基于卷积稀疏表示的红外与可见光图像融合

稀疏表示是以块为单位进行编码的,因此破坏了图像块间的相关性。针对上述问题,提出了基于卷积稀疏表示的红外与可见光图像融合算法。该算法采用交替方向乘子算法(ADMM)求解非下采样轮廓波变换(NSCT)域强边缘子带的卷积稀疏系数,完成特征响应系数的融合。同时,采用脉冲耦合神经网络(PCNN)模型的点火图完成NSCT域高频子带的融合。实验结果表明:该算法解决了稀疏表示的“块效应”问题,同时又兼具PCNN模型的视觉特性,可以有效地捕捉源图像的特征信息。另外,在主观视觉评价和客观质量评价方面均优于现有算法。     

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。     

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。     

基于分块过完备稀疏表示的多聚焦图像融合

提出一种基于分块过完备稀疏表示的多聚焦图像融合算法。该方法将多聚焦源图像对应分块,采用稀疏模型进行分解,得到每个块的稀疏表示系数。考虑到稀疏系数向量的l1范数越大,带的信息量就越多,采用此因子对稀疏系数加权,求得融合系数,结合过完备字典重构融合图像。实验结果表明该图像融合方法取得较好的融合效果且优于传统小波分解融合方法。同时探讨了字典维数对所提出方法的影响。     

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。     

基于图像块分类稀疏表示的超分辨率重构算法

 目前基于图像块稀疏表示的超分辨率重构算法对所有图像块都用同一字典表示,不能反映不同类型图像块间的差别.针对这一缺点,本文提出基于图像块分类稀疏表示的方法.该方法先利用图像局部特征将图像块分为平滑、边缘和不规则结构三种类型,其中边缘块细分为多个方向.然后利用稀疏表示方法对边缘和不规则结构块分别训练各自对应的低分辨率和高分辨率字典.重构时对平滑块利用简单双三次插值方法,边缘和不规则结构块由其对应的高、低分辨率字典通过正交匹配追踪算法重构.实验结果表明,与单字典稀疏表示算法相比,本文算法对图像边缘部分重构质量明显改善,同时重构速度显著提高.     

融合图像块低维流形特性与解析轮廓波稀疏性的压缩成像算法

基于图像的整体稀疏表示和图像块的局部特性,融合图像块低维流形特性和整幅图像在解析轮廓波表示下的稀疏性两种先验知识,该文提出了一种高质量压缩成像算法。该算法利用迭代硬阈值法和流形投影法重构图像。为减小运算复杂度,该文用多个线性子流形的并集来近似表示包含所有图像块的非线性流形,并根据图像块的主方向进行初始分类后再用稀疏正交变换获得各线性子空间的基。实验结果表明,该文算法的重构图像在峰值信噪比和视觉效果两方面均有显著提高。     

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。     

一种基于稀疏表示的可见光与红外图像融合方法

以稀疏表示理论为基础,研究了一种可见光和红外图像融合算法,提出了一种稀疏系数融合规则。首先,利用K-SVD算法对待融合图像的所有子区域进行字典学习,得到用于稀疏向量计算的过完备字典;然后,计算稀疏向量,利用正交匹配追踪算法进行求解;最后,提出一种基于稀疏向量最大元素绝对值的融合规则,完成可见光和红外图像的稀疏向量融合,得到融合图像。实验结果表明,融合结果明显优于传统的基于Maximum-L_1-Norm融合规则的融合结果。     

基于局部结构变换域稀疏外观模型的目标跟踪

[目的]为了降低稀疏表示目标跟踪算法的计算复杂度,[方法]在粒子滤波框架下提出了基于局部结构变换域稀疏外观模型的视觉目标跟踪算法.[结果]该算法在目标区域附近提取重叠的局部图像块,并计算出所有局部图像块的二维离散余弦变换,获得图像块的变换域系数.变换域的能量集中特性被采用来降低字典的维度与候选样本的数量,并且对系数压缩一定的自由度可以抑制噪声与遮挡影响.采用被裁剪的样本与字典获得局部图像块的稀疏编码,然后将当前目标区域中所有小图像块的稀疏向量加权融合得到目标区域的稀疏表示值,并通过决策模型获取最优跟踪结果.与现有三种最新的跟踪算法比较的实验结果表明,[结论]所提算法的跟踪性能接近或超过对比算法,同时大大减小了f1范数最小化的计算复杂度.     

