采用多层卷积稀疏表示的红外与可见光图像融合

为提升光学图像在低照度条件下的可用性,对红外图像与可见光图像进行融合从而结合两者的优势是一种有效的技术手段。稀疏表示理论在红外与可见光图像融合领域已经得到了广泛的应用,然而基于稀疏表示理论的图像融合方法所采用的局部建模方式易于导致语义信息损失和对误匹配的低容忍度两大缺陷。卷积稀疏表示的全局建模能力对克服上述不足具有巨大的优势,本研究借鉴卷积神经网络的结构设计了一种前馈式基于多层卷积稀疏表示的红外与可见光图像融合网络,该网络包含5层:第1、2层为卷积稀疏层,通过预训练的字典滤波器获取源图像的卷积稀疏响应;第3层为融合层,通过活性图评价以获取融合结果;第4、5层为重建层,基于融合结果结合字典滤波器重建融合图像。实验结果表明,所提出的图像融合方法有效抑制了稀疏表示理论应用于图像融合的两大不足,在客观评价指标方面明显优于基于稀疏表示、基于单层卷积稀疏表示和基于卷积神经网络的图像融合算法,在算法的计算复杂度和运行时间方面优于基于稀疏表示和基于卷积神经网络的图像融合算法。     

基于Gabor滤波和显著性检测的红外与可见光图像融合

红外和可见光图像的融合既要突出红外图像中重要的亮度特征,又要使融合图像保留清晰的视觉效果。因此,提出了基于Gabor滤波和显著性检测的融合方法。首先,采用显著性检测得到红外和可见光图像的显著层,再使用Frankle-McCann Retinex增强算法对可见光图像进行增强,之后用Gabor滤波器将红外图像和增强后的可见光图像分解为细节层和基础层。然后,采用“最大绝对”的融合策略对显著层与细节层进行融合,最后进行图像重构。实验结果表明,得到的结果与其他八种经典算法比较中表现优异,尤其是AG、EI、IE、SF等指标方面尤为突出。     

基于GIF滤波分解的低照度图像增强算法

针对常见的对比度增强方法在处理低照度图像时不能兼顾提升图像亮度、对比度,和增强细节的问题,提出基于引导滤波器(guided image filter,GIF)的低照度图像增强算法。首先将输入图像从RGB颜色空间转换到HSV颜色空间;再利用GIF滤波器对图像进行图像分解,得到一个基本层和一个细节层;然后对基本层进行自适应Gamma校正,提高图像的整体亮度和对比度;再对细节层进行S型曲线增强,突出图像的局部细节;最后合成并恢复颜色,得到增强图像。将本文算法、全局Gamma校正、MSRCR 3种算法分别对低照度Bridge和Street图像进行处理,实验结果表明:本文算法能够在有效提升对比度的同时增强图像细节,提升了低照度图像的视觉效果。     

基于SIFT字典学习的引导滤波多聚焦图像融合

目前多数多聚焦图像融合算法仅仅针对解决某一类问题,如融合结果的局部细节保留能力差、空间连续性不足和对未配准的源图像鲁棒性差等.为能够同时解决以上问题,提出了一种基于SIFT字典学习的引导滤波多聚焦图像融合算法.该算法通过学习子字典克服了图像低秩表示具有全局性而局部细节描述不足的缺陷,同时子字典的分类利用图像SIFT特征的平移不变、尺度不变等特性,消除了未配准源图像融合结果出现伪影的现象.此外,在源图像的低秩表示系数融合过程中引入引导滤波,增加了融合图像的空间连续性.引导滤波的窗口大小是根据特征内容和非特征内容进行自适应选取,即属于特征内容的点选取较小的窗口,而属于非特征内容的点选取较大的窗口.为验证算法的有效性,实验过程中选取6组数据,包括3组广泛应用于研究的多聚焦图像以及3组实际拍摄的多聚焦图像.实验结果表明,该算法从主观视觉效果的定性分析和客观融合质量评价的定量分析都优于当前主流的多聚焦图像融合算法.     

基于协同经验小波变换的遥感图像融合

针对多源遥感图像的融合问题,提出了一种基于协同经验小波变换的遥感图像融合方法。该算法首先对多源图像进行主成分分析获得共像;然后,对共像的强度分量做经验小波变换获得滤波器组;再利用这组滤波器对多光谱图像的强度分量和全色图像进行多尺度表示;最后经逆变换得到融合图像。该算法因采用协同自适应分解方法,有利于源图像高频与低频信息的分离,有效提高了遥感融合图像的清晰度。通过使用QuickBird卫星数据验证了算法的有效性,视觉感知和客观评价标准均表明该算法比其他同类算法有更好的优越性。     

