1.基于自适应组结构稀疏字典学习的图像融合方法，其特征在于，包括下列步骤：步骤1：对待融合图像A和B分别进行滑窗分块处理，得到t个大小为 的局部图像块 其中图像块标识符i＝{1,2,3,...,t}，N为预设值；

所述滑窗分块处理为：采用滑窗步长为1，窗口大小为 的滑动窗口自左到右从上到下进行重叠滑窗；

步骤2：把图像块 的 个像素值排成一列，得到列向量列向量 减去各自对应的列向量的均值 得到零均值的列向量 即 其中Q是N×1的全

为1的列向量；

步骤3：判断图像块数目t是否大于阈值T，若是，则分别从t个 中随机选择T个列向量作为训练样本集Y；否则，直接将t个 作为训练样本集Y；用参数L表示训练样本集Y的个数；

步骤4：随机初始化一个大小为N×M的字典D0，其中N等于步骤1所述的图像块的边长的平方，M为预设值且M＞N；

将字典D0作为组结构字典D初始值，基于字典D0、训练样本集Y，采用自适应组结构化字典学习方法学习得到组结构字典D，在字典学习时，约束组结构字典D的组稀疏度为预设值k，且每个组的最大字典原子数为预设值s；

步骤5：基于步骤4得到的组结构字典D，分别对各 采用组稀疏度为k的块正交匹配追踪算法计算稀疏系数向量步骤6：对稀疏系数向量 采用基于组结构的L1范数最大的方法得到对应的融合稀疏系数向量Xi，i＝{1,2,3,...,t}；

步骤7：根据公式 计算第一融合图像列向量

根据列向量的均值 的均值得到融合列向量均值 即 再根据公式 得到第二融合图像列向量

基于步骤2中得到列向量 的逆方式，将第二融合图像列向量 转化成大小为的融合图像块步骤8：将每个融合图像块 按照步骤1滑窗分块时的顺序进行排列，对存在融合图像块重叠的像素点的像素值进行累加、再除以各像素点的累加次数，得到的融合图像F。

2.根据权利要求1所述的方法，其中步骤4所述的自适应组结构化字典学习方法学习得到组结构字典D的具体步骤为：

401：采用正交匹配追踪算法计算训练样本集Y的每个样本基于当前组结构字典D的稀疏表示系数矩阵X，所述稀疏表示系数矩阵X的稀疏度为s*k，矩阵大小为M×L，即X＝argminX||Y-DX||F且||Xj||0≤s*k，其中j＝1，…，L，||Xj||0表系数矩阵X的第j列不为零的元素的数目，符号||·||F表示Frobenius范数，组结构字典D的初始值为D0；

402：对稀疏表示系数矩阵X进行更新，先对矩阵X按行进行标准化，再对矩阵按列进行标准化后得到更新后的稀疏表示系数矩阵X；

403：基于当前稀疏表示系数矩阵X计算组结构字典D的分组信息d：

403-1：初始化矩阵X′＝X，分组向量d为稀疏表示系数矩阵X的行索引值，即d＝[1，2，

3，…，M]；

403-2：计算矩阵X′中任意两行的内积，并根据内积大小进行排序，初始化i＝1，并执行步骤403-2-1：

403-2-1：判断内积为第i大的两行的原子数目之和是否大于s，若是，则执行步骤403-

2-2，否则执行步骤403-3；

403-2-2：若i＜L则令i＝i+1后，继续执行步骤403-2-1；若i＝L则分组聚类算法结束，执行步骤404；

403-3：将内积为第i大的两行合并，得到更新后的矩阵X′，其中合并的方式为：两个行向量相加除以2；

并基于内积为第i大的两行的行索引值对分组向量d进行更新后，继续执行步骤403-2；

其中对分组向量d的更新具体为：用p、q表示内积为第i大的行索引值，将分组向量d中的行索引值p、q全部修改为p与q中的较小索引值；

404：将分组信息d中同一取值的列作为一组，得到组结构字典D的分组方式，并基于组结构字典D的分组结果更新稀疏表示系数矩阵X，即X＝argminX||Y-DX||F且||Xj||0，d≤k,j＝1,…L，其中||Xj||0,d表示稀疏表示系数矩阵的第j列不为0的元素对应的分组数目；

405：逐组更新组结构字典D；

406：判断是否满足迭代收敛条件，若是，则基于当前组结构字典D执行步骤5；否则继续执行步骤401；

其中迭代收敛条件为：达到最大迭代次数或最近两次迭代得到的组结构字典D的重构信号的误差小于或等于预设阈值。

3.根据权利要求2所述的方法，其中步骤6采用基于组结构的L1范数最大的方法进行融合的具体为：根据权利要求1的步骤4学习得到组结构字典D，基于组结构的L1范数最大的融合规则为：若 则 否则 其中j＝

1...M,k＝1...B，B表示分组向量d中元素的最大值， 分别表示稀疏系数向量 的第j列中属于第k组元素的绝对值之和，Xi,d(j)＝k表示融合系数向量Xi的第j列中属于第k组的元素。