论文部分内容阅读
图像融合是信息融合技术领域方面的一个重要分支,它通过将多个传感器采样、收集到的关于同一场景或者不同场景同一目标的多个原始图像的信息加以适当的处理,从而来获得对同一场景、同一目标更为清晰、完整、丰富的图像。其应用遍及遥感探测、交通监测、医学图像分析、环境保护等重要领域,伴随其应用的推广,图像融合过程中图像的数量逐渐增加,巨大的计算量给图像融合过程产生了极大的困难。压缩感知(Compressed Sensing,CS)理论的提出为解决了这一复杂问题提供了一种新的、便捷的途径。当采样信号具有一定的稀疏特性或者可压缩性时,通过对所得到信号进行少量的采样,将已采集到的少量信息通过压缩感知重构算法就能够高效地重构出原始信号,在一定程度上降低了计算机的储存空间、缓解了计算的复杂度。本文围绕图像融合的基本框架,在认真学习相关研究成果的基础上,深入研究了压缩感知理论和图像融合算法,主要工作包括:1、提出了一种基于区域特性的压缩感知多聚焦图像融合算法。通过对输入的源图像进行单层小波变换,由于小波变换后得到的低频系数不稀疏,高频系数稀疏,所以采用不同的融合规则处理。低频系数采用区域方差加权绝对值最大融合,高频系数通过在具有较好RIP性质的随机观测矩阵下进行压缩采样,得到的观测值在基于能量匹配度的不同下进行相加或加权融合,最后恢复算法得到融合图像。实验结果表明,该方法简单、全面的提取了高频部分的特征信息,且降低了计算复杂度,具有较好的使用性。2、提出了一种基于非下采样剪切波(NSST)的脉冲耦合神经网络(PCNN)压缩感知图像融合算法。利用NSST的多分辨率、多方向性且平移不变性,以及PCNN模型能够充分保留图像细节特性等优势。对低频子带系数采用区域方差加权与匹配度相结合作为融合算子;对NSST分解得到的不同方向、不同尺度的高频子带系数通过压缩感知采样,获得的观测值作为PCNN神经元输入,标准差作为链接强度,得到的点火映射图作为改进的融合算子,并在最小差分变法下重构出高频子带系数;最后,在NSST逆变换下,得到最终的融合图像。通过实验结果与常见的质量评价指标分析,表明此算法的有效性。