基于加权双层Bregman及图结构正则化的磁共振成像

针对磁共振图像(magnetic resonance imaging,MRI)重建质量的问题,提出一种基于加权双层Bregman字典学习方法和图结构正则化稀疏表示的新算法.该算法中,迭代重加权最小l1和图结构正则化稀疏表示模型是被合并到双层Bregman字典学习方法中.加权双层Breman的字典学习方法在外层迭代中增强K空间抽样数据的约束性,在内层迭代中解决Lp的优化.而图结构正则化稀疏表示方法具备捕获图像结构细节的能力,所以从较高的欠采样数据中能完成精确重建.此外,在内层迭代中,重加权最小l1和图结构正则化稀疏表示使算法能快速地趋于收敛.实验结果表明,所提出的算法可有效恢复MRI图像,其峰值信噪比和高频错误的值都优于基于压缩感知的字典学习方法和基于双层Bregman的自适应字典学习方法.     

基于VSM与图像统计的多聚焦图像融合

针对传统的多聚焦图像融合方法存在块状、伪影效应和对比度损失等问题,提出一种视觉显著性映射(VSM)融合规则与图像统计相结合的融合方法。先使用四阶偏微分方程(FPDEs)和交叉双边滤波器(CBF)方法对源图像进行多尺度分解获取近似层和细节层,再对近似层和细节层分别采用基于VSM和图像统计的融合规则进行融合,最后对融合后的近似层和细节层进行线性组合得到融合图像。对比实验结果表明,所提出的算法在平均像素强度、标准差、相关系数等图像质量指标上均有显著的提高。     

基于冗余字典的高光谱图像超分辨率复原算法

为了提高高光谱图像的空间分辨率,将基于冗余字典的信号稀疏表示理论应用到高光谱图像的超分辨率复原领域,提出一种基于冗余字典的高光谱图像超分辨率复原算法.该算法通过训练一组高低分辨率相对应的冗余字典对,使得高低分辨率相对应的像元曲线在基于各自的冗余字典进行稀疏分解时,具有相同的稀疏表示系数.超分辨率复原过程中,将待复原的低分辨率高光谱图像基于低分辨率冗余字典进行稀疏分解,利用所得的稀疏表示系数和对应的高分辨率字典,重建高分辨率的图像.实验结果表明:与基于图像块字典的超分辨率复原算法及传统的双线性插值图像放大方法相比,重建图像的峰值信噪比(peak signal to noise radio,PSNR)得到了显著提高.该算法将高光谱图像沿光谱维方向进行整体稀疏分解,避免了传统算法逐波段进行超分辨率复原带来的波段间的光谱失真问题,显著降低了算法的运算量.     

基于在线字典学习的自适应医学图像融合算法

针对医学图像复杂多样的特点,提出一种基于在线字典学习的自适应医学图像融合算法。该算法首先利用在线字典学习理论训练源图像的过完备字典;然后利用正交匹配追踪算法对源图像进行稀疏分解得到稀疏编码,根据源图像之间稀疏编码的能量差异程度和梯度差异程度自适应调整融合准则,若能量差异程度大于梯度差异程度,则根据能量取大准则融合稀疏编码,反之,根据梯度取大准则融合稀疏编码;最后将融合后的稀疏编码与过完备字典进行重构得到融合图像。实验结果表明:与多尺度几何分析、K奇异值分解等图像融合算法比较,该算法融合的图像客观评价指标信息熵、边缘评价因子均有所提高,主观上纹理清晰、对比度高,能够很好地保留源图像的边缘信息。     

结合自适应字典学习的稀疏贝叶斯重构

贝叶斯压缩感知是一种基于统计分析的压缩感知算法,具有很好的鲁棒性,能够充分利用信息间的相关性,它的重构依赖于图像的稀疏性表达.针对贝叶斯压缩感知的深层次稀疏化问题,笔者结合自适应字典学习思想,提出一种冗余自适应字典表示的稀疏贝叶斯学习算法.该算法对图像进行局部分块,从待重建图像的迭代中间图像分块中学习字典,并以该字典作为图像的稀疏变换基,通过稀疏贝叶斯学习算法获得稀疏解.实验结果表明,基于自适应字典的贝叶斯学习算法能提高稀疏化,明显改善图像的重构质量.     

基于遗传算法优化的稀疏表示图像融合算法

关于稀疏表示理论的图像融合主要是利用加权系数方法来确定稀疏系数的融合规则,通过遗传算法求解最优加权系数,实现全色图像和多光谱图像的融合.所提算法与Contourlet变换、主成分分析算法和高通滤波等遥感图像融合算法相比,在提高图像清晰度的同时,光谱保真度相对较高.     

