本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及圖像的融合，可用于圖像處理、計(jì)算機(jī)視覺(jué)、醫(yī)學(xué)圖像處理及軍事等領(lǐng)域。

背景技術(shù)：

近年來(lái)，稀疏表示作為一種有效的方法受到了越來(lái)越多的關(guān)注，它被應(yīng)用到了圖像處理的許多問(wèn)題中，例如：圖像去噪、圖像融合、圖像壓縮等。一幅場(chǎng)景中含有豐富的信息，用單成像傳感器系統(tǒng)不能捕獲場(chǎng)景中所有的信息，為了解決此問(wèn)題，多傳感器圖像融合系統(tǒng)應(yīng)運(yùn)而生，多傳感器圖像融合系統(tǒng)有效利用不同成像傳感器之間的互補(bǔ)性，消除多傳感器圖像之間的冗余信息，對(duì)不同成像傳感器獲取的圖像進(jìn)行綜合，形成對(duì)目標(biāo)更加完整、清晰、準(zhǔn)確的描述，從而有效地增加對(duì)象的信息量、提高圖像信息的利用率、提高系統(tǒng)的精度和魯棒性、降低系統(tǒng)的不確定性、擴(kuò)大系統(tǒng)的應(yīng)用范圍、多傳感器圖像融合系統(tǒng)在軍事、醫(yī)學(xué)、遙感和公共安全等領(lǐng)域具有廣泛的應(yīng)用前景。

基于稀疏表示的圖像融合主要分為三個(gè)階段：構(gòu)造字典、稀疏編碼和對(duì)源圖像的稀疏表示系數(shù)設(shè)計(jì)融合規(guī)則。基于稀疏表示的圖像融合的框架中，字典和融合規(guī)則的設(shè)計(jì)對(duì)圖像融合的質(zhì)量有著非常重要的影響。

當(dāng)前主要構(gòu)造字典的方法是通過(guò)樣本學(xué)習(xí)得到字典。字典的學(xué)習(xí)方法有最優(yōu)方向法即MOD(Method of Optimal Directions),K-SVD(Singular Value Decomposition)和任務(wù)驅(qū)動(dòng)(Task-Driven)的字典學(xué)習(xí)方法的基礎(chǔ)。其中K-SVD算法是最常用的字典學(xué)習(xí)方法，也是其他許多字典學(xué)習(xí)方法的基礎(chǔ)。但是K-SVD算法構(gòu)造字典的缺點(diǎn)：?jiǎn)蝹€(gè)字典的表示能力有限，對(duì)圖像的細(xì)節(jié)的表示能力不足，這樣會(huì)導(dǎo)致融合后的圖像會(huì)有所平滑，對(duì)細(xì)節(jié)的重構(gòu)能力比較差。自然圖像中有豐富的結(jié)構(gòu)信息，而K-SVD的字典學(xué)習(xí)方法沒(méi)有利用圖像中的結(jié)構(gòu)信息。在文獻(xiàn)(Eldar,Y.C.,P.Kuppinger and H.Bolcskei,Block-Sparse Signals:Uncertainty Relations and Efficient Recovery.Signal Processing,IEEE Transactions on,2010.58(6):p.3042-3054.)中提出了組結(jié)構(gòu)字典，該文獻(xiàn)中證明了組結(jié)構(gòu)字典重構(gòu)信號(hào)的理論可行性并且說(shuō)明了組結(jié)構(gòu)字典考慮了信號(hào)中的結(jié)構(gòu)信息后在重構(gòu)信號(hào)的能力上表現(xiàn)更好。文獻(xiàn)(Shutao,L.,Y.Haitao and F.Leyuan,Group-Sparse Representation With Dictionary Learning for Medical Image Denoising and Fusion.Biomedical Engineering,IEEE Transactions on,2012.59(12):p.3450-3459.)中利用了組結(jié)構(gòu)化字典進(jìn)行圖像融合。但是這里字典的組結(jié)構(gòu)是預(yù)先固定了的，獲得的組結(jié)構(gòu)字典不能夠自適應(yīng)的根據(jù)信號(hào)調(diào)整自己的分組，在該文章中約束組內(nèi)字典原子是通過(guò)增加字典中的相似性，而這樣會(huì)導(dǎo)致同一組的字典過(guò)于相似，使一個(gè)組的字典原子的表示能力受限。以上的原因會(huì)導(dǎo)致獲得的字典在表示信號(hào)時(shí)的能力不夠好，從而導(dǎo)致融合的結(jié)果不夠好。

