基于卷积弹性网络的多聚焦图像融合方法技术

本发明专利技术公开了一种基于卷积弹性网络的多聚焦图像融合方法，包括如下步骤：步骤1、源图像分解，对两个预先配准好的源图像s

【技术实现步骤摘要】
基于卷积弹性网络的多聚焦图像融合方法
本专利技术涉及卷积弹性网络模型
，特别涉及基于卷积弹性网络的多聚焦图像融合方法。
技术介绍
现有的多尺度变换和单一稀疏域多聚焦图像融合方法存在空间分辨率低、模糊性差的缺点，为解决上述问题，本专利技术结合卷积弹性网络的优越性，提出了一种新的卷积弹性网络模型的多聚焦图像融合算法，获得了较好的对比度和清晰度。
技术实现思路
本专利技术针对现有技术的缺陷，提供了一种基于卷积弹性网络的多聚焦图像融合方法，解决了现有技术中存在的缺陷。为了实现以上专利技术目的，本专利技术采取的技术方案如下：一种基于卷积弹性网络的多聚焦图像融合方法，包括如下步骤：步骤1、源图像分解，对两个预先配准好的源图像sk(k＝A,B)进行图像分解，获得它们的细节分量和低频分量步骤2、细节分量融合；子步骤如下：1)利用ADMM(交替方向乘子法)方法得到了一个高频字典系数映射集2)活跃映射Ak可以表示为其中，是第k幅图像的高频字典系数映射集，||·||表示的1-范数。3)通过以下融合策略得到细节层的融合字典系数映射集；其中，xf,m和表示细节层的稀疏系数，k*表示获得最大Ak时的k值，表示Ak达到最大值时k的取值。4)最后，细节层融合如下：其中，xf,m是细节层的稀疏系数，dm(m∈1,...,M)是一组字典过滤器。步骤3、低频分量融合，基本层的融合规则和细节层的一致；步骤4、图像重建，根据重建策略获得融合图像。进一步地，所述的步骤1，其中图像分解操作如下：其中，η是正则化参数，sk是待融合的源图像，是源图像的低频分量，表示Frobenius范数。。进一步地，所述的步骤1，细节分量被表示为其中，sk是待融合的源图像，是源图像的低频分量，是源图像的细节分量。进一步地，所述的步骤2，其中细节分量融合如下：其中，是源图像的细节分量，是稀疏系数映射，dm是一组字典过滤器，λ和mu是正则化参数。进一步地，所述的步骤2中的细节分量融合规则如下：其中，Ak是活跃映射，xf,m和表示细节层的稀疏系数，k*表示获得最大Ak时的k值，表示Ak达到最大值时k的取值，dm是一组字典过滤器，是细节融合分量。进一步地，所述的步骤3，其中低频分量融合规则如下：其中，和是低频融合分量，Ak是活跃映射，k*表示获得最大Ak时的k值，表示Ak达到最大值时k的取值。进一步地，所述的步骤4，其中融合图像重建如下：其中，是低频融合分量,是细节融合分量,sF是最终的融合图像。与现有技术相比，本专利技术的优点在于：解决了多尺度变换模型的细节捕捉能力弱的缺陷，克服稀疏域亮度较低和效率低的不足。本专利技术融合算法充分利用了二尺度图像分解的优良时频特性和卷积弹性网络融合规则的优越性，不仅保留了源图像的细节，而且提高了融合图像的空间连续性，抑制了人工纹理的生成。附图说明图1为本专利技术实施例的多聚焦图像融合算法示意图；图2为本专利技术实施例使用的10组多聚焦源图；图3为本专利技术实施例各算法作用在'clock'图像的融合结果图，(a)近焦源图像，(b)远焦源图像，(c)Hybrid-MSD的融合图像，(d)MWGF的融合图像，(e)ASR的融合图像，(f)DWT-SR-4的融合图像，(g)JSR的融合图像，(h)CSR的融合图像；(i)CNN的融合图像，(j)本申请方法的融合图像；图4为本专利技术实施例各算法作用在'pepsi'图像的融合结果图，(a)近焦源图像，(b)远焦源图像，(c)Hybrid-MSD的融合图像，(d)MWGF的融合图像，(e)ASR的融合图像，(f)DWT-SR-4的融合图像，(g)JSR的融合图像，(h)CSR的融合图像；(i)CNN的融合图像，(j)本申请方法的融合图像；图5为本专利技术实施例各算法作用在'lab'图像的融合结果图，(a)近焦源图像，(b)远焦源图像，(c)Hybrid-MSD的融合图像，(d)MWGF的融合图像，(e)ASR的融合图像，(f)DWT-SR-4的融合图像，(g)JSR的融合图像，(h)CSR的融合图像；(i)CNN的融合图像，(j)本申请方法的融合图像；图6为本专利技术实施例各算法作用在'book-shelf'图像的融合结果图，(a)近焦源图像，(b)远焦源图像，(c)Hybrid-MSD的融合图像，(d)MWGF的融合图像，(e)ASR的融合图像，(f)DWT-SR-4的融合图像，(g)JSR的融合图像，(h)CSR的融合图像；(i)CNN的融合图像，(j)本申请方法的融合图像；图7为本专利技术实施例作用在其它六对多聚焦源图像上的融合结果图，(a)近焦源图像，(b)远焦源图像，(c)Hybrid-MSD的融合图像，(d)MWGF的融合图像，(e)ASR的融合图像，(f)DWT-SR-4的融合图像，(g)JSR的融合图像，(h)CSR的融合图像；(i)CNN的融合图像，(j)本申请方法的融合图像；图8为本专利技术实施例所有多聚焦图像作用在各种对比方法上的客观评价指标图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本专利技术做进一步详细说明。实施例1卷积弹性网络模型：卷积弹性网络正则化算法可以看作是弹性网络正则化算法的一种扩展形式。卷积弹性网络正则化算法的基本思想是提供一种可选的系数表示结构，该结构将整个信号s∈RN建模为一组具有相同信号大小的系数映射集xm∈RN，并使用相应的字典滤波器集dm∈Rn×n×m(n＜m)。这个问题可以表述如下，并且可以使用ADMM方法计算，以获得主线性系统的有效解：其中*表示卷积算子，λ和mu分别是L1和L2正则化参数。为了方便描述，两个几何已配准的灰度源图像sA,sB，算法具体步骤如下：源图像分解：对两个已配准好的源图像sA,sB执行多尺度变换，以获得它们的低通分量k＝A,B和高通分量k＝A,B，具体如下：细节层融合：首先，利用ADMM方法得到了一个高频字典系数映射集然后，活动级别映射A可以表示为其次，通过“选择最大值”策略得到细节层的融合字典系数映射集：最后，细节层融合如下：步骤3、【低频分量融合】根据“选择最大值”规则执行基本层的融合：步骤4、【图像重建】根据重建策略获得融合图像：为证明本申请所提算法的融合效果，将算法分别应用到’clock’,’pepsi’,’lab’等10组多聚焦图像。图1为实验数据集。参数设置：在Hybrid-MSD方法中，考虑了一个四级分解，为此分别将空间高斯和距离高斯本文档来自技高网...

