A CN 201910916560A CN 110689513 A CN110689513 A CN 110689513A
Authority
CN
China
Prior art keywords
image
fused
matrix
sparse coefficient
quaternion
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.)
Granted
Application number
CN201910916560.4A
Other languages
English (en)
Other versions
CN110689513B (zh
Inventor
耿鹏
马喜茹
连勇
李峰
王书鹏
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.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao University
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 Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN201910916560.4A priority Critical patent/CN110689513B/zh
Publication of CN110689513A publication Critical patent/CN110689513A/zh
Application granted granted Critical
Publication of CN110689513B publication Critical patent/CN110689513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于图像融合技术领域，提供了一种彩色图像融合方法、装置和终端设备。该方法包括：将待融合的彩色图像转化为待融合的四元数图像，并对所述待融合的四元数图像进行向量化得到图像向量化矩阵；根据所述图像向量化矩阵获取超完备字典矩阵和融合后的稀疏系数矩阵；根据所述超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像。本发明在融合过程中既将源图像的必要信息融合到结果图像中，同时还能很好的保持三个颜色通道的相关性，避免了融合过程中的颜色失真。

Description

彩色图像融合方法、装置和终端设备
技术领域
本发明属于图像融合技术领域，尤其涉及一种彩色图像融合方法、装置和终端设备。
背景技术
随着传感器技术的迅猛发展和广泛应用，不同种类的图像传感器已普及到多个应用领域，这些传感器工作在不同的环境中，拥有不同的功能，因此它们所采集的信息也因为自身的限制而有所不同。为了更全面的整合多传感器采集到的大量图像信息，从而更好地为需求者提供多元化的信息参考，以获得更简明直观的结果，有必要对不同传感器或同一传感器在不同情况下采集到的图像信息进行有效地融合，克服单一传感器图像在几何和空间分辨率等方面存在的局限性和差异性，提高图像的质量，从而可以有利于对物理现象和事件进行定位、识别和解释。
图像融合技术被广泛应用于目标识别与跟踪、计算机视觉、智能交通、军事、医学成像与诊断等众多领域并表现出巨大的应用价值，已成为当今信号处理领域的一大研究热点。然而，目前的图像融合方法得到融合图像容易产生颜色失真，融合结果不精确。
发明内容
有鉴于此，本发明实施例提供了一种彩色图像融合方法、装置和终端设备，以解决现有技术中的图像融合方法得到融合图像容易产生颜色失真，使得融合结果不精确的问题。
本发明实施例的第一方面提供了一种彩色图像融合方法，包括：
将待融合的彩色图像转化为待融合的四元数图像，并对所述待融合的四元数图像进行向量化得到图像向量化矩阵；
根据所述图像向量化矩阵获取超完备字典矩阵和融合后的稀疏系数矩阵；
根据所述超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像。
可选的，对所述待融合的四元数图像进行向量化得到图像向量化矩阵，包括：
在所述待融合的四元数图像中分割出预设尺寸的图像参考块；
利用非局部相似块法寻找所述待融合的四元数图像中所有满足预设相似条件的图像相似块，所述预设相似条件为所述图像参考块与所述图像相似块之间的相似度大于预设相似度；
将所述图像参考块和所有的图像相似块排列得到图像向量化矩阵。
可选的，根据所述图像向量化矩阵获取超完备字典矩阵，包括：
利用四元数离散余弦变换法初始化超完备字典模型；
基于所述超完备字典模型，根据四元矩阵奇异值分解法对所述图像向量化矩阵进行字典训练得到超完备字典矩阵。
可选的，根据所述图像向量化矩阵获取融合后的稀疏系数矩阵，包括：
利用四元正交匹配追踪法计算所述图像向量化矩阵的待融合的稀疏系数矩阵；
将所述待融合的稀疏系数矩阵进行融合得到融合后的稀疏系数矩阵。
可选的，将所述待融合的稀疏系数矩阵进行融合得到融合后的稀疏系数矩阵，包括：