基于稀疏表示的融合規(guī)則的設(shè)計(jì)，一般是L1范數(shù)最大或者取平均。取平均的融合規(guī)則會(huì)使融合后的圖像的對(duì)比度下降，還會(huì)有比較嚴(yán)重的平滑現(xiàn)象；L1范數(shù)最大的融合規(guī)則是根據(jù)L1范數(shù)大的那個(gè)圖像塊被選中作為融合圖像中對(duì)應(yīng)的圖像塊，而L1范數(shù)較小的對(duì)應(yīng)的整個(gè)圖像塊就被拋棄了，這樣會(huì)導(dǎo)致以下兩個(gè)問(wèn)題：

(1)L1范數(shù)較小的那個(gè)圖像塊中也會(huì)有一些很顯著的信息需要保留，而這樣的融合規(guī)則會(huì)使在融合圖像中并沒(méi)有得到這一部分的信息，使融合圖像的信息損失較大、細(xì)節(jié)不夠豐富。

(2)L1范數(shù)最大的規(guī)則會(huì)造成在融合圖像中空間上的不連續(xù)性。這個(gè)現(xiàn)象在異質(zhì)圖像的融合中會(huì)經(jīng)常發(fā)生。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的發(fā)明目的在于：針對(duì)上述存在的問(wèn)題，提出一種基于稀疏表示自適應(yīng)學(xué)習(xí)組結(jié)構(gòu)化字典的圖像融合方法。本發(fā)明學(xué)習(xí)到的字典是自適應(yīng)的組結(jié)構(gòu)化字典，這種字典的表示能力比較強(qiáng)，對(duì)細(xì)節(jié)的重構(gòu)能力比較好。在融合規(guī)則上充分利用結(jié)構(gòu)化字典的信息，使融合的圖像不會(huì)失去源圖像中的顯著信息，并且減少了融合圖像空間上的不連續(xù)性。本發(fā)明的具體實(shí)現(xiàn)步驟如下：

1、基于自適應(yīng)組結(jié)構(gòu)稀疏字典學(xué)習(xí)的圖像融合方法，其特征在于，包括下列步驟：

步驟1：對(duì)待融合圖像A和B分別進(jìn)行滑窗分塊處理，得到t個(gè)大小為的局部圖像塊其中圖像塊標(biāo)識(shí)符i＝{1,2,,…,t},N為預(yù)設(shè)值；

所述滑窗分塊處理為：采用滑窗步長(zhǎng)為1，窗口大小為的滑動(dòng)窗口自左到右從上到下進(jìn)行重疊滑窗；

步驟2：把圖像塊的個(gè)像素值排成一列，得到列向量i＝{1,2,3,…,t}，列向量減去各自對(duì)應(yīng)的列向量的均值得到零均值的列向量即其中Q是N×1的全為1的列向量；

步驟3：判斷圖像塊數(shù)目t是否大于閾值T，若是，則分別從t個(gè)中隨機(jī)選擇T個(gè)列向量作為訓(xùn)練樣本集Y；否則，直接將t個(gè)作為訓(xùn)練樣本集Y；用參數(shù)L表示訓(xùn)練樣本集Y的個(gè)數(shù)；

