基于多分辨率分析的图像融合方法研究

利用拉普拉斯金字塔变换和小波变换对图像进行多分辨率分析,选用了多幅不同类型的多源图像,做了大量的仿真实验,并对仿真结果进行了比较和分析,得出了有一定参考价值和实际应用价值的结果。     

基于显著性稀疏表示的图像超分辨率算法

提出了一种全新的基于视觉显著度和上下文稀疏分解的图像超分辨率算法。利用人眼视觉感知显著的区域往往趋向于高度结构化的特性,字典学习和稀疏分解过程中可以捕获更多细节特征。在字典学习部分,视觉显著区域提取出的图像样本用来训练显著字典。在先验模型的部分,由于视觉显著区域通常趋于高度结构化,基于上下文的稀疏分解被用来进一步探索相邻图像块之间的联系。实验结果表明,所提出的方法在性能上优于其他最新的方法,峰值信噪比(PSNR)增益最大。主观结果也显示,所提出的方法可以有效减少假影现象,并保持更多细节。     

采用共享空间稀疏表示的单幅图像超分辨率方法

基于高分辨率图像与其对应的低分辨率图像在转换到特定空间后有高度关联性的假设,提出一种基于共享空间稀疏表示的单幅图像超分辨率方法.该算法应用典型相关分析建立图像块对之间的联系,稀疏正则项刻画理想图像在过完备字典下的稀疏表示.实验结果表明:文中方法改善了算法执行速度,消除了图像主要边缘处的模糊与伪影,增强了图像重建质量.     

小波变换在多分辨率图像融合中的应用

浅析了小波变换在多分辨率图像融合中的应用。首先论述了图像融合的基本原理,然后给出了多分辨率图像融合中的几种典型算法,并分析了小波变换的特点。     

基于稀疏理论与FFST-GIF的多聚焦图像融合算法

为解决稀疏理论融合后多聚焦图像细节特征模糊、综合效果不佳等问题,提出了一种将稀疏理论与快速有限剪切波变换联合引导滤波(FFST-GIF)相结合的图像融合算法.利用FFST从原始图像中分解出高频和低频子带系数,采用引导滤波的相对标准差算法融合细节信息丰富的高频系数;使用K-SVD方法训练得到完备字典,再结合稀疏理论融合低频系数;通过逆FFST将融合后的高、低频子带系数进行再融合,得到新的融合图像.基于MATLAB,选取哈佛大学数据库中的脑核磁共振图像为样本,采用平均梯度(AG)、空间频率(SF)、互信息(MI)以及边缘保留信息传递因子(Q^AB/F)4个客观评价指标,将所提出算法与基于非下采样轮廓波变换与脉冲耦合神经网络的多聚焦图像融合算法等3种不同融合算法进行对比,进行了不同变换域融合试验与不同融合算法试验.结果表明,所提出算法在客观综合评价指标与视觉效果方面均取得了突出优势,各评价指标参数都有较大提升,AG、Q^AB/F最高值分别可达0.081 3、0.793 5,所提出算法有较好的应用前景.     

一种改进的稀疏表示超分辨率重建算法

针对稀疏表示超分辨率重建算法中稀疏表示系数正则化效果不明显、字典完备性弱以及重建图像存在虚边缘等问题,提出了一种改进的稀疏表示超分辨率重建算法.首先对正则化正交匹配追踪(regularized orthogonal matching pursuit,ROMP)稀疏表示系数求解算法进行了改进,通过引入局部约束加权来提高稀疏表示系数的精度、增强图像的纹理特性;然后,将Huber影响函数用于提取图像的先验特征信息,以增强图像特征、提升高分辨率字典的表示能力;最后,提出了基于学习的迭代反投影方法,提高了图像后处理阶段预测误差的准确性,进一步改善了高分辨率重建图像效果.实验结果表明,该方法在峰值信噪比和视觉效果上都有所提高,重建图像的纹理特性和质量得到了有效增强.     

基于Shearlet和稀疏表示的遥感图像融合

针对NSCT变换算法具有较高复杂度、计算时间长、不符合实时性要求的问题,提出将基于Shearlet变换和稀疏表示的算法引入到遥感图像融合中。首先,对待融合图像进行Shearlet变换,分解后得到的低频子带系数采用区域能量取大的融合规则;分解后的高频子带系数采用PCNN的融合规则,最后对重构系数进行Shearlet逆变换。实验结果表明,与NSCT变换及经典算法相比,新方法不仅有效改善了图像融合质量,同时提升了算法的运行速度,实时性良好。     

基于联合动态稀疏表示方法的多图像人脸识别算法

采用联合动态稀疏表示方法构造一种新型的多图像人脸识别模型.该模型在多张人脸图像的稀疏表示矩阵上,利用动态数集得到联合动态稀疏表示矩阵,识别多图像的人脸.在多张人脸图像作为测试样本的情况下,利用多图像之间的关联性提高人脸图像识别的准确率.最后利用CMU人脸图像库对该算法进行仿真,结果表明其识别率较其他算法有很大的提高.     