利用四元数模绝对值最大的融合方法将所述待融合的稀疏系数矩阵进行融合，得到融合后的稀疏系数矩阵。
可选的，在得到融合后的稀疏系数矩阵之后，所述彩色图像融合方法还包括：
根据所述融合后的稀疏系数矩阵更新所述超完备字典矩阵；
在更新后的超完备字典矩阵的均方误差满足预设误差条件时，根据该更新后的超完备字典矩阵和融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像。
可选的，根据所述超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像，包括：
根据所述超完备字典矩阵和融合后的稀疏系数矩阵确定融合图像矩阵；
将所述融合图像矩阵进行向量化逆过程得到融合后的四元数图像；
将所述融合后的四元数图像进行RGB转换得到融合后的彩色图像。
本发明实施例的第二方面提供了一种彩色图像融合装置，包括：
四元图像表示模块，用于将待融合的彩色图像转化为待融合的四元数图像，并对所述待融合的四元数图像进行向量化得到图像向量化矩阵；
四元图像融合模块，用于根据所述图像向量化矩阵获取超完备字典矩阵和融合后的稀疏系数矩阵；
图像重构模块，用于根据所述超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例的第一方面提供的任一项所述的彩色图像融合方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例的第一方面提供的任一项所述的彩色图像融合方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本实施例主要基于四元数的稀疏表示的彩色图像融合方法，首先将待融合的四元数图像进行向量化得到图像向量化矩阵，根据所述图像向量化矩阵获取超完备字典矩阵和融合后的稀疏系数矩阵；最后根据超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像，实现了将待融合图像的必要信息融合到结果图像中，同时很好的保持三个颜色通道的相关性，避免了融合过程中的颜色失真。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的彩色图像融合方法的实现流程示意图；
图2是图1中步骤S101的具体实现流程示意图；
图3是图1中步骤S102的具体流程示意图；
图4是图1中步骤S102的另一种具体流程示意图；
图5是本发明实施例提供的另一种彩色图像融合方法的实现流程示意图；
图6是图1中步骤S103的具体流程示意图；
图7是本发明实施例提供的彩色图像融合装置的结构示意图；
图8是本发明实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
参见图1，为本实施例提供的彩色图像融合方法的一个实施例实现流程示意图，详述如下：
步骤S101，将待融合的彩色图像转化为待融合的四元数图像，并对所述待融合的四元数图像进行向量化得到图像向量化矩阵。
现有的彩色图像融合方法大部分是将待融合彩色图像的三个通道分别进行融合，或者利用YIQ、IHS和HSV取得融合的决策图，再分别对另外两个通道进行融合。由于待融合的彩色图像中任意像素的RGB三个通道存在非常紧密的相关性，上述融合方法会使得融合结果图像产生颜色失真。
本实施例主要基于四元数的稀疏表示的彩色图像融合方法，可以应用于各类彩色图像的融合，以增加图片包含的有用信息。在应用领域中，本实施例的彩色图像融合方法可以应用于SPECT(Single Photon Emission Computed Tomography，单光子发射计算机断层扫描)图像、核磁共振图像与CT(Computed Tomography，电子计算机断层扫描)图像等医学图像的融合，帮助医生对疾病进行准确诊断，还可以应用于军事上可见光图像和红外图像的融合，增强目标的识别度，方便对目标的检测和跟踪，以提高战场的决策和指挥能力。本实施例的待融合的彩色图像还可以来自于各类专业相机、家用相机或手机相机，以提高彩色图像在景深方向上的清晰程度。
具体的，将待融合的彩色图像用四元数表示。示例性的，将待融合的彩色图像A的R、G、B三个颜色分量表示为四元数的三个虚部：IA,q(x,y)＝R(x,y)i+G(x,y)j+B(x,y)k，待融合的彩色图像B的R、G、B三个颜色分量表示为四元数的三个虚部：IB,q(x,y)＝R(x,y)i+G(x,y)j+B(x,y)k，得到待融合的四元数图像IA,q与待融合的四元数图像IB,q。然后将待融合的四元数图像IA,q与待融合的四元数图像IB,q进行图像向量化得到图像向量化矩阵XA,q和图像向量化矩阵XB,q。
步骤S102，根据所述图像向量化矩阵获取超完备字典矩阵和融合后的稀疏系数矩阵。
步骤S103，根据所述超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像。
示例性的，对图像向量化矩阵XA,q和图像向量化矩阵XB,q进行字典训练得到超完备字典矩阵Dq，利用稀疏表示法确定图像向量化矩阵XA,q和图像向量化矩阵XB,q融合后的稀疏系数矩阵Aq。然后根据稀疏系数矩阵Aq和超完备字典矩阵Dq进行图像重构得到融合后的彩色图像F，实现了将待融合图像的必要信息融合到结果图像中，同时很好的保持三个颜色通道的相关性，避免了融合过程中的颜色失真。
