基于压缩传感理论的多聚焦图像融合方法

压缩传感(CS)理论是对稀疏或可压缩的信号进行采集、编解码的新理论.文中提出了基于CS理论的多聚焦图像融合方法.新方法包括被融合图像的压缩传感变换、像素级融合处理和稀疏重构,其中,采用加权法、对应位置分量最大值法和系数判决准则法进行图像融合处理.对该方法进行图像融合实验,并同基于小波变换和其它基于CS理论的融合算法进行比较.结果表明:CS融合(加权法)得到的信息熵大于CS融合(最大值法),CS融合(系数判决准则法)则介于CS融合(加权法)和CS融合(最大值法)之间;用CS理论进行融合所得到的图像的信息熵均高于采用相同方法基于小波进行融合得到的图像的信息熵.     

压缩感知图像的块子带自适应稀疏表示规则化重构

针对自然图像信号的非平稳特性和不同图像块的变换域系数的分布差异较大, 基于分块图像子带自适应 稀疏表示规则化,提出了一种新的压缩感知图像重构方法．先利用非局部相似块组估计每个分块图像变换域各子 带系数的均值和标准差,再将图像块各子带系数进行去均值并关于标准差归一化, 最后将去均值归一化处理的子 带系数的l₁范数表示用于规则化压缩感知重构．由于块子带自适应稀疏表示更加合理地表达了稀疏系数的重要 性,使得重构图像能够更好地保留纹理、边缘等细节信息．大量的实验结果表明: 相比组稀疏表示的压缩感知重构 算法,该方法重构图像的峰值信噪比平均提高了0.69 dB．     

一种基于贝叶斯压缩感知的图像修复方法

图像修复是利用图像中已知区域信息对破损区域进行信息填充,以弥补信息的损失.传统的修复方法依赖图像的结构来确定,使图像达到人眼主观可以接受的程度.基于贝叶斯压缩感知的图像修复方法首先对受损图像进行稀疏变换,利用贝叶斯压缩感知得到稀疏系数的后验分布函数,求得分布函数的均值和方差,将均值作为图像的稀疏系数的估计,方差作为噪声的估计.仿真结果验证了该方法可以提高图像的修复质量.     

低秩表示和字典学习的红外与可见光图像融合算法

针对目前红外与可见光融合算法在保留可见光图像中的背景信息时无法同时有效地提取红外图像信息,提出了一种基于低秩表示和字典学习的红外与可见光的图像融合算法.首先,采用低秩表示对红外图像和可见光图像进行分解,分别获得源图像的低秩和稀疏成分,其中稀疏成分可以很好地表示源图像的边缘细节特征.其次,用OMP算法的字典学习方法和稀疏系数的最大范数规则,而最大范数规则在对图像背景恢复的同时能够提取目标信息.再次,对分解得到的2个分量进行融合.最后,利用融合稀疏系数和自适应字典重建融合图像.实验结果表明,本融合算法可以突出红外对象信息,同时能够保留可见光图像中的背景信息,达到良好的视觉效果.     

基于稀疏重建的压缩图像质量提高方法

为了克服JPEG2000中低码率压缩图像在边缘处表现出的明显振铃效应严重降低了图像的人眼视觉质量的问题,在迭代凸集投影理论基础上,分析了迭代去噪方法恢复图像变换域稀疏数据的机理,提出了JPEG2000压缩图像重建算法.该算法保持压缩图像在小波域中的非零系数不变,通过迭代去噪恢复其他位置的小波系数.结果表明：提出方法有效地增强了JPEG2000压缩图像沿边缘的正则性,提高了图像的主客观质量,图像峰值信噪比平均提高0.52dB.     

结合系数重用正交匹配追踪的字典学习算法

针对压缩感知中字典对信号稀疏表示能力不足的问题,文中提出了一种结合系数重用正交匹配追踪的自适应字典学习算法,该算法使用系数重用正交匹配追踪算法得到稀疏系数,在字典更新阶段引入上一次迭代过程的先验信息.首先对稀疏系数矩阵进行奇异值分解,再分别用前一次更新的字典对左奇异矩阵和用训练信号对右奇异矩阵进行变换,然后采用变换后的左、右奇异矩阵构造新矩阵,最后利用新矩阵进行字典训练.实验结果表明,采用文中算法得到的字典对图像具有更好的稀疏表示能力,提高了重构图像的质量.     