步驟4：隨機(jī)初始化一個(gè)大小為N×M的字典D₀，其中N等于步驟1所述的圖像塊的邊長(zhǎng)的平方，M為預(yù)設(shè)值且M>N；

將字典D₀作為組結(jié)構(gòu)字典D初始值，基于字典D₀、訓(xùn)練樣本集Y，采用自適應(yīng)組結(jié)構(gòu)化字典學(xué)習(xí)方法學(xué)習(xí)得到組結(jié)構(gòu)字典D，在字典學(xué)習(xí)時(shí)，約束組結(jié)構(gòu)字典D的組稀疏度為預(yù)設(shè)值k，且每個(gè)組的最大字典原子數(shù)為預(yù)設(shè)值s；

步驟5：基于步驟4得到的組結(jié)構(gòu)字典D，分別對(duì)各采用組稀疏度為k的塊正交匹配追蹤算法(B-OMP)計(jì)算稀疏系數(shù)向量

步驟6：對(duì)稀疏系數(shù)向量采用基于組結(jié)構(gòu)的L1范數(shù)最大的方法得到對(duì)應(yīng)的融合稀疏系數(shù)向量X_i，i＝{1,2,3,…,t}；

步驟7：根據(jù)公式計(jì)算第一融合圖像列向量即第一融合圖像列向量為沒(méi)有源圖像亮度信息的融合圖像列向量；

根據(jù)列向量的均值的均值得到融合列向量均值即再根據(jù)公式得到第二融合圖像列向量即二融合圖像列向量為含有源圖像對(duì)應(yīng)亮度信息的融合圖像列向量；

基于步驟2中得到列向量的逆方式，將第二融合圖像列向量轉(zhuǎn)化成大小為的融合圖像塊

步驟8：將每個(gè)融合圖像塊按照步驟1滑窗分塊時(shí)的順序進(jìn)行排列，對(duì)存在融合圖像塊重疊的像素點(diǎn)的像素值進(jìn)行累加、再除以各像素點(diǎn)的累加次數(shù)，得到的融合圖像F。

進(jìn)一步的，步驟4所述的自適應(yīng)組結(jié)構(gòu)化字典學(xué)習(xí)方法得到組結(jié)構(gòu)字典D的具體步驟為：

401：采用正交匹配追蹤算法(OMP)計(jì)算訓(xùn)練樣本集Y的每個(gè)樣本基于當(dāng)前組結(jié)構(gòu)字典D的稀疏表示系數(shù)矩陣X，所述稀疏表示系數(shù)矩陣X的稀疏度為s*k，矩陣大小為M×L，即X＝argmin_X‖Y-DX‖_F且||X_j||₀≤s*k，其中j＝1,…,L，||X_j||₀表系數(shù)矩陣X的第j列不為零的元素的數(shù)目，符號(hào)||·||_F表示Frobenius范數(shù)，組結(jié)構(gòu)字典D的初始值為D₀；

402：對(duì)稀疏表示系數(shù)矩陣X進(jìn)行更新，先對(duì)矩陣X按行進(jìn)行標(biāo)準(zhǔn)化，再對(duì)矩陣按列進(jìn)行標(biāo)準(zhǔn)化后得到更新后的稀疏表示系數(shù)矩陣X；

