一种基于小波稀疏基的压缩感知图像融合算法

随着压缩感知技术的发展,基于压缩感知的图像融合技术研究逐渐受到越来越多的重视。针对图像小波分解系数特点,提出了一种基于双放射状采样模式的压缩传感域图像融合算法。该算法首先通过双放射状采样模式获得待融合图像的小波稀疏域线性测量值;然后利用一种简单的绝对值最大融合规则直接在压缩感知域进行融合,最后通过最小全变分的方法重构融合图像。主客观实验结果表明,该算法具有良好的融合效果。     

基于区域特性的压缩感知多聚焦融合算法

传统的基于压缩感知的图像融合算法是对整个系数进行稀疏处理,而小波分解后的低频系数不稀疏,导致压缩重构质量降低,并且传统的融合规则不易简单、全面地提取高频系数的特征值。针对这一问题,分别对小波分解得到的高、低频系数采取不同的融合规则进行处理,提出了一种改进的区域特性高频压缩感知的融合算法。其中,低频系数采用区域方差加权绝对值最大融合;高频系数首先通过具有较好RIP性质的随机观测矩阵进行压缩采样,得到的观测值基于能量匹配度的不同进行相加或加权融合,以融合不同方向的高频子带特征信息,再用正交匹配追踪重构算法对高频部分进行信号重构。最后,低频、高频信息在小波逆变换下重构出融合图像。实验结果表明,与以往的基于压缩感知的融合方法相比,此算法的融合图像更清晰,新算法无论是在主观评价还是客观评价指标上都有利于图像信号重构,并具有较好的使用性。     

压缩传感及其在医学图像融合中的应用

为适应压缩传感成像技术的发展,降低融合运算对计算资源的需求,提出一种压缩传感域医学图像融合方法.算法利用双树复数小波变换具有的近似平移不变性、多方向的特性,以其作为稀疏分解基对图像做稀疏分解;分解后得到的系数,经由随机抽取哈达码块矩阵生成观测矢量;对得到的随机观测矢量,采用加权平均的方法进行融合;再经梯度投影重构生成融合图像的小波分解系数;最后,由逆双树复数小波变换生成融合后的图像.实验结果表明:所提算法可获得好的融合质量,并提高融合计算效率.     

Contourlet域方向子带稀疏表示的图像压缩感知

为了提高压缩感知中图像的稀疏表示性能, 提出了一种Contourlet域方向子带稀疏表示的图像压缩感知算法。将图像Contourlet分解后的多个高频子带根据方向正交特点进行重组, 采用随机高斯矩阵对重组后的子带分别进行测量, 实现压缩采样; 利用正交匹配追踪法重建各子带系数, 并进行Contourlet反变换重构原图像。实验结果表明, 在相同采样率下, 算法重构图像的主观视觉效果和峰值信噪比都优于小波压缩感知算法。     

基于单层双树小波变换和平滑零范数法的压缩感知图像重构

基于压缩感知理论,从图像稀疏变换方式和压缩感知恢复算法两方面出发,对原有算法进行改进,提出了基于单层双树小波变换和平滑零范数法(Smoothed-L0)的压缩感知图像重构算法(DTSL0 )。该算法的思想是:对原始图像进行双树实系数小波稀疏变换,并使用Smoothed-L0压缩感知恢复算法予以重构。仿真实验表明:该算法在图像重构质量、执行速度,以及鲁棒性方面均有显著提升。     

基于压缩感知理论的图像融合方法

基于压缩感知（Compressed Sensing,CS）理论,提出了一种采样点少且结构简单易实现的图像融合方法。对需要处理的两幅或多幅图像进行小波变换,分别对得到的小波系数进行稀疏处理得到稀疏矩阵,通过系数绝对值较大法进行融合,对融合后的系数矩阵通过随机观测获取压缩采样,而图像恢复则是对得到的压缩采样通过求解最优化的问题得到。由于对小波系数进行了稀疏处理,故该方法可以用少量的采样点来恢复图像。实验结果表明,在相同采样点下,该方法得到的图像质量（PSNR）明显优于传统的系数绝对值较大法融合;在少量采样点下,采用该方法也可以使融合的图像达到较好的效果。     

基于梯度的压缩感知图像融合（英文）

目的:面向多传感器图像融合,实现基于梯度的压缩感知图像融合,使其具有传输量小,计算复杂度低的特点。创新点:提出一种基于梯度的融合规则(图1),对压缩感知系数进行融合,并对融合后的压缩感知系数进行反变换得到原图像,提高压缩感知融合质量。方法:首先,对多传感器捕获的图像进行压缩感知分解以提高传感器传输速率。然后在融合阶段,基于压缩感知系数梯度进行融合得到融合后的压缩感知系数,并对融合后的系数进行压缩感知反变换得到融合后图像。通过两种融合场景的应用实验(图2-7,表1-6),证明所提算法相比于其他传统压缩感知图像融合方法,在人眼视觉及客观融合标准中均更优。结论:针对多种融合场景,提出一种高效的基于梯度的压缩感知的图像融合方法,提高图像融合精度。     