【技术保护点】
1.一种基于卷积弹性网络的多聚焦图像融合方法，其特征在于，包括如下步骤：/n步骤1、源图像分解，对两个预先配准好的源图像s

【技术特征摘要】
1.一种基于卷积弹性网络的多聚焦图像融合方法，其特征在于，包括如下步骤：
步骤1、源图像分解，对两个预先配准好的源图像sk(k＝A,B)进行图像分解，获得它们的细节分量和低频分量
步骤2、细节分量融合；子步骤如下：
1)利用ADMM交替方向乘子法方法得到了一个高频字典系数映射集
2)活跃映射Ak可以表示为



其中，是第k幅图像的高频字典系数映射集，||·||表示的1-范数；
3)通过以下融合策略得到细节层的融合字典系数映射集；



其中，xf,m和表示细节层的稀疏系数，k*表示获得最大Ak时的k值，表示Ak达到最大值时k的取值；
4)最后，细节层融合如下：



其中，xf,m是细节层的稀疏系数，dm(m∈1,...,M)是一组字典过滤器；
步骤3、低频分量融合，基本层的融合规则和细节层的一致；
步骤4、图像重建，根据重建策略获得融合图像。


2.根据权利要求1所述的多聚焦图像融合方法，其特征在于：所述的步骤1，其中图像分解操作如下：



其中，η是正则化参数，sk是待融合的源图像，sLk是源图像的低频分量，表示Frobenius范数。


3.根据权利要求2所述的多聚焦...

【专利技术属性】
技术研发人员：张铖方，高志升，
申请(专利权)人：四川警察学院，
类型：发明
国别省市：四川;51