403：基于當(dāng)前稀疏表示系數(shù)矩陣X計(jì)算組結(jié)構(gòu)字典D的分組信息d：

403-1：初始化矩陣X′＝X，分組向量d為稀疏表示系數(shù)矩陣X的行索引值，即d＝[1,2,3,…,M]；

403-2：計(jì)算矩陣X′中任意兩行的內(nèi)積，并內(nèi)積大小進(jìn)行排序，初始化i＝1，并執(zhí)行步驟403-2-1：

403-2-1：判斷內(nèi)積為第i大的兩行的原子數(shù)目之和是否大于s，若是，則執(zhí)行步驟403-2-2，否則執(zhí)行步驟403-3；

403-2-2：若i<L則令i＝i+1后，繼續(xù)執(zhí)行步驟403-2-1；若i＝L則分組聚類算法結(jié)束，執(zhí)行步驟404；

403-3：將內(nèi)積為第i大的兩行合并，得到更新后的矩陣X′，其中合并的方式為：兩個(gè)行向量相加除以2；

并基于內(nèi)積為第i大的兩行的行索引值對(duì)分組向量d進(jìn)行更新后，繼續(xù)執(zhí)行步驟403-2；

其中對(duì)分組向量d的更新具體為：用p、q表示內(nèi)積為第i大的行索引值，將分組向量d中的行索引值p、q全部修改為p與q中的較小索引值；

404：將分組信息d中同一取值的列作為一組，得到組結(jié)構(gòu)字典D的分組方式，并基于組結(jié)構(gòu)字典D的分組結(jié)果更新稀疏表示系數(shù)矩陣X，即X＝argmin_X‖Y-DX‖_F且s.t.||X_j||_0,d≤k,j＝1,…L，其中||X_j||_0,d表示稀疏表示系數(shù)矩陣的第j列不為0的元素對(duì)應(yīng)的分組數(shù)目；405：逐組更新組結(jié)構(gòu)字典D；

406：判斷是否滿足迭代收斂條件，若是，則基于當(dāng)前組結(jié)構(gòu)字典D執(zhí)行步驟5；否則繼續(xù)執(zhí)行步驟401；

其中迭代收斂條件為：達(dá)到最大迭代次數(shù)或最近兩次迭代得到的組結(jié)構(gòu)字典D的重構(gòu)信號(hào)的誤差小于或等于預(yù)設(shè)閾值。

進(jìn)一步的，步驟6采用基于組結(jié)構(gòu)的L1范數(shù)最大的方法進(jìn)行融合的具體為：

根據(jù)權(quán)利要求1的步驟4學(xué)習(xí)得到組結(jié)構(gòu)字典D，基于組結(jié)構(gòu)的L1范數(shù)最大的融合規(guī)則為：

若則否則其中j＝1…M,k＝1…B，B表示分組向量d中元素的最大值，分別表示稀疏系數(shù)向量的第j列中屬于第k組元素的絕對(duì)值之和，X_i,d(j)＝k表示融合系數(shù)向量X_i的第j列中屬于第k組的元素。

綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

(1)本發(fā)明采用自適應(yīng)的組結(jié)構(gòu)字典，使得圖像稀疏表示系數(shù)更為稀疏，因此融合后的圖像更加精確，且融合處理速度快；

(2)本發(fā)明采用基于組結(jié)構(gòu)的L1范數(shù)最大的融合規(guī)則，能夠減少融合圖像中的信息損失，使融合圖像中的細(xì)節(jié)更加豐富；并且能夠減少融合圖像空間上的不連續(xù)性。

附圖說(shuō)明

圖1是本發(fā)明的流程圖

圖2是待融合的紅外和可見(jiàn)光圖像

圖3是用本發(fā)明的融合方法和基于K-SVD的融合方法對(duì)圖2的融合結(jié)果

圖4是待融合的腦部醫(yī)學(xué)圖像

圖5是用本發(fā)明的融合方法和基于K-SVD的融合對(duì)圖4的融合結(jié)果。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合實(shí)施方式和附圖，對(duì)本發(fā)明作進(jìn)一步地詳細(xì)描述。

參照?qǐng)D1，本發(fā)明的具體實(shí)施過(guò)程如下：

(1)從輸入的待融合圖像A和B(圖像A、B的尺寸相同)，分別對(duì)圖像A和B執(zhí)行滑窗分塊操作：采用滑窗步長(zhǎng)為1的滑動(dòng)窗口為自左到右、從上到下進(jìn)行滑窗分塊，從而分別得到t個(gè)大小為的圖像塊其中：圖像塊標(biāo)識(shí)符i＝{1,2,,…,t}，N根據(jù)待融合圖像的大小選定，本具體實(shí)施方式中，選取N＝64。

(2)把圖像塊分別拉成列向量即將每個(gè)圖像塊的個(gè)像素分別排列成一列，生成列向量列向量減去各自對(duì)應(yīng)的列向量的均值得到零均值的列向量即其中Q是N×1的全為1的列向量。

