基于Contourlet域分块压缩感知的图像融合

针对传统图像融合方法导致纹理细节丢失的现象,提出了一种基于抗混叠移不变Contourlet域的分块压缩感知（block-based compressed sensing,BCS）图像融合算法——Contourlet_BCS。把善于表达图像纹理及边缘信息的Contourlet变换引入了压缩感知稀疏表示中,同时对分解得到的低频系数采取加权的区域能量融合规则,高频系数采取基于广义高斯分布模型的加权融合规则进行图像系数融合,最后在压缩感知框架下利用带平滑处理的投影Landweber算法重构。实验结果表明,Contourlet_BCS融合效果优于传统方法,融合的图像纹理清晰,边缘细节信息更为丰富。     

一种SAR与可见光图像压缩感知融合增强方法

针对机载多传感器成像战场态势感知的问题，提出了一种合成孔径雷达(Synthetic Aperture Radar，SAR)与可见光图像压缩感知融合增强方法。该方法首先对SAR与可见光图像分别进行压缩感知测量，得到压缩测量值，然后通过基于局部权值的融合方法实现对压缩测量值的融合，再利用有序度最优分割法提取SAR图像的强散射目标，最后对融合测量值重建得到初步融合图像，初步融合图像通过目标对比度增强得到最终融合图像。对多组图像进行了仿真分析，视觉及数值结果表明该方法能显著增强融合图像的目标对比度，提升了图像纹理清晰度，较大程度降低了图像融合过程中的数据计算量。     

基于DWT-IRLS的压缩感知图像融合

基于压缩感知的图像融合属于像素级层次的图像融合。传统的DWT压缩感知图像融合研究对象是整个稀疏系数,但小波系数中低频系数并非稀疏,因此影响融合质量。针对此,提出一种基于DWT-IRLS的压缩感知图像融合。首先对图像进行DWT转换,针对高频系数采样测量;然后对高频系数和低频系数进行融合,并且引入迭代权重最小二乘法(IRLS)算法,重构高频系数;最后经DWT逆转换,得到融合图像。实验证明:通过4个客观评价指标和主观评价对比,2组实验融合效果均得到提高。此方法在一定程度上可提高图像融合效果,具有一定的实用价值。     

基于压缩感知的红外与可见光图像融合算法

压缩感知是一种新的信号采样理论,突破了传统的Nyquist采样率须为信号最高频率的2倍以上的定理。对于稀疏信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过重构算法恢复出原信号。提出了一种基于压缩感知的红外与可见光图像融合算法,对图像进行测量,并通过融合算法对测量值进行融合。仿真实验显示,压缩感知能较好地实现图像的融合。     

基于压缩感知的多聚焦图像融合方法

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受到越来越多的重视。针对图像傅里叶变换系数特点,提出了一种双星采样模式下基于高低频重要性度量的压缩传感域图像融合算法。该算法首先通过双星采样模式获得测量值,然后计算高低频区域对应的重要性度量作为融合算子,并对测量进行加权融合,最后通过求解最小全变分优化问题重构融合图像。主客观实验结果表明,该算法优于其他基于傅里叶的方案。     

基于改进PCNN的压缩感知域图像融合

() （）基金项目：。摘要：提出了一种压缩感知域基于改进PCNN的图像融合算法。根据压缩采样得到待融合图像的压缩观测值,建立改进PCNN模型,即利用压缩观测值的物理意义对PCNN中连接系数,加权矩阵和特征参数进行自适应设定。并将压缩观测值作为改进PCNN神经元输入获取点火映射图作为融合算子,对源图像观测值融合后进行重构得到融合图像。实验结果表明,该算法克服现有压缩感知图像融合算法细节丢失的缺陷,主客观评价优于现有压缩感知图像融合算法。     

采用NSCT与FCM相结合的SAR和多光谱图像融合算法

合成孔径雷达（SAR）和多光谱（MS）图像的融合,有助于得到对观察对象的更好地视觉感知。但是,由于其内在成像机制上的差异,许多经典的方法已被证明不适合这一研究,因此本文提出了采用非下采样contourlet变换（NSCT）和模糊C均值聚类（FCM）相结合的图像融合算法。采用FCM对SAR图像进行分割,得到目标区域和背景区域;采用NSCT对SAR图像和多光谱图像进行分解,得到低频子带和高频方向子带;对于低频部分,不同分割区域采用不同的自适应融合准则进行融合;对于高频部分,采用区域块能量准则进行融合;最后,通过NSCT逆变换得到融合后图像。实验结果表明,该算法的融合图像能很好的保留SAR图像的目标信息和多光谱图像的光谱信息,融合效果优于大部分传统的融合算法。      

压缩感知及其在医学图像融合中的应用

压缩感知在采样的同时完成信号的压缩,为解决医学图像融合过程中时间复杂度高、传输数据量大的问题提供了新方法.本文围绕压缩感知在医学图像像素级融合做了5个方面的工作:第一,给出了基于压缩感知的医学图像融合框架;第二,讨论了基于贝叶斯、贪婪迭代、凸松弛等四类重构算法;第三,梳理出医学图像像素级融合的七类方法;第四总结出基于压缩感知的四种医学图像融合路径;第五,指出了目前研究的难点和应用前景.     

基于压缩感知的SAR图像压缩与重构方法

结合合成孔径雷达(SAR)图像特点,提出了一种基于压缩感知的SAR图像压缩与重构方法,并给出了具体的方法及详细流程.该方法首先将原始SAR图像进行分块处理,同时,利用离散小波变换(DWT)对分块结果进行稀疏处理,利用近似QR分解后的随机高斯矩阵对稀疏处理结果进行低维线性观测,实现了SAR图像的稀疏化表征与压缩.文中讨论的改进的正交匹配追踪(OMP)算法,与传统的OMP算法相比,改进的OMP算法在保证重构精度的前提下,可有效提高收敛速度.最后,通过离散小波反变换等处理获得最终的SAR图像重构结果.仿真实验结果证明所提方法的有效性与可行性.     

基于半正定规划的压缩感知线阵三维SAR自聚焦成像算法

线阵合成孔径雷达(Linear Array Synthetic Aperture Radar, LASAR)3维成像技术是一种具有重要潜在应用价值的新体制成像雷达,压缩感知稀疏重构是近几年实现LASAR高分辨3维成像的热点研究之一。但相对于传统2维SAR,受线阵稀疏分布及阵列-平台2维联动,压缩感知LASAR成像面临回波数据欠采样、多维度高阶相位误差等问题,传统SAR自聚焦算法难以适用于压缩感知LASAR 3维稀疏自聚焦成像。为克服欠采样条件下多维度高阶相位误差对LASAR成像的影响,该文提出了一种基于半正定规划的压缩感知LASAR自聚焦成像算法。首先,结合压缩感知成像理论、图像最大锐度及最小均方误差准则,构造欠采样条件下稀疏目标的相位误差估计模型;其次,利用松弛半正定规划方法估计相位误差;最后,利用迭代逼近方法提高相位误差估计精度,实现压缩感知LASAR高精度稀疏自聚焦成像。另外,通过主散射目标区域提取,仅采用主散射区域进行相位误差估计,进一步提高自聚焦算法运算效率。仿真数据和实测数据验证了该文算法的有效性。