非局部多尺度融合的单帧图像超分辨率重建

现有的深度超分辨率重建模型,用堆叠多个相同模块的方式获取具有更高精度的重建结果,但未能充分考虑各层特征间的上下文关联信息.提出一种基于非局部多尺度融合的图像超分辨率重建模型.该模型采用3种模块:非局部模块、多尺度融合模块和宽激活残差模块.其中,非局部模块用于获取图像的全局特征,关注目标的核心区域;多尺度融合模块用于融合...     

结合随机投影和稀疏表示的图像融合方法

引入压缩感知理论解决基于稀疏表示的图像融合方法中融合质量和数据压缩问题,探索在达到一定融合质量的同时降低融合所需计算代价的方法.该方法首先利用随机投影对待融合图像数据进行压缩,再对压缩数据进行稀疏表示得到稀疏系数,根据融合影响因子确定融合稀疏表示系数获得融合图像.实验验证了该算法的合理性和有效性,及在较低压缩比下具有与传统方法可比拟的融合质量.     

基于非下采样剪切波变换与显著信息加权的图像融合算法

为了克服当前较多图像融合方法主要依靠测量图像能量信息来完成不同系数的融合,忽略了图像的显著内容,导致融合图像含有吉布斯效应及间断效应等弊端,设计了非下采样剪切波变换(nonsubsampled Shearlet transform,NSST)耦合显著信息加权的图像融合算法.引入NSST机制,对源图像进行系数分解,获取高、低频系数.借助高斯滤波器来构造出显著度量模型,以计算图像拥有的显著信息.随后,利用信息熵函数来计算出图像拥有的细节丰富度.并以图像拥有的细节丰富度和显著信息为依据,设计低频系数融合的加权因子,以此完成低频像素的融合.最后,利用图像中像素点的三邻点像素值,融合高频系数,获取融合图像.实验结果显示,与当前图像融合技术相比,所提算法融合质量更好,融合结果连续性较强,所对应的平均梯度值较大.     

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。     

基于多形态学成分分析的图像融合

将多尺度分解与稀疏表示相结合,提出了一种基于多形态学成分分析（MCA）的图像融合算法。采用基于联合稀疏表示（JSR）的方法融合卡通子图像中的冗余和互补信息,并利用基于方向特征的方法融合具有更多细节信息和噪声的纹理子图像。结果表明,提出的图像融合算法在主观视觉效果和客观评价指标上均优于先进的图像融合算法。     

一种基于小波包变换的图像融合方法

本文提出一种基于小波包变换的图像融合方法,采用基于区域的最大值选择准则对系数进行融合。实验结果证明,该方法提高了图像的时频分辨率,尽可能得保留了图像的细节特征,比基于正交小波变换的图像融合方法具有更好的性能。     

基于二维图像矩阵的稀疏表示分类方法

利用稀疏表示对图像分类时,需要将二维图像转换为一维特征向量,这大大增加了计算复杂度和忽略了图像矩阵中固有的局部结构信息.为了解决上述问题,设计了完全基于二维特征矩阵的稀疏表示人脸分类方法.首先将二维图像转为2D Fisherface矩阵,然后直接利用二维矩阵求解稀疏表示和进行分类.整个识别过程中,不需要将二维图像转换为一维向量.实验结果表明,二维特征矩阵在稀疏表示分类中是十分有效的,设计的方法可以更快的运算速度达到更高的识别率.在ORL人脸数据库和Extended Yale B人脸数据库上的识别率分别达到97.5%和99.3%.     

基于多维自适应滤波与泊松融合的多聚焦图像融合算法

针对现有的多聚焦图像融合算法,在抗噪性能、图像连续性以及时间复杂度上的不足,提出了一种基于多维自适应滤波与泊松融合的多聚焦图像融合算法。首先,对统一尺度的源图像构建梯度矩阵,并设计尺度分段的多维自适应核函数对矩阵进行分割;然后,引入判定条件,对泊松重建中的图像边界进行伪边缘抑制,得到纯化后的全聚焦图像;最后,将抗噪算法与融合算法分别对比其他算法模型,进行综合比较,通过6种图像质量评价指标来评估融合性能与效果。结果表明：本文算法不仅有良好的运行效率,清晰的视觉观感,而且在评价因子上有更理想的数据结果。可见,不论主观还是客观上来看,该算法都具备明显优势。     

基于图像融合的去掌纹手掌静脉图像增强方法

针对手掌静脉识别系统中预处理算法不能够很好地解决掌纹造成静脉网络"断裂",导致识别性能降低的问题,通过对手掌静脉图像的观察和分析,提出8个方向滤波器提取掌纹;并将掌纹提取图像与原掌脉图像加权融合,消除了掌纹对手掌静脉图像的干扰,使静脉网络更加连贯,增大了静脉与背景的对比度。实验结果表明,与目前已有的手掌静脉增强方法相比,去掌纹增强方法提高了图像质量,进而提高了手掌静脉识别系统的识别精度。