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 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。     

隐式低秩表示联合稀疏表示的人脸识别方法

针对人脸识别中存在的遮挡、阴影、反光等不同程度的数据破坏以及训练样本不充足导致识别率低的问题,提出一种基于隐式低秩表示联合稀疏表示(LatLRR_SRC,Latent Low-Rank Representation Sparse Representation Classification)的人脸识别方法.该方法首先采用隐式低秩表示(LatLRR,Latent Low-Rank Representation)算法将训练样本矩阵分解为两个低秩逼近矩阵和一个稀疏误差矩阵.然后将低秩逼近矩阵和稀疏误差矩阵联合构成完备字典,并用K-SVD算法对字典进行学习,得到测试样本在学习后字典下的稀疏表示.最后对测试样本利用上述隐式低秩表示分解的三部分的稀疏逼近计算残差,完成测试样本的分类识别.在Extend YaleB和CMU PIE人脸数据上的实验结果表明,基于LatLRR_SRC的人脸识别方法具有较高的识别率和稳定性.     

可见光与红外图像融合方法研究

针对红外图像中目标图像灰度值的分布特点,提出了一种以基于区域生长法为基础的先提取红外图像中的目标,然后再进行与可见光图像融合的方法,并与加权平均等融合方法做了仿真对比实验,实验结果表明,该方法在保留可见光图像高分辨率和纹理细节信息的同时,又突出了红外图像中的目标,并且计算量相对较小,有利于实现图像的实时融合处理.     

基于低秩投影与稀疏表示的人脸识别算法

当训练和测试图像同时受到污损时,人脸识别的性能会急剧下降。为了解决这一问题,提出了一种新的人脸识别算法。首先利用鲁棒主成分分析(robust principal component analysis,RPCA)方法得到训练样本的低秩部分;然后基于原始训练样本及其低秩部分得到低秩投影矩阵,该矩阵可以对存在污损的测试图像进行恢复;最后使用稀疏表示分类(sparse representation based classification,SRC)算法对恢复后的测试图像进行分类。在两个公开数据库上进行实验,实验结果证明了本文算法的有效性,同时识别性能优于SRC及线性回归分类(linear regression classification,LRC)方法,能在一定程度上处理样本数据受到污损的情况。     

基于残差网络的红外与可见光图像融合方法

图像融合利用了红外与可见光图像在时空上的相关性及信息上的互补性,让图像更有利于人眼的识别和机器的自动探测。现有的方法许多都存在伪影或目标信息模糊的情况,针对这些问题本文提出了一种带有残差块的编码器融合框架以提取红外与可见光图像中的深层特征;为了更好地融合红外光图像的目标信息和可见光图像所包含的细节信息,在特征融合阶段加入注意力机制得到注意力图对深层特征进行融合;最后通过跳跃连接将第一二层得到的特征图,即浅层特征传递到相应的反卷积层进行处理,得到融合图像。实验结果表明,本文方法的融合结果在主观感觉上更清楚,且在平均梯度、空间频率、结构相似性和峰值信噪比等客观指标上取得了比现有方法更好的结果。     

基于NSST与改进稀疏表示的医学图像融合方法

针对单一模态的医学图像无法为临床诊断提供全面、 互补信息的问题, 提出一种基于非下采样剪切波变换(NSST)与改进稀疏表示(ISR)的多模态医学图像融合方法. 首先用NSST分解工具将待融合图像分解为一个低频子带和若干个高频子带; 其次, 用ISR方法融合低频子带, 通过Sobel算子和引导滤波器去除低频子带的细节特征, 从而提高低频子带的融合效率, 同时对高频子带采用绝对值最大的融合规则进行融合; 最后, 将融合后的低频子带和高频子带进行逆NSST变换得到最终的融合图像. 实验结果表明, 该方法在主观视觉性能和客观评价上均优于其他对比融合方法.     

基于NSST与改进稀疏表示的医学图像融合方法

针对单一模态的医学图像无法为临床诊断提供全面、 互补信息的问题, 提出一种基于非下采样剪切波变换(NSST)与改进稀疏表示(ISR)的多模态医学图像融合方法. 首先用NSST分解工具将待融合图像分解为一个低频子带和若干个高频子带; 其次, 用ISR方法融合低频子带, 通过Sobel算子和引导滤波器去除低频子带的细节特征, 从而提高低频子带的融合效率, 同时对高频子带采用绝对值最大的融合规则进行融合; 最后, 将融合后的低频子带和高频子带进行逆NSST变换得到最终的融合图像. 实验结果表明, 该方法在主观视觉性能和客观评价上均优于其他对比融合方法.     