一个实施例中，参见图2，步骤S101中的对所述待融合的四元数图像进行向量化得到图像向量化矩阵的具体实现流程，包括：
步骤S201，在所述待融合的四元数图像中分割出预设尺寸的图像参考块。
步骤S202，利用非局部相似块法寻找所述待融合的四元数图像中所有满足预设相似条件的图像相似块，所述预设相似条件为所述图像参考块与所述图像相似块之间的相似度大于预设相似度。
步骤S203，将所述图像参考块和所有的图像相似块排列得到图像向量化矩阵。
具体应用中，彩色图像内部存在局部相似块和全局相似块，将相似块组合在一起处理有利于图像的处理，相似度计算更加准确，因此本实施例可以在待融合的四元数图像分割出L个预设尺寸(n×n)的图像参考块，并设位于像素点r处的图像参考块为Pr∈Qn×n(Q表示四元数空间)。在整个待融合的四元数图像内任意滑动预设尺寸的窗口，得到多个预设尺寸的图像块Ps∈Qn×n，通过非局部相似块法计算图像参考块Pr和任意图像块Ps∈Qn×n的相似度ηq，在相似度ηq满足预设相似条件时，确定该图像块Ps∈Qn×n为图像相似块，可知每个图像参考块对应多个图像相似块。
可选的，本实施例还可以在整个待融合的四元数图像内任意滑动预设尺寸的窗口，得到多个预设尺寸的图像块Ps∈Qn×n，通过相似度衡量方法计算图像参考块Pr和任意图像块Ps∈Qn×n的相似度ηq，将所有的图像块Ps∈Qn×n依据相似度ηq的大小顺序排列，可降序可升序，选取其中h个与图像参考块Pr最相似的图像块作为图像相似块，即相似度ηq排名前h的图像块作为图像相似块。其中，相似度衡量方法可以采用欧氏距离方法，计算速度快。
示例性的，将图像参考块和对应的h个图像相似块以列的方式进行排列得到n2×1维向量并按照相似性前后首尾相连得到(h+1)×n2×1维的向量
Figure BDA0002216268420000072
(l表示第l个图像参考块，
Figure BDA0002216268420000073
表示第l个图像参考块及其对应的图像相似块组成的向量，1≤l≤L)。重复L次上述过程，得到L个(h+1)×n2×1维向量，并将其逐次左右排列形成L列(h+1)×n2行的图像向量化矩阵X。最终得到将待融合的彩色图像A的图像向量化矩阵XA，和待融合的彩色图像B的图像向量化矩阵XB。可选的，本实施例还可以将图像参考块和对应的h个图像相似块以行的方式进行排列。
一个实施例中，参见图3，步骤S102中的根据所述图像向量化矩阵获取超完备字典矩阵的具体实现流程，包括：
步骤S301，利用四元数离散余弦变换法初始化超完备字典模型。
步骤S302，基于所述超完备字典模型，根据四元矩阵奇异值分解法对所述图像向量化矩阵进行字典训练得到超完备字典矩阵。
首先利用四元数离散余弦变换(Quaternion Discrete Cosine Transform，QDCT)法初始化超完备字典模型，即获取初始字典矩阵，图像向量化矩阵XA和图像向量化矩阵XB的每一列作为训练样本，通过四元矩阵奇异值分解法对图像向量化矩阵X进行字典训练得到超完备字典矩阵：
Figure BDA0002216268420000074
可选的，图像参考块和对应的h个图像相似块以行的方式进行排列得到图像向量化矩阵X时，以图像向量化矩阵XA和图像向量化矩阵XB的每一行作为训练样本。
一个实施例中，参见图4，步骤S102中的根据所述图像向量化矩阵获取融合后的稀疏系数矩阵的具体实现流程，包括：
步骤S401，利用四元正交匹配追踪法计算所述图像向量化矩阵的待融合的稀疏系数矩阵。
步骤S402，将所述待融合的稀疏系数矩阵进行融合得到融合后的稀疏系数矩阵。可选的，利用四元数模绝对值最大的融合方法将所述待融合的稀疏系数矩阵Aq进行融合，得到融合后的稀疏系数矩阵Aq，融合速度快，准确度高。
例如，利用四元正交匹配追踪法计算图像向量化矩阵XA的待融合的稀疏系数矩阵，利用四元正交匹配追踪法计算的图像向量化矩阵XB的待融合稀疏系数矩阵，然后利用四元数模绝对值最大的融合方法计算待融合的稀疏系数矩阵融合后的稀疏系数矩阵Aq。
可选的，参见图5，在得到融合后的稀疏系数矩阵Aq之后，本实施例的彩色图像融合方法还可以包括：
步骤S501，根据所述融合后的稀疏系数矩阵更新所述超完备字典矩阵。
步骤S502，在更新后的超完备字典矩阵的均方误差满足预设误差条件时，根据该更新后的超完备字典矩阵和融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像，使得融合结果更加精准，将待融合图像的必要信息更好的融合到结果图像中。
本实施例的图像向量化矩阵X是待融合的四元数图像进行了块的匹配和向量化，所以矩阵内的每个元素依然为实部为零的纯四元数。图像向量化矩阵X的超完备字典矩阵为
Figure BDA0002216268420000081
融合后的稀疏系数矩阵为
Figure BDA0002216268420000082
因此，本实施例中的四元稀疏表示模型可以表示为：
Figure BDA0002216268420000083
