CN111626939A - 一种基于稀疏表达和Piella指数优化的含噪图像融合的红外和可见光图像融合方法 - Google Patents
一种基于稀疏表达和Piella指数优化的含噪图像融合的红外和可见光图像融合方法 Download PDFInfo
- Publication number
- CN111626939A CN111626939A CN202010508878.1A CN202010508878A CN111626939A CN 111626939 A CN111626939 A CN 111626939A CN 202010508878 A CN202010508878 A CN 202010508878A CN 111626939 A CN111626939 A CN 111626939A
- Authority
- CN
- China
- Prior art keywords
- piella
- index
- dictionary
- image
- fusion
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 6
- 239000013598 vector Substances 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 241001106412 Pilea Species 0.000 description 4
- 238000013459 approach Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4061—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution by injecting details from different spectral ranges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/20081—Training; Learning
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于稀疏表达和Piella指数优化的含噪图像融合的红外和可见光图像融合方法,该方法具体步骤如下:(1)对原始图像进行联合字典训练,得到一组冗余字典;(2)利用优化算法更新字典中相对应基向量的加权值,使得Piella指数最大,根据加权值合并基向量,得到一个新的字典;(3)通过这个字典和稀疏系数得到融合图像。
Description
技术领域
本发明属于图像融合及超分辨技术领域,尤其涉及一种基于稀疏表达和Piella指数优化的含噪图像融合的红外和可见光图像融合方法。
背景技术
图像融合技术是指将多源信道所采集到的关于同一目标的图像经过一定的图像处理,提取各自信道的信息,最后综合成同一图像以供观察或进一步处理。来自于多个传感器的图像具有很强的互补性,采用图像融合可以很好的比较分析这些数据。
空间域的融合算法包括基于像素的、基于图像块的和基于区域的方法。其中基于图像块的方法实现起来简单,可以使得每个图像块的特征完整的传递到融合图像中。噪声的干扰会对融合图像的质量产生很大影响,所以在含噪图像融合中首先要对所有的原始图像进行去噪。稀疏表达算法近年来受到广泛关注,被应用到很多的图像处理领域中。
发明内容
发明目的:为了克服上述现有技术的缺点,本发明提供一种基于稀疏表达和Piella指数优化的含噪图像融合的红外和可见光图像融合方法,最大程度提取测试图像的特征信息,保障了融合重构图像的清晰度以及准确性。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于稀疏表达和Piella指数优化的含噪图像融合的红外和可见光图像融合方法,该方法包括如下步骤:
(1)对全部的原始图像进行联合的KSVD训练,得到两个字典和一组稀疏系数;(2)对字典中相对的基向量进行加权求和得到一个合并后的基向量,通过优化算法使得Piella指数最大化确定加权值,所有的基向量构成一个融合字典;(3) 通过融合字典和稀疏系数矩阵重构得到融合图像。
进一步的,步骤(1)中的联合KSVD训练,具体设计如下:
则
步骤(2)中的基于Piella优化的字典融合,具体设计如下:
其中,同时设。每个图像块可以表示为少量基向量的线性组合,图像块的Piella指数受到基向量Piella指数的影响。基向量的Piella指数增大会使得相应的图像块的Piella指数增大。融合图像第个基向量的Piella指数可以表示为:
附图说明
图1为本发明算法的框图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示, 一种基于深度学习的红外和可见光图像融合方法,具体步骤如下:
首先对原始图像进行联合字典训练。采用KSVD训练所有原始图像的字典。
则
其中,同时设。每个图像块可以表示为少量基向量的线性组合,图像块的Piella指数受到基向量Piella指数的影响。基向量的Piella指数增大会使得相应的图像块的Piella指数增大。融合图像第个基向量的Piella指数可以表示为:
Claims (2)
1.一种基于稀疏表达和Piella指数优化的含噪图像融合的红外和可见光图像融合方法,其特征在于,该方法包括如下步骤:(1)对全部的原始图像进行联合的KSVD训练,得到两个字典和一组稀疏系数;(2)对字典中相对的基向量进行加权求和得到一个合并后的基向量,通过优化算法使得Piella指数最大化确定加权值,所有的基向量构成一个融合字典;(3) 通过融合字典和稀疏系数矩阵重构得到融合图像。
2.根据权利要求1所述的一种基于稀疏表达和Piella指数优化的含噪图像融合的红外和可见光图像融合方法,其特征在于,步骤(1)中的联合KSVD训练,具体设计如下: (1.1)首先对所有的图像的滑动窗进行分块,对每个图像块字典编纂得到列向量,组成矩阵,设冗余字典为,稀疏系数矩阵为,则
则
每个图像块可以表示为少量基向量的线性组合,图像块的Piella指数受到基向量Piella指数的影响;
