基于分块压缩感知的遥感图像多尺度融合

由于分块压缩采样缺乏全局特性,导致基于分块压缩感知的常规融合图像质量差、且存在分块效应。首先提出图像在小波变换域的非均匀分块压缩感知(WNBCS),然后对压缩采样结果用局部特征规则融合,再用迭代阈值投影算法重构融合图像和消除分块效应。最终提出基于分块压缩感知的遥感图像多尺度融合方法,并给出算法详细实现流程。仿真结果表明WNBCS改善了图像重构质量和速度。实际资料测试结果表明,局部特征压缩融合比最大值和加权融合结果具有更好的视觉效果和定量分析结果。所提融合方法考虑图像全局特性、简化融合决策过程,便于大数据量遥感图像的压缩融合。     

一种基于图像块分割的多聚焦图像融合方法

针对多聚焦图像，提出了一种基于图像块分割的图像融合方法，采用块区域局部对比度将多聚焦图像分割成三部分：聚焦清晰区域、聚焦模糊区域以及两者之间的边界区域，对于清晰区域和模糊区域，直接选取清晰块区域作为融合后相应块区域；对于边界区域，建立了基于对比度的像素选取方法进行融合处理，实验对比结果表明，该方法明显优于拉普拉斯金字塔融合算法和离散小波变换融合算法。     

基于多层分块自适应压缩感知的图像编解码方法

压缩感知中,测量矩阵对图像进行单一采样率的压缩采样。传统的测量矩阵虽然能够获得比较好的重构效果,但因采样数目较多,故而资源耗费也较多。为了解决上述问题,提出了多层分块自适应编码算法(multi-layered block adaptive coding algorithm,MLBA)以及多层分块自适应压缩感知编解码方法(multi-layered block adaptive compressed sensing codec method,MLBACS)。MLBACS编解码方法基于MLBA编码算法,能够根据图像局部结构进行不同层数和大小的分块,并自适应分配采样率。仿真结果表明,在同等重构性能的前提下,相对于单一采样率下的压缩感知,MLBACS编解码方法能够不同程度地降低重构图像所需的采样数目。     

基于压缩感知和活动轮廓的多焦点图像融合

该文提出了一种基于压缩感知和活动轮廓的多焦点图像融合方法。首先对源图像进行SBHE(scrambled block hadamard ensemble)采样获得压缩感知测量值,然后通过活动轮廓对源图像进行区域划分,再将区域划分结果合并形成联合区域划分。通过联合区域划分和互信息计算融合权重,得到融合后的系数,再通过压缩感知系数重构算法得到融合后的图像。为了验证算法的有效性,进行了2组多焦点图像融合实验。实验表明:该方法相比传统的压缩感知图像融合方法,在主观视觉和客观评价指标方面都能得到更好的融合结果。     

分块OSTM测量矩阵构造及自适应压缩感知算法

针对目前随机测量矩阵物理实现困难、成本较高等不足,在研究确定性测量矩阵构造的基础上,基于分块循环结构,提出了分块正交对称Toeplitz矩阵(OSTM)的构造方法.分块OSTM具有伪随机循环结构,易于硬件实现,其独立变元个数大大减少,可降低存储和运算时间.针对目前图像分块压缩感知中单一采样的缺陷,将图像块进行分类,根据图像局部结构自适应分配采样率,结合分块OSTM设计,提出了基于分块OSTM的自适应压缩采样算法.仿真实验结果表明,基于分块OSTM的压缩测量获得的重构图像PSNR显著提高,图像主观质量得到了有效改善.     

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.     

基于压缩感知的图像检索方法研究

针对大尺寸图像的特征提取算法复杂度高、特征信息容易缺失的问题,利用压缩感知理论中关于少量测量值可以精确重构原始信号的特性,提出了一种基于压缩感知的图像检索方法。首先对图像进行小波变换、分块预处理;然后构造分块多项式确定性测量矩阵,并对分块图像进行压缩感知快速测量,得到少量的压缩测量值代表图像的特征;最后采用加权距离方法计算图像测量值特征的相似度,实现图像的精确检索。仿真结果表明,该方法在图像检索速度和查准率、查全率等指标上具有更高的性能,能应用于大量复杂图像的检索。     

结合图像的局部相关性及非局部相似性的多尺度分块压缩感知

标准的图像压缩感知算法未利用像素间的邻域结构信息和图像子块的自相似性。针对这一问题,本文将图像分成重叠的图像子块,用冗余字典自适应地稀疏表示图像,同时将用自回归模型表示的图像局部相关性和非局部相似性作为先验知识运用到压缩感知图像重构中,提出了结合图像的局部相关性和非局部相似性的多尺度分块压缩感知方法。实验结果表明,本文算法可以有效提高图像重构的视觉效果和峰值信噪比。     

多聚焦图像的自适应分块融合方法

人类的视觉系统对图像边缘区域非常敏感,属于不同区域的像素在边缘位置处的相似性最低。为了体现多聚焦图像在成像方面的差异,突出不同图像中的聚焦景物,提出一种基于像素块灰度相似矩阵的自适应多聚焦图像融合方法。方法以像素块灰度相似矩阵及其偏差中值作为融合的分块及融合准则,即根据像素块的灰度相似性来对融合源图进行自适应分块并依据偏差中值对分块后的图像进行融合的方法。由实验、主观评价及客观评价(标准差、清晰度、最大偏差、空间频率)结果显示,该方法优于常规小波变换融合方法。     

一种基于压缩感知的无损图像认证算法

针对图像无损认证和篡改检测问题,提出了一种基于压缩感知的自嵌入水印算法.首先,将图像划分为若干分块;然后,利用压缩感知理论对各图像块进行观测,将得到的观测值作为图像内容特征,通过基于哈希的消息认证码算法生成图像摘要,并将摘要信息作为水印嵌入到图像小波域中,嵌入方式采用量化索引调制算法.在认证端提取水印并恢复图像,然后对图像进行压缩感知随机投影,将得到的摘要信息与提取的水印进行对比,实现图像认证和篡改检测.仿真实验结果表明,水印嵌入后图像的峰值信噪比可达到39 dB以上,说明该算法具有较好的不可感知性和隐蔽性.此外,该算法还具有较强的局部篡改定位性能,图像认证块大小可根据图像进行相应调整.若图像通过认证,则可以无损地恢复原始图像.     