单层小波分解下图像行列压缩感知选择算法

在进行图像压缩感知时发现以行或列进行压缩感知所得到的图像重构后的峰值信噪比(PSNR)是不同的。为了提高图像压缩重构的质量,提出了单层小波分解下图像行列压缩感知的选择算法。该算法首先计算图像的行与列数据的相对方差的最大偏离值,选择较小者对应的行或列作为压缩感知的对象,然后对图像进行单层小波变换分解出高频系数,在高斯观测矩阵下,对这些系数按指定的行或列进行压缩感知,最后利用正交匹配追踪算法(OMP)分别恢复压缩感知下的高频系数,并通过小波逆变换得到经过行列压缩感知后的重构图像,实验结果证明了算法的准确性。     

基于单层小波变换的图像融合压缩感知研究

提出了一种将单层小波变换与压缩感知相结合的图像融合新方法，仅通过测量图像的高频小波系数且保留了低频小波系数，利用不同的方案对低频小波系数和高频小波系数的测量进行融合。结合总变分（TV）最小化算法和融合测量来恢复高频小波系数，运用逆小波变换对融合图像进行重建。实验表明，该方法具有良好的融合性能和较低的计算复杂度。     

小波子带最优方向性选择和压缩感知的图像编解码

传统贝叶斯压缩感知方法所存在的局部优化问题导致了重构图像存在着较大的误差。本文提出一种基于小波自适应最优方向选择和压缩感知的图像编码方法,该方法依据图像小波变换的低频子带与高频子带所存在的相关性差异,对低频系数进行基于小波最优方向选择的编解码,以保证图像主要信息的重构质量;而针对高频子带的稀疏特性进行基于压缩感知的随机测量,以保证图像的编码效率。实验结果表明,与传统的压缩感知算法相比,本文所提出算法的解码图像具有更好的主观质量,同时在相同码率下解码图像的PSNR平均提高1~2dB。     

小波树结构在贝叶斯压缩感知图像重构中的应用研究

结合贝叶斯和压缩感知理论,提出了一种基于小波变换的图像压缩和重建方法。这种算法充分利用了小波变换系数的结构特征和相关性,有效地提高了图像的压缩比例和重建精度。对小波变换的尺度系数采用基于预测的恢复算法;对高频系数的恢复结合了贝叶斯理论和压缩感知理论,采用了一种基于回归模型的方法,通过高斯混合参数对未知权值参数赋予确定的先验分布,以限制系数的稀疏性。该方法能够得到未知参数的一组具有较高概率的模型,从而实现系数在MMSE意义下的重建。与现有的图像压缩方法以及其它基于压缩感知的图像压缩方法相比,该算法能够获得较高的图像重建质量和较大的图像压缩比。     

小波变换和稀疏表示相结合的遥感图像融合

针对多光谱图像与全色图像的融合,提出一种结合小波变换和稀疏表示的融合算法.该算法充分利用小波变换具有保持光谱信息这一优势,首先对多光谱图像进行IHS (intensity-hue-satuation)变换,然后对亮度分量和全色图像进行单层小波变换,得到对应的高低频系数.分析高低频系数的特征,对于不能认为是“稀疏”的低频系数采用稀疏表示进行融合;对于可以认为是“稀疏”的高频系数采用图像信息融合规则进行融合.最后进行小波逆变换和IHS逆变换得到融合结果.实验结果表明,该算法最大限度地保留了光谱信息,并提高了空间分辨率.     

基于NSST的CS与区域特性相结合的图像融合方法

针对多聚焦图像和多模态医学图像的成像特性,结合剪切波变换可以捕捉图像更多的方向和其他几何信息的特点,提出一种利用非下采样剪切波变换的压缩感知与区域特性相结合的图像融合方法。利用非下采样剪切波变换将源图像进行多方向、多尺度的分解,将得到的低频子带系数采取区域能量与区域方差加权的自适应融合方式处理。由于分解后的高频子带系数具有高稀疏性,可将高频子带系数通过高斯随机测量矩阵进行压缩处理之后,采用基于压缩感知的绝对值取大的融合方式处理;然后利用正交匹配追踪算法重构,经过非下采样剪切波变换逆变换得到融合图像。仿真实验结果表明,该方法的图像融合效果无论是在主观感觉还是客观指标评价方面较传统的融合方法都具有较大优势。     