自适应控制深度学习和知识挖掘图像分类

针对传统分类方法的局限性,提出了一种深度学习结合知识挖掘的零样本图像自适应控制图像分类算法.利用对图像属性的深度学习来实现图像深层次特征及属性的学习和预测,基于图像的属性-类别映射使分类器性能有较大差异,通过稀疏表示模型挖掘图像类别和属性之间的关系并设计自适应控制的属性分类器实现对图像的分类操作.结果表明,与DBN和SVM算法相比,在监督模式和零样本模式下,该算法具有较高的属性预测准确度.在零样本情况下对Shoes数据集进行分类时,该算法具有最高的准确分类识别率,比其他算法的分类识别率提高了15%.     

一种基于NSCT和自适应PCNN医学图像融合的改进算法

由于医学影像成像原理不同,不同模态图像的质量、空间和时间特性有较大区别,因此临床上需要将不同模态的图像融合进行综合分析。为了准确并全面地融合MRI和PET图像,提出了一种基于NSCT和自适应PCNN医学图像融合的改进算法。算法采用NSCT得到图像的低频和各方向子带信息,采用符合人类视觉系统的自适应PCNN选择融合图像系数,重构得到融合图像。采用颅脑MRI和PET医学图像进行了仿真实验。结果表明,基于NSCT自适应PCNN算法在提高空间纹理细节和减少颜色失真方面明显优于其它的融合算法。     

基于加权星图稀疏正则化的图像压缩感知重构

为了更有效地表达图像的高阶稀疏结构,提出基于图稀疏正则化的压缩感知重构算法,通过图论方法描述图像稀疏系数间的相关性。首先,采用图结构化稀疏度量表征图像的非局部相似性,并化简稀疏系数的完全图结构为仅与均值节点连接的星图结构,以实现更高效的稀疏表达;然后,通过加权范数的形式体现稀疏系数的不同重要性,达到自适应恢复的目的。进一步,提出求解星图稀疏模型的近似消息传递算法,通过引入辅助变量,使得权值参数和稀疏系数的优化问题更易求解。实验结果表明,所提出的算法在客观质量和主观质量上优于其他基于非局部稀疏模型的重构算法,验证了星图稀疏模型的有效性。     

基于稀疏表示的人脸图像压缩方法

基于稀疏表示的人脸图像压缩算法首先对人脸图像进行分块,其次利用K-SVD字典学习算法,训练一个图像的冗余字典,最后用OMP算法对其进行稀疏编码,得到压缩的图像.由于OMP算法复杂度较高,为了降低复杂度,提高算法效率,提出了一种基于稀疏表示理论的新的人脸压缩算法.该算法在稀疏编码阶段,用基于块坐标松弛(Block Coordinate Relation)字典学习算法对人脸图像进行稀疏编码,最后用重构算法对压缩数据进行重构.通过实验仿真,与JPEG压缩方法及OMP算法比较,所提方法在同等压缩比下,重构的图像质量有所提高.     

NSST与引导滤波相结合的多聚焦图像融合算法

为进一步提高融合图像的对比度和清晰度,提出一种非下采样剪切波变换(简称NSST变换)与引导滤波相结合的多聚焦图像融合算法.首先,利用NSST变换对多聚焦源图像进行多尺度、多方向分解;然后针对低频子带系数,通过计算局部区域改进拉普拉斯能量和进行加权映射,构建初始融合权重,利用引导滤波修正初始融合权重,提出一种基于局部区域改进拉普拉斯能量和的引导滤波加权融合规则;针对高频子带系数,结合人眼视觉特性,通过计算显著信息、局部区域平均梯度、边缘信息和局部区域改进拉普拉斯能量和来构建初始融合权重,利用引导滤波修正初始融合权重,提出一种基于人眼视觉特征的引导滤波加权融合规则;最后,进行NSST逆变换,获得融合图像. 4组多聚焦源图像的仿真实验结果表明,无论是从主观评价还是客观评价上,与其余4种融合算法相比,本文算法均较好地保留多聚焦源图像的边缘轮廓、细节和纹理等信息,也无细节信息缺失,提高融合图像的对比度和清晰度.     

基于区域能量的NSST域偏振图像融合算法

针对传统的偏振图像融合方法存在图像细节丢失、边缘模糊、对比度下降等不足,提出了一种基于区域能量的非下采样剪切波变换域(NSST)偏振图像融合方法。首先,利用NSST对源图像进行分解,获取源图像的低频子带系数和高频子带系数;然后,对分解得到的低频系数基于区域能量加权融合,对高频系数先基于区域能量取大融合,再应用引导滤波进行细节增强;最后,通过NSST逆变换得到融合图像。实验结果表明,融合后的偏振图像能够较好地保留细节信息,同时使边缘更加清晰,图像标准差、平均梯度、信息熵、对比度、空间频率相对传统方法均有不同程度的提高,具有更好的视觉效果。