其中，||Yq-DqAq||2为四元稀疏表示模型的重构误差，Yq为待融合的四元数图像矩阵，λ||Aq||0为四元稀疏表示模型的惩罚函数，参数λ表示数据重构和稀疏性之间的折中关系。实际应用中，对于一个冗余字典来说，求解稀疏表示最优化问题是一个NP(non-deterministic polynomial，非确定性多项式)问题，本实施例为了得到超完备稀疏表示最优问题的解，采用正交匹配追踪算法的四元数形式求解。
超完备图像稀疏表示问题中，超完备字典模型的构造直接影响到表示的稀疏程度。本实施例采用四元矩阵奇异值分解法训练超完备字典模型，然后利用融合后的稀疏系数矩阵Aq更新超完备字典矩阵Dq，使更新后的超完备字典矩阵Dq的均方误差满足预设误差条件，例如使更新后的超完备字典矩阵Dq的均方误差最小。
具体的，更新超完备字典矩阵Dq，本实施例是更新超完备字典矩阵Dq中的第t(t＝1,2,...,L)列
Figure BDA0002216268420000091
使其表示的均方误差Eq,t满足误差条件，如下:
Figure BDA0002216268420000092
其中，Yq为待融合的四元数图像矩阵，
Figure BDA0002216268420000093
为融合后的稀疏系数矩阵Aq的第l行。进一步的，定义集合
Figure BDA0002216268420000094
为超完备字典矩阵Dq所有信号集合的索引所构成的集合，即融合的稀疏系数矩阵的点的索引值，根据集合ωt从
Figure BDA0002216268420000096
矩阵中选出对应ωt部位0的列，得到
Figure BDA0002216268420000097
对
Figure BDA0002216268420000098
进行四元矩阵奇异值分解得到
Figure BDA0002216268420000099
将Uq的第一列作为超完备字典矩阵Dq的第t列原子
Figure BDA00022162684200000910
Vq的第一列乘以
Figure BDA00022162684200000911
作为融合后的稀疏系数矩阵Aq的t列原子对应的稀疏系数。示例性的，在更新后的超完备字典矩阵Dq的均方误差最小时停止更新，或更新次数达到设定的迭代次数时停止更新，输出最终的超完备字典矩阵Dq。
一个实施例中，参见图6，步骤S103中的根据所述超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像的具体实现流程，包括：
步骤S601，根据所述超完备字典矩阵和融合后的稀疏系数矩阵确定融合图像矩阵。
步骤S602，将融合图像矩阵进行向量化逆过程得到融合后的四元数图像。
步骤S603，将融合后的四元数图像进行RGB转换得到融合后的彩色图像。
具体的，结合超完备字典矩阵Dq与融合后的稀疏系数矩阵Aq进行图像重构。示例性的，将学习得到的超完备字典矩阵Dq与融合后的稀疏系数矩阵Aq相乘得到新的稀疏系数矩阵XF,q。新的稀疏系数矩阵XF,q不是融合的四元数彩色图像，而是图像参考块和图像相似块的融合向量组成的矩阵，所以本实施例需要进行向量化过程的逆过程得到融合后的四元数图像IF,q，再由融合后的四元数图像转换成RGB彩色融合图像F。
上述彩色图像融合方法，主要是基于四元数的稀疏表示的彩色图像融合方法，首先将待融合的四元数图像进行向量化得到图像向量化矩阵，根据所述图像向量化矩阵获取超完备字典矩阵和融合后的稀疏系数矩阵；最后根据超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像，实现了将待融合图像的必要信息融合到结果图像中，同时很好的保持三个颜色通道的相关性，避免了融合过程中的颜色失真。
本领域技术人员可以理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的彩色图像融合方法，本实施例提供了一种彩色图像融合装置。具体参见图7，为本实施例中彩色图像融合装置的结构示意图。为了便于说明，仅示出了与本实施例相关的部分。
所述彩色图像融合装置包括：四元图像表示模块110、四元图像融合模块120和图像重构模块130。
四元图像表示模块110用于将待融合的彩色图像转化为待融合的四元数图像，并对所述待融合的四元数图像进行向量化得到图像向量化矩阵。
四元图像融合模块120用于根据所述图像向量化矩阵获取超完备字典矩阵和融合后的稀疏系数矩阵。
图像重构模块130用于根据所述超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像。
可选的，四元图像表示模块110具体可以用于：在所述待融合的四元数图像中分割出预设尺寸的图像参考块；利用非局部相似块法寻找所述待融合的四元数图像中所有满足预设相似条件的图像相似块，所述预设相似条件为所述图像参考块与所述图像相似块之间的相似度大于预设相似度；将所述图像参考块和所有的图像相似块排列得到图像向量化矩阵。
可选的，四元图像融合模块120具体可以用于：利用四元数离散余弦变换法初始化超完备字典模型；基于所述超完备字典模型，根据四元矩阵奇异值分解法对所述图像向量化矩阵进行字典训练得到超完备字典矩阵。
