改进的基于稀疏表示的多聚焦图像融合

针对基于稀疏表示(Sparse Representation,SR)的融合算法存在冗余性和残余量丢失,提出一种改进的基于稀疏表示(Improved Sparse Representation,ISR)的多聚焦图像融合算法。该算法通过对源图像块去平均后再进行稀疏分解,解决了信息冗余问题;对稀疏表示中的残余量进一步采用小波变换进行融合,保证了信息的完整性;采用加权平均的融合规则,从而获得更多的信息量。实验结果表明,与其他的方法相比,本文提出的算法能实现更好的性能。     

图像过完备稀疏表示理论及应用综述

超完备字典稀疏表示作为一种有效表示模型,广泛应用于各种信号和图像处理任务中.介绍了稀疏表示的理论框架以及主要研究方向,分别从稀疏表示的可重构性和区分性两方面对其在图像处理及图像分析领域的应用进行综述.     

基于自适应过完备稀疏表示的红外图像滤波方法

针对传统滤波算法在滤除红外图像噪声时会损失部分有用信息的问题,提出一种基于自适应过完备稀疏表示的红外图像滤波方法。该方法采用K-SVD算法以待滤波的红外图像为样本训练出自适应过完备原子库;采用正交匹配跟踪算法将红外图像信号在该过完备原子库上稀疏分解为稀疏成分和其他成分,稀疏成分对应红外图像中的有用信息,其他成分对应红外图像中的噪声,由稀疏成分重建图像,从而达到消除噪声的目的。实验结果表明:该方法相比传统方法具有更好的滤波效果,重建图像质量较高。     

基于NSST和稀疏表示的多源异类图像融合方法

针对SAR、红外和可见光图像的灰度差异性大,融合图像感兴趣目标不突出的问题,提出一种基于NSST和稀疏表示的多源异类图像融合方法。首先将训练图像进行NSST变换,在低频系数上构建多尺度学习字典;对SAR、红外和可见光图像进行NSST变换,利用滑动窗口分解低频系数为图像块序列,对图像块序列零均值化后再稀疏分解,采用稀疏系数绝对值取大的融合规则;高频子带系数采用局部方向信息熵显著性因子取大的融合规则;最后对融合系数进行NSST逆变换得到最终的融合图像。     

基于过完备字典稀疏表示的多通道脑电信号压缩感知联合重构

该文基于多通道脑电信号时空特性构建非正交变换过完备字典,准确稀疏表示蕴含时空相关性信息的多通道脑电信号,提高基于时空稀疏贝叶斯学习模型的多通道脑电信号压缩感知联合重构算法性能。实验选用eegmmidb脑电数据库的多通道脑电信号验证所提算法有效性。结果表明,基于过完备字典稀疏表示的多通道脑电信号,能够为多通道脑电信号压缩感知重构算法提供更多的时空相关性信息,比传统多通道脑电信号压缩感知重构算法所得的信噪比值提高近12 dB,重构时间减少0.75 s,显著提高多通道脑电信号联合重构性能。     

基于参数自适应PCNN和卷积稀疏的多聚焦图像融合

针对同一目标不同焦点图像优势互补的需求和现有多焦点图像融合算法存在焦点不清晰、边缘模糊和重影等问题,引入一种基于参数自适应脉冲耦合神经网络(PAPCNN)和卷积稀疏表示(CSR)的多聚焦图像融合算法.在非下采样剪切波变换(NSST)分解高低频子带的基础上,采用CSR融合低频子带系数,其中的高频子带系数利用一种参数自适应...     

基于块分类稀疏表示的图像融合算法

针对基于单一字典训练稀疏表示的图像融合算法忽略图像局部特征的问题,提出了基于块分类稀疏表示的图像融合算法。此算法是根据图像局部特征的差异将图像块分为平滑、边缘和纹理三种结构类型,对边缘和纹理结构分别训练出各自的冗余字典。平滑结构利用算术平均法进行融合,边缘和纹理结构由对应字典利用稀疏表示算法进行融合,并对边缘结构稀疏表示中的残余量进行小波变换融合。实验结果证明,该算法相对于单一字典稀疏表示算法,在融合图像的主观评价和客观评价指标上都有显著改进,并且算法速度也有提高。     

卷积稀疏表示和邻域特征结合的多聚焦图像融合

稀疏表示的分块处理破环了图像的连续性,导致 多聚焦融合图像的清晰测度信息严重丢失。针对上述 问题,提出了卷积稀疏表示和邻域特征结合的多聚焦图像融合算法。该算法将非下采样轮廓 波变换(NSCT)域低频子图通过高斯滤波分解 成基础层和细节层,然后选用交替方向乘子算法(ADMM)求解稀疏系数,完成细节层特征响 应系数的融合。同时, 根据聚焦程度测量函数设计了合理的邻域特征,完成了NSCT域高频子图的融合。实验结果表 明:该算法边缘信息 传递因子(QAB/F)指标略低于对比算法, 但空间频率(SF)、平均梯度(AG)、清晰度(SP)以及视觉信息保 真度(VIFF)指标相比于对比算法分别提高了约16.31% 、41.87%、19.2%以及12.07%,有效地提取了源图像更深 层次的清晰测度信息,克服了稀疏表示的块效应缺陷。     