(3)若t>T,則分別從集合θ^A、θ^B中隨機(jī)選擇T個(gè)列向量作為訓(xùn)練樣本集Y，否則直接用θ^A、θ^B作為訓(xùn)練樣本集Y，令Y中樣本的個(gè)數(shù)為L(zhǎng)，其中T為預(yù)設(shè)閾值，本具體實(shí)施方式中，取T＝10000；

(4)隨機(jī)初始化一個(gè)大小為N×M(M>N)的字典D₀，將字典D₀作為組結(jié)構(gòu)字典D初始值，在訓(xùn)練樣本集Y上采用自適應(yīng)組結(jié)構(gòu)化字典學(xué)習(xí)方法學(xué)習(xí)得到組結(jié)構(gòu)字典D，在字典學(xué)習(xí)時(shí)，約束字典組結(jié)構(gòu)D的組稀疏度為k＝4，最大的組能含有的字典原子數(shù)為s＝4：

401：采用正交匹配追蹤算法計(jì)算訓(xùn)練樣本集Y的每個(gè)樣本基于當(dāng)前組結(jié)構(gòu)字典D的稀疏表示系數(shù)矩陣X，所述稀疏表示系數(shù)矩陣X的稀疏度為s*k，矩陣大小為M×L，即X＝argmin_X‖Y-DX‖_F且||X_j||₀≤s*k，其中j＝1,…,L，||X_j||₀表系數(shù)矩陣X的第j列不為零的元素的數(shù)目，符號(hào)||·||_F表示Frobenius范數(shù)，組結(jié)構(gòu)字典D的初始值為D₀；

402：對(duì)稀疏表示系數(shù)矩陣X進(jìn)行更新，先對(duì)矩陣X按行進(jìn)行標(biāo)準(zhǔn)化，再對(duì)矩陣按列進(jìn)行標(biāo)準(zhǔn)化后得到更新后的稀疏表示系數(shù)矩陣X，本具體實(shí)施方式中采用的標(biāo)準(zhǔn)化方式是Z分?jǐn)?shù)標(biāo)準(zhǔn)化(Z-score標(biāo)準(zhǔn)化)；

403：基于當(dāng)前稀疏表示系數(shù)矩陣X計(jì)算組結(jié)構(gòu)字典D的分組信息d：

403-1：初始化矩陣X′＝X，分組向量d為稀疏表示系數(shù)矩陣X的行索引值，即d＝[1,2,3,…,M]；

403-2：計(jì)算矩陣X′中任意兩行的內(nèi)積，并內(nèi)積大小進(jìn)行排序，初始化i＝1，并執(zhí)行步驟403-2-1：

403-2-1：判斷內(nèi)積為第i大的兩行的原子數(shù)目之和是否大于s，若是，則執(zhí)行步驟403-2-2，否則執(zhí)行步驟403-3；

403-2-2：若i<L則令i＝i+1后，繼續(xù)執(zhí)行步驟403-2-1；若i＝L則分組聚類算法結(jié)束，執(zhí)行步驟404；

403-3：將內(nèi)積為第i大的兩行合并，得到更新后的矩陣X′，其中合并的方式為：兩個(gè)行向量相加除以2；

并基于內(nèi)積為第i大的兩行的行索引值對(duì)分組向量d進(jìn)行更新后，繼續(xù)執(zhí)行步驟403-2；

其中對(duì)分組向量d的更新具體為：用p、q表示內(nèi)積為第i大的行索引值，將分組向量d中的行索引值p、q全部修改為p與q中的較小索引值；

404：將分組信息d中同一取值的列作為一組，得到組結(jié)構(gòu)字典D的分組方式，以M＝8為例，若分組信息d為[1,2,1,1,2,3,4,5]，則表示在組結(jié)構(gòu)字典D中，第1、3、4列屬于一組、第2、5列屬于一組，第6、7、8列分別屬于一組。

然后，基于組結(jié)構(gòu)字典D的分組結(jié)果更新稀疏表示系數(shù)矩陣X，即X＝argmin_X‖Y-DX‖_F且s.t.||X_j||_0,d≤k,j＝1,…L，其中||X_j||_0,d表示稀疏表示系數(shù)矩陣的第j列不為0的元素對(duì)應(yīng)的分組數(shù)目；