四元图像融合模块120还用于：利用四元正交匹配追踪法计算所述图像向量化矩阵的待融合的稀疏系数矩阵；将所述待融合的稀疏系数矩阵进行融合得到融合后的稀疏系数矩阵。
可选的，四元图像融合模块120还用于：根据所述融合后的稀疏系数矩阵更新所述超完备字典矩阵；在更新后的超完备字典矩阵的均方误差满足预设误差条件时，根据该更新后的超完备字典矩阵和融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像。
可选的，图像重构模块130具体用于：根据所述超完备字典矩阵和融合后的稀疏系数矩阵确定融合图像矩阵；将所述融合图像矩阵进行向量化逆过程得到融合后的四元数图像；将所述融合后的四元数图像进行RGB转换得到融合后的彩色图像。
上述彩色图像融合装置，四元图像表示模块110将待融合的四元数图像进行向量化得到图像向量化矩阵，四元图像融合模块120根据所述图像向量化矩阵获取超完备字典矩阵和融合后的稀疏系数矩阵；最后图像重构模块130根据超完备字典矩阵和融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像，实现了将待融合图像的必要信息融合到结果图像中，同时很好的保持三个颜色通道的相关性，避免了融合过程中的颜色失真。
本实施例还提供了一种终端设备100的示意图。如图8所示，该实施例的终端设备100包括：处理器140、存储器150以及存储在所述存储器150中并可在所述处理器140上运行的计算机程序151，例如彩色图像融合方法的程序。所述处理器140在执行所述计算机程序151时实现上述彩色图像融合方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器140执行所述计算机程序151时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块110至130的功能。
示例性的，所述计算机程序151可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器150中，并由所述处理器140执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序151在所述终端设备100中的执行过程。例如，所述计算机程序151可以被分割成四元图像表示模块110、四元图像融合模块120和图像重构模块130，各模块具体功能如下：
四元图像表示模块110用于将待融合的彩色图像转化为待融合的四元数图像，并对所述待融合的四元数图像进行向量化得到图像向量化矩阵。
四元图像融合模块120用于根据所述图像向量化矩阵获取超完备字典矩阵和融合后的稀疏系数矩阵。
图像重构模块130用于根据所述超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像。
所述终端设备100可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备100可包括，但不仅限于处理器140、存储器150。本领域技术人员可以理解，图7仅仅是终端设备100的示例，并不构成对终端设备100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备100还可以包括输入输出设备、网络接入设备、总线等。
所称处理器140可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器150可以是所述终端设备100的内部存储单元，例如终端设备100的硬盘或内存。所述存储器150也可以是所述终端设备100的外部存储设备，例如所述终端设备100上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器150还可以既包括所述终端设备100的内部存储单元也包括外部存储设备。所述存储器150用于存储所述计算机程序以及所述终端设备100所需的其他程序和数据。所述存储器150还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模型的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种彩色图像融合方法，其特征在于，包括：
将待融合的彩色图像转化为待融合的四元数图像，并对所述待融合的四元数图像进行向量化得到图像向量化矩阵；
根据所述图像向量化矩阵获取超完备字典矩阵和融合后的稀疏系数矩阵；
根据所述超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像。
2.如权利要求1所述的彩色图像融合方法，其特征在于，对所述待融合的四元数图像进行向量化得到图像向量化矩阵，包括：
在所述待融合的四元数图像中分割出预设尺寸的图像参考块；
利用非局部相似块法寻找所述待融合的四元数图像中所有满足预设相似条件的图像相似块，所述预设相似条件为所述图像参考块与所述图像相似块之间的相似度大于预设相似度；
将所述图像参考块和所有的图像相似块排列得到图像向量化矩阵。
3.如权利要求1所述的彩色图像融合方法，其特征在于，根据所述图像向量化矩阵获取超完备字典矩阵，包括：