基于主元分析和压缩感知的人脸识别算法

针对压缩感知理论中的核心问题,即如何通过有限的测量值以较高的重建率重构稀疏信号,提出了基于主元分析和压缩感知的人脸识别方法（PSL0）.该算法利用双向二维主成分分析提取图像行列2个方向的特征并进行降维,建立反映人脸特征投影矩阵,作为压缩感知算法的超完备基,将每一幅待识别图像的特征向量作为测量值,用基于平滑l0范数快速稀疏表示（SL0）算法求解l0范数最小化问题,寻求图像在该超完备基上的稀疏表示,以得到一组最优稀疏系数重构各类图像,求取测试图像与各类重构图像的最小残差进行分类识别.实验结果表明,该算法在同类算法中获得了较高的人脸识别率及较好的重建效果.     

基于 NSDTCT 与稀疏表示的红外和微光图像融合

针对传统融合方法信息缺失较多与连续性较差等问题,提出了一种基于非下采样双树复轮廓波变换（NSDTCT）与稀疏表示的红外和微光图像融合方法。利用NSDTCT进行多尺度分解获得低频成分和高频子带成分,引入稀疏表示理论,构建低频成分和高频成分的融合模型,将图像融合分别转化为对应稀疏编码的融合,低频和高频成分稀疏表示系数分别根据加权平均和多方向对比度准则进行融合。进行对比实验,选用平均梯度（AG）、标准差（STD）、互信息（MI）、边缘保持度（QAB/F）、结构相似度（SSIM）这5种客观指标,结果较传统方法分别提升2.1%、3.3%、16.1%、6.6%、8.5%以上,表明该方法能够有效保留红外微光图像信息,提高融合图像连续性和成像质量。     

基于单层小波变换的加权压缩感知图像处理

针对简单正交基不能足够稀疏表示信号问题,提出了一种基于单层小波变换改进的加权压缩感知算法。根据图像小波变换的特点,对图像进行单层小波分解,保留低频系数,对高频系数进行测量;并提出设置加权系数矩阵,作用于信号小波正交变换后的高频稀疏系数,增强其系数的稀疏性,增强图像的重构质量;重构算法采用贪婪算法中的OMP算法。实验结果表明该算法对重构精度有进一步提高。     

基于小波变换的图像零树压缩感知方法

稀疏性是压缩感知的前提,然而,自然图像通常不是稀疏的,因此对图像直接应用压缩感知算法很难取得高压缩效率.针对图像信号,将编码思想融入压缩感知理论,提出一种简单有效的零树压缩感知方法.该方法先利用零树思想辅助压缩感知测量,在得到测量值的同时编码重要系数的位置;然后提出零树追踪重构算法,通过精确解码重要系数位置来重构原始图像小波系数,提高重构精度.实验结果表明,相比于现有匹配追踪算法和EZW算法,本文方法有更高的压缩比和更好的图像重构质量.     

基于非下采样contourlet变换的压缩感知图像重建

受传统采样定理限制,直接从信号采集系统得到高分辨率图像较困难,且信号获取过程会导致大量的采样数据.压缩感知理论指出可用特定测量矩阵将高维信号投影到低维空间上,求解数值优化问题准确重构原始信号,突破了传统采样定理的限制.传统压缩感知图像重建算法对所有系数测量,需进行多层小波变换保证图像质量,且小波捕捉方向信息有限,重建图像质量较差.故此提出采用非下采样contourlet变换(NSCT)做信号稀疏变换,并针对变换系数的特点,选择性的对系数测量,利用正交匹配追踪算法进行重构.实验结果表明,仅用单层NSCT变换可重建出高质量图像,克服传统算法需进行多层小波变换的缺点,降低采样和存储的数据量且重建的图像质量得到极大提升.     

基于DWT的图像分块压缩感知重构算法

运用压缩感知理论对大尺寸图像进行重构耗时较长,观测矩阵要求的存储空间较大,且重构后的图像存在明显的块状效应.根据图像小波变换系数的特点,将图像分块思想与DWT变换相结合,提出了一种改进的基于DWT的图像分块压缩感知算法.将图像子块经DWT变换后,保留图像低频系数,只对高频系数进行观测.重构时采用正交匹配追踪算法（OMP）对高频系数进行恢复.Matlab仿真结果表明,新算法跟基于DCT分块压缩感知算法相比,重构图像的PSNR值提高了2~4 dB,重构时间明显减少,与基于二维离散余弦变换(DCT)的分块压缩感知算法相比,块效应有明显的改善,重构图像质量明显提高.     