基向量的Piella指数增大会使得相应的图像块的Piella指数增大;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010508878.1A CN111626939A (zh) | 2020-06-06 | 2020-06-06 | 一种基于稀疏表达和Piella指数优化的含噪图像融合的红外和可见光图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010508878.1A CN111626939A (zh) | 2020-06-06 | 2020-06-06 | 一种基于稀疏表达和Piella指数优化的含噪图像融合的红外和可见光图像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626939A true CN111626939A (zh) | 2020-09-04 |
Family
ID=72260876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010508878.1A Pending CN111626939A (zh) | 2020-06-06 | 2020-06-06 | 一种基于稀疏表达和Piella指数优化的含噪图像融合的红外和可见光图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626939A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100046829A1 (en) * | 2008-08-21 | 2010-02-25 | Adobe Systems Incorporated | Image stylization using sparse representation |
CN106981058A (zh) * | 2017-03-29 | 2017-07-25 | 武汉大学 | 一种基于稀疏字典的光学与红外图像融合方法及系统 |
CN109447933A (zh) * | 2018-11-14 | 2019-03-08 | 西北工业大学 | 基于特有信息同步分解的红外与可见光图像融合方法 |
-
2020
- 2020-06-06 CN CN202010508878.1A patent/CN111626939A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100046829A1 (en) * | 2008-08-21 | 2010-02-25 | Adobe Systems Incorporated | Image stylization using sparse representation |
CN106981058A (zh) * | 2017-03-29 | 2017-07-25 | 武汉大学 | 一种基于稀疏字典的光学与红外图像融合方法及系统 |
CN109447933A (zh) * | 2018-11-14 | 2019-03-08 | 西北工业大学 | 基于特有信息同步分解的红外与可见光图像融合方法 |
Non-Patent Citations (2)
Title |
---|
余南南: "基于稀疏表示的图像融合与去噪算法研究" * |
余南南;邱天爽;毕峰;王爱齐;: "基于Piella指数优化的CT和MR图像融合" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741256B (zh) | 基于稀疏表示和深度学习的图像超分辨率重建方法 | |
CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
CN110111366B (zh) | 一种基于多级损失量的端到端光流估计方法 | |
CN107977932B (zh) | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 | |
CN108921799B (zh) | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 | |
CN111784602B (zh) | 一种生成对抗网络用于图像修复的方法 | |
CN109102477A (zh) | 一种基于非凸低秩稀疏约束的高光谱遥感图像恢复方法 | |
CN108133465B (zh) | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 | |
CN109887021B (zh) | 基于跨尺度的随机游走立体匹配方法 | |
CN107730482B (zh) | 一种基于区域能量和方差的稀疏融合方法 | |
CN111583285B (zh) | 一种基于边缘关注策略的肝脏影像语义分割方法 | |
CN109801218B (zh) | 基于多层耦合卷积神经网络的多光谱遥感图像Pan-sharpening方法 | |
CN114119444A (zh) | 一种基于深度神经网络的多源遥感图像融合方法 | |
CN109712150A (zh) | 基于稀疏表示的光学微波图像融合重建方法和装置 | |
CN111222519A (zh) | 一种层次化彩绘文物线稿提取模型构建、方法及装置 | |
CN111325288B (zh) | 基于聚类思想的多视角动态脑网络特征维度约减方法 | |
CN108460400A (zh) | 一种结合多种特征信息的高光谱图像分类方法 | |
CN113066025A (zh) | 一种基于增量学习与特征、注意力传递的图像去雾方法 | |
CN107292316A (zh) | 一种基于稀疏表示的提升图像清晰度的方法 | |
CN114693577B (zh) | 一种基于Transformer的红外偏振图像融合方法 | |
CN115359407A (zh) | 一种视频中的多车辆跟踪方法 | |
CN112767271A (zh) | 一种基于三维变分网络的高光谱图像深度降噪的方法 | |
CN113034388B (zh) | 一种古代绘画虚拟修复方法及修复模型的构建方法 | |
CN111242873A (zh) | 基于稀疏表示的图像去噪方法 | |
CN112686830B (zh) | 基于图像分解的单一深度图的超分辨率方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200904 |