利用四元数离散余弦变换法初始化超完备字典模型；
基于所述超完备字典模型，根据四元矩阵奇异值分解法对所述图像向量化矩阵进行字典训练得到超完备字典矩阵。
4.如权利要求1所述的彩色图像融合方法，其特征在于，根据所述图像向量化矩阵获取融合后的稀疏系数矩阵，包括：
利用四元正交匹配追踪法计算所述图像向量化矩阵的待融合的稀疏系数矩阵；
将所述待融合的稀疏系数矩阵进行融合得到融合后的稀疏系数矩阵。
5.如权利要求4所述的彩色图像融合方法，其特征在于，将所述待融合的稀疏系数矩阵进行融合得到融合后的稀疏系数矩阵，包括：
利用四元数模绝对值最大的融合方法将所述待融合的稀疏系数矩阵进行融合，得到融合后的稀疏系数矩阵。
6.如权利要求4所述的彩色图像融合方法，其特征在于，在得到融合后的稀疏系数矩阵之后，所述彩色图像融合方法还包括：
根据所述融合后的稀疏系数矩阵更新所述超完备字典矩阵；
在更新后的超完备字典矩阵的均方误差满足预设误差条件时，根据该更新后的超完备字典矩阵和融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像。
7.如权利要求1至6任一项所述的彩色图像融合方法，其特征在于，根据所述超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像，包括：
根据所述超完备字典矩阵和融合后的稀疏系数矩阵确定融合图像矩阵；
将所述融合图像矩阵进行向量化逆过程得到融合后的四元数图像；
将所述融合后的四元数图像进行RGB转换得到融合后的彩色图像。
8.一种彩色图像融合装置，其特征在于，包括：
四元图像表示模块，用于将待融合的彩色图像转化为待融合的四元数图像，并对所述待融合的四元数图像进行向量化得到图像向量化矩阵；
四元图像融合模块，用于根据所述图像向量化矩阵获取超完备字典矩阵和融合后的稀疏系数矩阵；
图像重构模块，用于根据所述超完备字典矩阵和所述融合后的稀疏系数矩阵进行图像重构得到融合后的彩色图像。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的彩色图像融合方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的彩色图像融合方法的步骤。
CN201910916560.4A 2019-09-26 2019-09-26 彩色图像融合方法、装置和终端设备 Active CN110689513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910916560.4A CN110689513B (zh) 2019-09-26 2019-09-26 彩色图像融合方法、装置和终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910916560.4A CN110689513B (zh) 2019-09-26 2019-09-26 彩色图像融合方法、装置和终端设备

Publications (2)

Publication Number Publication Date
CN110689513A true CN110689513A (zh) 2020-01-14
CN110689513B CN110689513B (zh) 2022-09-02

Family

ID=69110389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910916560.4A Active CN110689513B (zh) 2019-09-26 2019-09-26 彩色图像融合方法、装置和终端设备

Country Status (1)

Country Link
CN (1) CN110689513B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275785A (zh) * 2020-02-04 2020-06-12 淮阴师范学院 基于双树-双四元数滤波器组的图像重构方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023122A (zh) * 2016-05-05 2016-10-12 江南大学 基于多通道分解的图像融合方法
CN106482734A (zh) * 2016-09-28 2017-03-08 湖南优象科技有限公司 一种用于imu多传感器数据融合的滤波方法
CN106886986A (zh) * 2016-08-31 2017-06-23 电子科技大学 基于自适应组结构稀疏字典学习的图像融合方法
CN107085835A (zh) * 2017-05-10 2017-08-22 五邑大学 基于四元数加权核范数最小的彩色图像去噪方法
CN107516326A (zh) * 2017-07-14 2017-12-26 中国科学院计算技术研究所 融合单目视觉和编码器信息的机器人定位方法和系统