利用结构化和一致性约束的稀疏表示模型进行红外和可见光图像融合

红外和可见光图像融合作为图像融合技术中一个重要组成部分,被广泛应用于军事、工业和生活领域。它能够集成两种模态图像的互补信息,融合成一幅信息丰富、质量较好的图像,不仅能够突出目标信息,还能够保持源有图像的纹理信息和一些显著性的细节。本文提出一种新的红外和可见光图像融合方法,在鲁棒稀疏表示模型的基础上增加了结构化稀疏约束,同时结合了图像区域特征相似的一致性约束项,克服现有一些方法所存在的局部模糊和纹理细节丢失等问题,提高了图像融合的精度。本文主要构建了结构化稀疏表示与一致性约束模型,将其应用到红外和可见光图像融合中并进行了求解,将源图像分解为背景信息和显著性信息,再对背景和显著性信息分别设计融合规则,最后利用字典进行重构,获得红外和可见光融合后的图像。实验结果表明,本文提出的融合算法优于现有的一些多聚焦图像融合算法。      

基于CSR和能量特征的红外与可见光图像融合

传统稀疏表示(SR)分块处理策略降低了图像连续性,使得特征信息损失严重。因此,提出了基于卷积稀疏表示(CSR)和能量特征的红外与可见光图像融合算法。该算法将非下采样轮廓波变换(NSCT)域低频子带分解成低频基础分量和细节特征分量,使用局部拉普拉斯能量法(LLE)和卷积稀疏表示分别进行融合,获得低频子带融合图像。同时,根据底层视觉特征构建新活性度量方法来融合高频子带,最后对高、低频部分进行NSCT反变换重建。实验结果表明:该算法有效结合了源图像的边缘纹理信息,在主观和客观评价上皆优于现有的大部分算法。     

Denoising by low-rank and sparse representations

Due to the ill-posed nature of image denoising problem, good image priors are of great importance for an effective restoration. Nonlocal self-similarity and sparsity are two popular and widely used image priors which have led to several state-of-the-art methods in natural image denoising. In this paper, we take advantage of these priors and propose a new denoising algorithm based on sparse and low-rank representation of image patches under a nonlocal framework. This framework consists of two complementary steps. In the first step, noise removal from groups of matched image patches is formulated as recovery of low-rank matrices from noisy data. This problem is then efficiently solved under asymptotic matrix reconstruction model based on recent results from random matrix theory which leads to a parameter-free optimal estimator. Nonlocal learned sparse representation is adopted in the second step to suppress artifacts introduced in the previous estimate. Experimental results, demonstrate the superior denoising performance of the proposed algorithm as compared with the state-of-the-art methods.     

结合字典稀疏表示和非局部相似性的自适应压缩成像算法

如何以较少的观测值重构出高质量的图像是压缩成像系统的一个关键问题.本文根据图像块随机投影能量大小分布特点,提出了一种新的自适应采样方式以及针对自适应采样的有效重构算法.重构时利用了图像在字典下的稀疏表示原理和图像的非局部相似性先验知识.为实现图像的稀疏表示,文中构造了由多个方向字典和一个正交DCT字典组成的冗余字典,并用l1范数作为约束条件求解稀疏优化问题.由于充分利用了图像块的局部特性和图像的非局部特性,本文的压缩成像算法在低采样率下能重构出较高质量的图像.     

一种快速的基于稀疏表示和非下采样轮廓波变换的图像融合算法

为了提高图像融合的效率和质量,该文提出一种基于快速非下采样轮廓波变换(NSCT)和4方向稀疏表示的图像融合算法。该方法首先对源图像进行快速NSCT分解,生成一系列低通和高通子带。对于低频子带,利用自适应生成的DCT过完备字典进行快速的4方向稀疏表示和系数融合;对于高频子带,则利用高斯加权区域能量最大的融合规则进行系数融合。快速NSCT将传统NSCT的树形滤波结构转变为多通道滤波结构,能成倍提高分解效率;快速的稀疏融合则抛弃了传统的滑动窗口方法,以水平、垂直、对角线4个方向进行稀疏表示和稀疏融合,进一步提高算法效率。实验结果表明,提出的快速算法能在不影响融合质量的条件下将算法效率提高近20倍。