405：逐組更新組結(jié)構(gòu)字典D：

組結(jié)構(gòu)字典D的組數(shù)用B表示，即分組向量d中元素的最大值，則保持B-1組的字典列不變，更新第j₀組的字典列，其中j₀表示當(dāng)前待更新組，用公式可以表示為：

其中，是表示稀疏表示系數(shù)矩陣X的第j行，符號(hào)(·)^T表示矩陣轉(zhuǎn)置，D_j表示組結(jié)構(gòu)字典D的第j列，d(j)表示分組向量d中第j個(gè)元素的值。

為了簡(jiǎn)化優(yōu)化處理過(guò)程，定義參量則優(yōu)化屬于第j₀組的字典和對(duì)應(yīng)的稀疏表示系數(shù)為：用m表示第j₀組含有的原子數(shù)，該優(yōu)化問(wèn)題等價(jià)于求秩為m的對(duì)近似的矩陣，可以使用SVD算法求解完成對(duì)組結(jié)構(gòu)字典D的逐組更新。

406：判斷是否滿足迭代收斂條件，若是，則基于當(dāng)前組結(jié)構(gòu)字典D執(zhí)行步驟5；否則繼續(xù)執(zhí)行步驟401；

其中迭代收斂條件為：達(dá)到最大迭代次數(shù)或最近兩次迭代得到的組結(jié)構(gòu)字典D的重構(gòu)信號(hào)的誤差小于或等于預(yù)設(shè)閾值。

(5)分別對(duì)用訓(xùn)練好的組結(jié)構(gòu)字典D(步驟(4)學(xué)習(xí)得到的組結(jié)構(gòu)字典)采用組稀疏為k的B-OMP算法求出稀疏表示的系數(shù)向量

(6)對(duì)系數(shù)向量采用基于組結(jié)構(gòu)的L1范數(shù)最大的方法得到對(duì)應(yīng)的融合系數(shù)向量X_i，i＝{1,2,,…,t}，其中融合規(guī)則具體為：若則否則其中j＝1…M,k＝1…B，B表示分組向量d中元素的最大值，分別表示稀疏系數(shù)向量的第j列中屬于第k組元素的絕對(duì)值之和，X_i,d(j)＝k表示融合系數(shù)向量X_i的第j列中屬于第k組的元素。

(7)計(jì)算融合后的圖像列向量根據(jù)列向量的均值的均值得到融合列向量均值再根據(jù)公式得到含有源圖像對(duì)應(yīng)亮度信息的融合圖像列向量

基于步驟(1)中生成列向量的逆方式，將第二融合圖像列向量轉(zhuǎn)化成大小為的融合圖像塊

(8)將每個(gè)融合圖像塊按照步驟1滑窗分塊時(shí)的順序進(jìn)行排列，對(duì)存在融合圖像塊重疊的像素點(diǎn)的像素值進(jìn)行累加、再除以各像素點(diǎn)的累加次數(shù)，得到的融合圖像F。

本發(fā)明的技術(shù)效果由以下仿真實(shí)驗(yàn)進(jìn)一步說(shuō)明。

1、仿真條件：

1)選取4幅待融合圖像，如圖2、3所示：

2)仿真實(shí)驗(yàn)的對(duì)比方法使用傳統(tǒng)的基于K-SVD的圖像融合方法；

3)仿真實(shí)驗(yàn)中本發(fā)明的組稀疏度k＝4，組內(nèi)最大原子數(shù)s＝4；傳統(tǒng)的基于K-SVD的圖像融合方法的組稀疏度取值為16。

2、仿真內(nèi)容和仿真結(jié)果

仿真一，用本發(fā)明方法與現(xiàn)有的小波方法對(duì)圖2進(jìn)行融合的仿真實(shí)驗(yàn)，結(jié)果如圖4所示，其中：圖4(a)是本發(fā)明得到的結(jié)果，圖4(b)是傳統(tǒng)的基于K-SVD的融合方法得到的結(jié)果圖。