红外与可见光图像融合方法比较研究

红外与可见光融合作为图像融合中的热点问题,其融合方法推陈出新.针对拉普拉斯金字塔(LP)方法、离散小波变换(DWT)、双树复小波变换(DTDWT)、曲线波变换(CVT)与非下采样Contourlet变换(NSCT)等五种融合方法进行试验,并通过采用无参考图像的客观评价方法进行分析,最终得出最佳的融合方法.结果表明:拉普拉斯金字塔(LP)方法有最佳的客观评价性能,最终可获得综合指标最优的融合图像.     

基于低秩非局部稀疏表示的图像去噪模型

在去除加性高斯白噪声的过程中,为克服图像失真,提高图像视觉质量,使图像之间联系更加密切,本文提出了一种基于低秩非局部稀疏表示的去噪算法模型。在该模型中,首先通过PCA方法线训练字典得到稀疏字典集,然后用奇异值分解求解低秩问题,最后用欧拉-拉格朗日方法得到去噪图像的能量泛函,从而重构图像。仿真实验结果表明,提出的新算法不仅能克服图像失真,改善图像视觉质量,还提高了峰值信噪比和图像相似度。     

基于像素值选择的红外与可见光图像融合方法

在夜视系统中,红外图像可以提供可将光图像没有的信息,但是红外图像又缺少许多可视化的重要特征.图像融合技术能够融合具有相关信息的红外图像和可将光图像.本文中提出了一种基于小波变换的图像融合技术,并且运用此技术做了相关的图像融合试验.     

基于低秩稀疏表示的子空间学习研究综述

以基于低秩稀疏表示的子空间学习为研究对象,对近几年的相关研究工作进行了归纳总结.首先,阐述了子空间学习及低秩稀疏表示的概念;然后,根据迭代更新的方法,将基于低秩稀疏表示的子空间学习分为基于矩阵分解的子空间学习和基于谱聚类的子空间学习两大类;其次,对它们各自算法的核心思想进行了详细介绍,并对这些算法的优缺点进行了对比分析...     

一种基于低秩表示的高光谱图像恢复方法

高光谱图像(HSI)在获取过程中不可避免地受到各种噪声的干扰,如高斯白噪声、冲击噪声、坏死的线条等.为了确保后续应用能够顺利进行,高光谱图像的恢复是一项重要的预处理过程.文中提出一种新的高光谱图像恢复方法,主要有以下两点贡献:其一,将低秩表示模型引入到高光谱图像恢复中;其二,利用高光谱图像的相似图像块进行联合低秩表示.模拟和实际高光谱图像数据的实验结果表明,所提出的方法能有效地去除各种噪声干扰,同时较好地恢复图像细节,因此可作为一种实现高光谱图像恢复的有效手段.     

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。     

基于深度学习的红外与可见光图像融合综述

图像融合技术是指从不同的源图像中提取并融合互补的信息,生成一幅信息量更丰富、对后续高级视觉任务提供足够支持的图像.红外与可见光图像融合（Infrared and Visible Image Fusion,IVIF）是图像融合领域的一个重要分支.近年来,深度学习技术在视觉计算领域表现出了良好的性能,尤其是基于自编码器、卷积神经网络、生成对抗网络等几种基于深度学习的IVIF技术得到了蓬勃发展.为此,对基于深度学习的IVIF算法的方法、数据集和评估指标等进行了总结和阐述;通过大量的实验,进行定性和定量的结果分析,对比了各类基于深度学习IVIF算法的性能;最后,讨论了该领域未来发展的一些前景和研究方向.     

融合低秩和稀疏表示的图像超分辨率重建算法

针对现有图像超分辨率重建算法收敛速度慢、易受噪声影响的问题,结合低秩矩阵恢复与稀疏重建理论,提出了一种新的单幅图像超分辨率重建算法。对于待重建的退化图像,首先进行低秩恢复,得到含有原始图像大部分信息的低秩部分和主要由噪声组成的稀疏部分,然后对低秩部分利用学习的高低分辨率字典对进行稀疏重建。实验结果表明:本文算法对噪声鲁棒,运行速度快,图像视觉效果更佳;相比基于稀疏表示的统计预测模型(SPBSR),本文算法的峰值信噪比指标平均提高了4dB。     

基于CBAM-DDcGAN的锌渣红外与可见光图像融合

对热镀锌生产线锌池中的锌渣分布进行准确识别是捞渣作业智能化的前提。红外图像易损失锌渣的纹理特征,可见光图像又容易受到光照等因素的影响,红外与可见光图像的融合是提高锌渣识别精度的有效手段。本文提出一种结合卷积注意力机制模块(CBAM)和双判别器生成对抗网络(DDcGAN)的红外与可见光图像融合算法。首先,生成器内部采用编解码网络,编码器采用密集连接方式,与CBAM相结合,在最大程度地保留图像特征的同时还能突出关键特征,抑制无用信息,提升融合效果。其次,利用两个判别器与生成器分别进行对抗训练,可同时保留两种源图像的信息。采用锌渣图像数据集进行对比实验,结果表明,本文算法所得融合图像在主观视觉效果和客观定量指标上均有不同程度的改善。