基于CSR-MCA的图像融合方法.docxVIP

基于CSR-MCA的图像融合方法 　　摘要：为了解决图像融合过程中图像信息重影失真的缺点，提出了基于卷积稀疏表示（convolutional sparse representation.CSR）和形态成分分析（morphological component analysis.MCA）的图像融合方法。利用卷积稀疏表示的优越性对形态成分分析模型进行改进，形成CSR—MCA的新型模型，可以同时实现源图像的多组件和全局稀疏表示。使用预学习的CSR-MCA模型得到源图像的平滑和细节成分的稀疏表示，然后使用不同的融合规则对每个图像分量进行融合，利用相应的字典对融合后的分量进行叠加重构获得最终的融合图像。实验结果表明，相比传统图像融合方法，本文提出的方法在主观上能很好地保留图像信息，并减少重影和失真的产生;在客观评价上，其在标准差、互信息、熵、平均梯度、空间频率等指标上表现更为优越。 　　关键词：图像融合;稀疏表示;卷积稀疏表示;形态成分分析　　0引言　　在数字成像中，由于受相机自身物理特性的限制，单一传感器无法使图像内容全部清晰成像，只有处于景深空间范围内的物体才会出现清晰的成像，其它的将会是模糊的，这样获得的图像信息不足以用来对目标或场景进行充分的分析。图像融合是指利用多源传感器获得同一物体的不同聚焦的场景信息，将两幅或多幅图像融合为一幅更准确的全聚焦融合图像。近年来，图像融合已经成为图像处理领域的一个活跃话题，这主要是由于数字摄影、视频监控、医学成像、遥感等各种基于图像的应用需求不断增长。　　随着图像融合技术的发展，人们提出了多种图像融合方法。近年来，稀疏表示（SR）在图像处理领域有着广泛的应用，包括图像去噪、图像融合、人脸识别等。在文献[2]中，Yang等人首次将SR引入图像融合，提出了一种基于SR的图像融合基本框架，其在多聚焦图像融合方面明显优于传统的基于多尺度的融合方法。由于采用滑动窗口技术，将源图像分割成一组重叠的图像块，产生了大量多余的计算，且存在块效应。在文献[3]中，Yu等人提出了一种基于联合稀疏表示（JSR）的图像融合算法。在该方法中，使用了特殊的加权平均融合规则，不可避免地会改变源图像原有的局部结构，具有丢失源图像纹理边缘信息的缺点。在文献[4]中，Zeiler等人将CSR模型引入到特征学习的反卷积网络中，CSR也被称为平移不变性Sr.在误配区域的融合质量得以显著提高。文献[5]中，Starck等人阐述了形态成分分析（MCA）方法，该方法可以获得图像的稀疏多成分表示。　　为进一步提高图像融合效果，本文提出一种基于卷积稀疏表示和形态成分分析的图像融合方法。基于MCA的方法和基于CSR的方法，为基于SR的图像融合提供了两种不同的方式，即多分量表示和全局表示，二者具有各自的优势。在本文中，受到卷积稀疏表示的启发，引人CSR-MCA模型，同时实现源图像的多组分和全局稀疏表示。由实验结果得出，与其它经典的图形融合方法相比，本文提出的方法在主观视觉效果和客观数据指标上均有较大改善，具有一定的优越性。　　1相关理论　　1.1稀疏表示和卷积稀疏表示　　稀疏表示是一种利用自然图像信号稀疏先验的图像建模技术。基于SR的图像融合中最关键的问题是采用SR模型。目前大多数基于SR的融合方法采用的是基于单个图像分量和局部块的标准稀疏编码模型。将源图像在原始空间域中分成一组重叠的图像块进行稀疏编码，从而得到相应的稀疏表示系数。其基本思想是假设一个自然信号可以从一个过完备的字典中很好地近似为一个小的原子的线性组合，即　　卷积稀疏表示（CSR）可以被看作是稀疏表示的卷积形式，即采用相应学习字典与特征响应的卷积总和，取代分析字典与稀疏系数的乘积，从而将图像以“整体”为单位进行稀疏编码，避免图像清晰度信息的丢失。卷积稀疏表示模型可以表示为：　　卷积形式的目的是实现整个图像的稀疏表示，而不是局部图像的块。其克服了基于SR的融合方法的不足。相对于标准SR模型，CSR的结果是单值的，并且对整个图像进行了优化，使得图像融合具有更好的细节保存能力。此外，CSR平移不变性，这对于保证图像融合方法、对配准错误的鲁棒陸具有重要意义。　　1.2形态成分分析　　在文献[12]中，Jiang和Wang采用MCA模型提出了一种基于多分量SR的图像融合方法，并认为图像包含不同空间形态的结构，将图像建模为平滑和细节成分的叠加，利用结构化字典的特定分解算法可以得到这些成分的稀疏表示，即：　　其中，xc和xt分别使用字典dc和dt表示卡通和纹理成分的稀疏表示;|| ||1表示l1范数用于约束稀疏;而λc和λt表示正则化参数。　　MCA模型的主要优点是可以将平滑成分和细节成分从源图像中分离出来，进行个体融合。由于平滑成分和細节成分侧重于不同的图像内容，其中