從圖4中可以看出，本發(fā)明融合出的圖像包含的信息更多，融合的結(jié)果也比對(duì)比的方法更加清晰，特別是對(duì)源圖像的一些顯著的小特征融合的非常好，且也可以看出本發(fā)明的融合圖像減少了圖像在空間上的不連續(xù)性。

將用本發(fā)明方法和現(xiàn)有的基于K-SVD的融合方法對(duì)圖2所示的兩幅待融合圖像進(jìn)行融合的性能參數(shù)進(jìn)行對(duì)比如表1下所示：

表1

其中SSIM(structural similarity index measure)是結(jié)構(gòu)相似度的評(píng)價(jià)準(zhǔn)則，是圖2(a)和各自方法融合圖像的結(jié)構(gòu)相似度，是圖2(b)和各自方法融合圖像的結(jié)構(gòu)相似度，是圖2(a)和圖2(b)和各自融合方法的平均結(jié)構(gòu)相似度。CORR(correlation)是兩幅圖像的相關(guān)系數(shù)，是圖2(a)和各自方法融合圖像的相關(guān)系數(shù)，是圖2(b)和各自方法融合圖像的相關(guān)系數(shù)，是圖2(a)和圖2(b)和各自融合方法的平均結(jié)構(gòu)相似度。

從表1中可以看出，由結(jié)構(gòu)相似度的評(píng)價(jià)指標(biāo)可以發(fā)現(xiàn)：對(duì)比方法的融合結(jié)果會(huì)傾向于只選擇某一副源圖像中的結(jié)構(gòu)信息，導(dǎo)致另一幅源圖像的一些顯著結(jié)構(gòu)在源圖像中得不到保留，而本發(fā)明方法在選擇結(jié)構(gòu)信息的時(shí)候是綜合考慮各自源圖像中結(jié)構(gòu)的顯著性來(lái)進(jìn)行融合的，這說(shuō)明了本發(fā)明方法的基于組結(jié)構(gòu)的L1范數(shù)最大的融合規(guī)則能夠從源圖像中獲取的結(jié)構(gòu)信息更為豐富，從而使融合圖像的細(xì)節(jié)表現(xiàn)力更強(qiáng)。表1中相關(guān)系數(shù)的評(píng)價(jià)指標(biāo)也反映了本發(fā)明方法比對(duì)比方法能更均衡的融合各自圖像中的內(nèi)容。

仿真二，用本發(fā)明方法與現(xiàn)有的基于K-SVD的融合方法對(duì)圖3所示的兩幅待融合圖像進(jìn)行融合的仿真實(shí)驗(yàn)，結(jié)果如圖5所示，其中:圖5(a)是本發(fā)明的融合結(jié)果圖，圖5(b)是基于現(xiàn)有K-SVD融合方法得到的融合結(jié)果圖。

從圖5可以看出，本發(fā)明的融合結(jié)果信息更為豐富，對(duì)各自源圖像中的特征保留的更好。

表2用本發(fā)明方法與基于現(xiàn)有K-SVD融合方法進(jìn)行融合的性能參數(shù)對(duì)比

表2中各項(xiàng)的定義與表1的相同。

從表2中可以看出，本發(fā)明的圖像融合結(jié)果比對(duì)比方法的與源圖像的結(jié)構(gòu)相似度更高，說(shuō)明本發(fā)明方法從源圖像中獲取的結(jié)構(gòu)信息更加豐富。本發(fā)明方法的與源圖像的相關(guān)系數(shù)更高，說(shuō)明本發(fā)明方法的融合結(jié)果中的內(nèi)容和源圖像中的內(nèi)容相似度更高，說(shuō)明獲取了源圖像中的更多信息。

以上所述，僅為本發(fā)明的具體實(shí)施方式，本說(shuō)明書中所公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換；所公開的所有特征、或所有方法或過(guò)程中的步驟，除了互相排斥的特征和/或步驟以外，均可以任何方式組合。