一种基于小波变换的图像融合新算法*

在阐述小波图像融合算法的基础上,针对小波分解后各频域融合算子和融合规则的选择,提出一种新的基于小波分解的图像融合算法。对小波分解后的低频分量通过度量其图像块之间的相关系数和空间频率来确定融合图像的尺度系数;对高频分量,以方向对比度为判据确定融合图像的小波系数;最后,通过小波逆变换得到融合图像。对多组图像进行实验,实验结果表明,该方法是有效的。     

基于奇异值分解的压缩感知核磁共振图像重构算法

针对传统压缩感知在核磁共振成像中存在着重构算法慢、成像时间长的缺点,利用核磁共振图像自身非满秩的特点,在压缩感知框架下以奇异值分解作为基底对图像稀疏表示进行了研究,并对重构算法进行了优化。实验结果表明,提出的奇异值方法在重构效果上能达到与小波稀疏变换法相近的峰值性噪比,且能有效缩短图像重构时间,达到加速核磁共振成像的目的。     

基于小波域奇异值分解的图像压缩算法

提出了基于小波域奇异值分解（SVD）的图像压缩算法,该算法通过对小波分解系数进行奇异值分解,进而对小波系数进行压缩,实现图像压缩。将该算法与图像奇异值分解直接压缩的算法进行了实验比较,实验结果表明,该算法较图像奇异值分解直接压缩的算法具有更好的性能,在同样压缩比的情况下能获得更高的信噪比。     

基于提升静态小波变换与联合结构组稀疏表示的多聚焦图像融合

为抑制传统小波变换在多聚焦图像融合中产生的伪吉布斯现象,以及克服传统稀疏表示的融合方法容易造成融合图像的纹理与边缘等细节特征趋于平滑的缺陷,提高多聚焦图像融合的效率与质量,采用一种基于提升静态小波变换（LSWT）与联合结构组稀疏表示的图像融合算法。首先对实验图像进行提升静态小波变换,根据分解后得到的低频系数与高频系数各自不同的物理特征,采用不同的融合方式。选择低频系数时,采用基于联合结构组稀疏表示的系数选择方案;选择高频系数时,采用方向区域拉普拉斯能量和（DRSML）与匹配度相结合的系数选择方案。最后经逆变换重构得到最终融合图像。实验结果表明,改进的算法有效地提高了图像的互信息量、平均梯度等指标,完好地保留图像的纹理与边缘等细节信息,融合图像效果更好。     

遥感图像Contourlet变换域压缩融合

基于传统分块压缩感知(BCS)的图像融合中,由于空间域BCS采样缺乏考虑图像的全局特性,导致融合图像重构质量差,且存在分块效应。首先将输入图像在Contourlet变换(CT)域稀疏表示,并对CT分解系数进行分块压缩感知;再对压缩采样线性加权融合;最后用迭代阈值投影(ITP)方法重构融合图像,并消除分块效应。提出了基于Contourlet变换域分块压缩感知(CTBCS)的遥感图像压缩融合方法,并给出算法的详细实现流程。基于BCS和CTBCS进行压缩采样,再用ITP算法进行图像重构,仿真结果显示,与BCS相比,CTBCS采样有效考虑了图像的全局特性,基于CTBCS的ITP重构收敛速度更快,重构计算复杂度更小,重构精度更好,对应的重构图像峰值信噪比(PSNR)更高;实际资料测试结果表明,基于CTBCS的压缩融合效果比基于BCS的压缩融合效果更好,更接近常规CT融合效果。CTBCS压缩融合用较少量采样点获得与常规CT相比拟的融合结果,有效实现了大数据量遥感图像的压缩融合。     

基于非下采样轮廓波变换和压缩感知的图像融合方法

针对基于非下采样轮廓波变换(NSCT)的图像融合算法存在计算复杂度较高的问题,提出一种基于NSCT和压缩感知的图像融合方法.首先根据压缩感知理论的特点将其应用于图像融合领域,并采用Min-TV的方法重构图像;然后对NSCT进行分解,其计算量较大的带通子带系数采用基于压缩感知理论的图像融合方法;最后对低通融合图像和带通融合图像进行NSCT逆变换,得到最终的融合图像.通过仿真实验,从主观感知和客观数据的对比分析上验证了所提出方法的有效性.     

稀疏度拟合的自适应图像并行压缩感知算法

为了提高图像的重构精度和处理速度,提出一种稀疏度拟合的自适应小波包图像并行压缩感知算法.首先采用小波包对大小相同但不重叠的图像块进行稀疏变换,在最优分解尺度下利用迭代方法确定满足图像重构精度的最低采样率,并采用最小二乘法对采样率进行优化处理;然后结合云计算技术,利用MapReduce框架对算法进行并行化.在实验室构建Java开发环境下的计算机集群,采用标准图像作为样本比较不同算法的压缩率、重构性能和运算时间,结果表明,该算法的重构质量和处理速度均得到显著提升.