基于块目标的频率步进连续波探地雷达压缩感知重建算法

压缩感知理论对于解决频率步进连续波探地雷达信号处理过程中存在的采样速率高、存储数据量大、信号处理时间长等问题具有重要意义. 针对雷达探测中块目标物体在探测区域不满足稀疏性的问题,提出一种适合块目标的压缩感知重构模型.利用某些稀疏正交基对块目标进行稀疏化处理使其满足稀疏性,将字典矩阵与稀疏矩阵结合形成适用于块目标物体的新观测矩阵,再通过压缩感知凸优化算法求解稀疏化系数,最后把该系数通过稀疏变换得到块目标的反射系数.通过实验仿真验证该方法的可行性,与未稀疏化处理的压缩感知重构模型相比具有更高的精度和分辨率.     

NSST域内基于压缩感知和PCNN的遥感图像融合

针对NSCT融合算法运算数据量大、计算复杂度较高、实时性较低的问题,提出一种基于非下采样剪切波变换(nonsubsampled shearlet transform,NSST)和压缩感知(compressed sensing,CS)的遥感图像融合方法。首先,对待融合图像进行NSST变换,分解后得到的低频子带系数采用区域能量的融合规则;分解后的高频子带系数具有较高稀疏性。通过CS进行压缩后采用PCNN的融合规则,最后对重构系数进行NSST逆变换。实验结果表明,与传统经典算法相比,新方法不仅有效提高了图像融合效果,而且加快了算法的运行速度,满足融合系统实时性的要求。     

高光谱遥感图像的稀疏分解与压缩感知

基于稀疏分解和压缩感知原理对高光谱遥感图像进行压缩重构,提出一种基于过完备原子库上分解图像的稀疏分解快速算法,以减少图像稀疏分解的计算量.仿真计算结果表明,利用压缩感知和谱带分组技术对高光谱图像进行谱间压缩,可提高运算速度,并降低成本.     

基于稀疏分解的分块图像压缩编码算法

以压缩感知理论为基础,将匹配追踪(Matching Pursuit,简称MP)算法运用到图像的压缩编码中.首先,阐述了原子库的构建方法,之后,采用分块感知压缩图像分解方法,降低了分解的运算复杂度,最后,针对传统MP算法编码率不高的问题,利用MP原子能量与位置分布特点,对原子系数和位置参数进行编码,并提出了MP原子编码方法.实验结果表明,采用分块感知压缩图像分解方法,能有效地降低稀疏分解的计算复杂度,其压缩编码方法在保持传统MP图像编码优势的前提下,能有效地提高编码性能和编码率,体现了稀疏分解较传统分解方法的优势.     

基于自适应加权压缩感知的图像超分辨率重建

压缩感知理论被广泛应用于从少量随机观测中精确地重构原始信号，本文基于压缩感知理论来实现图像的超分辨率重建，在利用图像的局部稀疏性先验的基础上，采取了以下两项措施：1）通过对图像降质模型的估计，采用K-SVD算法构建过完备字典对，依据同一图像高低分辨率观测在对应字典下稀疏表示系数相似的特点，将字典对所表示的高低分辨率图像间的映射关系带入目标函数中，避免了降采样和模糊算子难以抽象为矩阵形式对求解造成的影响；2）在待超分辨率图像稀疏编码时提出一种自适应加权的AWGPSR算法，克服了传统OMP算法在这一步需要固定稀疏度的缺陷，可获得更加精确的稀疏表示系数。结合得到的稀疏表示系数与高分辨率字典可以重建出图像的高频分量，将重建的高频分量与低频部分融合可以得到最终的图像超分辨率重建结果。实验结果表明，所提算法无论从主观视觉还是客观评价指标上均优于其他相关方法。     

自适应OFDM系统中基于分布式压缩感知的CQI反馈方案

提出了正交频分复用(OFDM)系统中基于分布式压缩感知的信道质量信息(CQI)反馈压缩机制。利用CQI的时间相关性、频率相关性以及空间相关性,提出了两种联合稀疏模型,并分别通过压缩感知算法和分布式压缩感知算法对反馈的数据进行压缩、重建。仿真结果表明,与压缩感知相比,分布式压缩感知算法在不增加终端复杂度的同时,能够显著地降低测量值的数目,从而达到降低系统反馈速率、提高吞吐量的目的。