结合稀疏表示与图像压缩融合的目标检测

针对单光谱图像用于目标检测时信息量不足的缺点,提出了一种可见光图像与红外图像基于压缩域融合检测的方法.该方法首先使用合适的模型构造目标原子,得到超完备字典,再对待测图像在字典上分解所得稀疏系数进行融合,最后通过稀疏度指标对融合系数进行判定,得到目标所在位置.实验结果表明,与单帧图像检测方法相比,该方法使得待检测图像信息更加丰富,提高目标的检测率.     

基于字典稀疏表示的图像超分辨率重建

针对单字典学习的稀疏表示超分辨算法不能保证相邻图像块的兼容性而导致稀疏重建后图像质量低的问题,提出了图像块对学习的稀疏表示的改进方法。该方法使用主成份分析法处理训练样本的图像特征块;然后在输入的低分辨率图像块的稀疏表示系数中恢复出高分辨率图像块;最后将低分辨图像块的稀疏表示与高分辨图像块字典组合生成高分辨率图像块的超分辨重建算法。实验数据对于提出的算法能有效地恢复出质量更好的图像且峰值信噪比有所提高。     

一种基于稀疏表示的红外与微光图像的融合方法

根据人类视觉系统及信号的过完备稀疏表示理论,提出了一种基于稀疏表示的红外与微光图像融合算法。该方法首先把图像分割成部分重叠的图像块,由正交匹配追踪算法完成图像块的稀疏分解;然后采用最大值融合准则选择融合系数并完成图像块的重构,得到融合结果图像。实验结果表明,本文算法的融合效果优于小波变换法、Laplacian塔型方法以及PCA方法等传统融合方法。     

基于信号稀疏表示的形态成分分析:进展和展望

 有效的信号和图像分解(分离)技术在信号和图像的分析、增强、压缩、复原等领域起着重要的作用.虽然目前研究者提出了很多方法来解决这个问题,然而处理效果并不完美.形态成分分析(Morphological Component Analysis,MCA)是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法.该方法的主要思想是利用信号组成成分的形态差异性(可以由不同的字典稀疏表示)进行分离.本文详细描述了形态成分分析方法的理论思想,并介绍了形态成分分析的最新研究进展及其存在的问题,最后指出了进一步发展的方向.     

稀疏表达的自适应遥感图像融合算法

本文提出一种基于稀疏表达的图像融合算法。该算法利用稀疏系数中的非零元素所对应的基向量作为图像特征,首先分离相同基向量和相异基向量,然后采用加权求和算法合并相对应的稀疏系数,并重构得到融合图像。该算法对相同特征和相异特征分别进行融合,克服了融合图像中相异特征清晰度下降的问题。并且由于稀疏表达具有很好的去噪功能,本文算法也可以同时进行图像融合和去噪。通过与4种流行的融合算法比较,本文算法得到较好的视觉效果。      

基于NSST和自适应稀疏表示的紫外光与可见光图像融合

针对紫外成像仪中紫外光图像与可见光图像的灰度值特点及传统的图像融合方法在图像融合时存在紫外光斑信息丢失的问题,提出一种基于非下采样剪切波变换(NSST)和自适应稀疏表示的紫外光与可见光图像融合方法。首先用NSST变换分解源图像,得到低频子带系数和高频子带系数;然后采用邻域标准偏差取大的融合规则融合低频子带系数,生成近似融合图像;根据自适应稀疏思想指导高频子带系数的融合;最后通过逆NSST变换重构得到融合图像。实验结果表明,该方法在保留可见光背景信息的基础上,很好地融合了紫外光斑信息,改善了图像的主观视觉质量,在客观评价指标上也有所提高。     

图像的超小波稀疏表示

图像表示是图像处理领域研究的基础,对后继各种处理具有重要影响。寻找简洁有效的图像表示方法,对于推动图像处理领域的研究发展意义重大。针对二维可分离小波变换在稀疏表达图像中存在的问题,研究了各种超小波稀疏表示方法,并对未来发展进行预见性研究。     

基于Hess矩阵的多聚焦图像融合方法

该文提出了一种基于Hess矩阵的多聚焦图像融合方法。该方法利用多尺度下的Hess矩阵检测特征和背景区域,并在此基础上,将源图像分成特征区域与非特征区域,分别采用不同的融合策略生成决策图;然后通过结合不同部分的决策图,得到初始决策图;最后采用后处理方法对初始决策图进行精化,得到最终的融合图像。为了提高融合效果,该文还提出了一种基于多尺度Hess矩阵的聚焦评价方法。同时引入积分图像进行快速计算,以满足实时性要求。实验结果表明,该方法在主观视觉感知和客观评价指标方面都要略优于现有的方法。