CN108253963A (zh) * 2017-12-20 2018-07-06 广西师范大学 一种基于多传感器融合的机器人自抗扰定位方法以及定位系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023122A (zh) * 2016-05-05 2016-10-12 江南大学 基于多通道分解的图像融合方法
CN106886986A (zh) * 2016-08-31 2017-06-23 电子科技大学 基于自适应组结构稀疏字典学习的图像融合方法
CN106482734A (zh) * 2016-09-28 2017-03-08 湖南优象科技有限公司 一种用于imu多传感器数据融合的滤波方法
CN107085835A (zh) * 2017-05-10 2017-08-22 五邑大学 基于四元数加权核范数最小的彩色图像去噪方法
CN107516326A (zh) * 2017-07-14 2017-12-26 中国科学院计算技术研究所 融合单目视觉和编码器信息的机器人定位方法和系统
CN108253963A (zh) * 2017-12-20 2018-07-06 广西师范大学 一种基于多传感器融合的机器人自抗扰定位方法以及定位系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王培东: "基于稀疏表示的视频目标跟踪算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275785A (zh) * 2020-02-04 2020-06-12 淮阴师范学院 基于双树-双四元数滤波器组的图像重构方法

Also Published As

Publication number Publication date
CN110689513B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
He et al. Non-local meets global: An iterative paradigm for hyperspectral image restoration
WO2022206020A1 (zh) 图像场景深度的估计方法、装置、终端设备和存储介质
US20220207648A1 (en) Creating super-resolution images
US20210118162A1 (en) Depth information calculation method and device based on light-field-binocular system
CN111862251B (zh) 医学图像重建技术的方法、装置、存储介质和电子设备
CN112990228B (zh) 图像特征匹配方法和相关装置、设备及存储介质
WO2021164269A1 (zh) 基于注意力机制的视差图获取方法和装置
CN111860398A (zh) 遥感图像目标检测方法、系统及终端设备
CN112990010A (zh) 点云数据处理方法、装置、计算机设备和存储介质
CN114219855A (zh) 点云法向量的估计方法、装置、计算机设备和存储介质
CN114219890A (zh) 一种三维重建方法、装置、设备及计算机存储介质
CN113177592A (zh) 一种图像分割方法、装置、计算机设备及存储介质
CN115457364A (zh) 一种目标检测知识蒸馏方法、装置、终端设备和存储介质
CN113298870B (zh) 一种物体的姿态跟踪方法、装置、终端设备和存储介质
CN110689513B (zh) 彩色图像融合方法、装置和终端设备
CN117274333A (zh) 一种基于多尺度深度特征图融合的多光谱图像配准方法
Dalalyan et al. $ L_1 $-Penalized Robust Estimation for a Class of Inverse Problems Arising in Multiview Geometry
CN112907495B (zh) 高光谱图像的空间分辨率增强方法、装置及电子设备
CN109919998B (zh) 卫星姿态确定方法、装置和终端设备
Li et al. Color correction based on point clouds alignment in the logarithmic RGB space
Pan et al. Deep learning for rectification of radial distortion image
WO2020042070A1 (zh) 提升高光谱图像分类精度的方法、装置、设备及存储介质
CN112990231B (zh) 一种图像误匹配对去除方法、装置及终端
CN112435193B (zh) 一种点云数据去噪的方法、装置、存储介质和电子设备
Chen et al. A light field three-dimensional ranging system based on regularization

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