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．     

基于视觉显著性的分块自适应压缩感知算法

针对SAR图像的压缩感知重建问题,在分块压缩感知框架的基础上,提出了基于视觉显著性的分块自适应压缩感知算法.在采样阶段,每个子块的采样率依据显著信息自适应的变化;在重建阶段,根据不同图像显著信息的差异,自适应地滤波.实验结果表明:该方法不仅重建结果的整体质量更优,视觉效果更好,而且在重建后的图像中能更好地保持边缘和目标等重要特征.     

一种改进的基于全变差范数图像融合方法

针对基于全变差范数图像融合方法在多聚焦图像融合中产生分块效应的缺陷，提出将区域的特征表示与主成分分析思想相结合的改进算法，解决了单独块变换造成的图像分块效应问题.实验结果表明，改进算法能有效地消除分块效应，且针对含噪图像，其融合效果明显优于离散小波方法.     

基于方差的WMSN图像非均匀分块自适应压缩算法

针对无线多媒体传感器网络数据量较大和储存能力有限等问题,提出了基于方差的图像非均匀分块自适应压缩算法。在传统的压缩方法中,均匀分块的稀疏变换对图像信号进行压缩,会带来图像重构的块状效应,而且无法有效地分离出重要区域或者背景区域。给出一种基于方差的图像非均匀分块自适应压缩算法,以图像方差值作为块大小分割依据,利用四叉树算法进行图像块大小的划分。并将分块大小结果分成快速变化块、过度块和缓慢变化块3类,适时做不同程度的压缩。实验结果表明：本文所提出的算法在图像重构质量方面优于传统的均匀分块压缩方法。     

基于不可分离小波框架变换的多聚焦图像融合算法

为解决多聚焦图像融合问题,提出了一种基于不可分离小波框架(NWF)变换的融合算法：首先,对各原图像进行NWF变换;然后,根据变换后系数计算图像的对比度量测,融合处理为基于对比度量测的系数选取过程,并对选取后的系数进行一致性校验;最后,对组合后的系数进行NWF逆变换,得到融合后的图像．实验结果表明,该算法能够较好地解决多聚焦图像融合问题．     

基于图像块分割及小波空间频率的多聚焦图像融合法

提出了一种基于图像块分割及小波空间频率的多聚焦图像融合算法.采用块区域局部小波空间频率作为图像是否清晰的判断依据,对于明显的清晰和模糊区域,直接选取清晰区域作为融合后的相应块区域;而对于清晰与模糊的边界区域,采用了基于像素的窗口空问频率的方法进行融合处理.实验对比结果表明,该方法明显优于小波变换方法和图像块方法.     

静态小波域内特征对比度多聚焦图像融合算法

针对多聚焦图像融合问题,提出了一种新的基于提升静态小波变换(lifting stationary wavelet transform, LSWT)的多聚焦图像融合方法。对经LSWT分解得到的不同频域子带系数采用不同的系数选择方案。在融合低频子带系数时考虑到人眼视觉对图像局部对比度比较敏感的特性,引入了一种新的局部特征对比度的概念,并给出了低频子带系数的选择方案。在融合高频子带系数时,充分考虑到人眼视觉对图像边缘细节比较敏感的特性而对单个像素的亮度不敏感的特性,引入了一种适应于高频子带系数的特征对比度的概念,设计出一种基于特征对比度的系数选择方案。实验证明,算法相对于传统的基于图像对比度的图像融合方法,能够提取更多的有用信息并注入到融合图像中,得到视觉效果更好,更优量化指标的融合图像。     

多尺度压缩感知框架下的遥感图像超分辨率重建

传统的基于压缩感知的超分辨率重建算法将图像看作单尺度,并没有考虑不同尺度的图像块可能包含不同的判别信息.为了有效利用遥感图像的尺度特性,提出了一种多尺度压缩感知框架下的遥感图像超分辨率重建算法.首先通过图像块聚类构建多尺度训练样本集,接着运用Fisher判别准则学习包含遥感图像类别信息的判别字典,然后根据压缩感知中测量矩阵的构造方式估计低分辨率图像的获取过程,最后结合判别字典依次重建多尺度模式下的各子区域图像.实验结果证明了将多尺度压缩感知引入图像超分辨率重建的有效性,提出的算法在视觉效果和评价指标上均优于现有的几种算法.     

一种基于灰度评价的图像分块压缩算法

针对分形图像压缩算法中匹配定义域块搜索存在的速度慢,只是局部最优的缺点,提出了一种基于灰度评价的图像分块压缩算法,即用灰度评价的方法来区分图像,同时,对映射集增加对比度和亮度的约束,从而大大提高了图像的可分性,压缩比和压缩速度,最后,用随机迭代的方法完成图像的解码,保真效果良好。优化了分形图像压缩编码方法。     

基于K-SVD 字典学习的岩心图像压缩感知重构

针对传统方法进行岩心图像压缩感知重构时,在低码率下容易产生细节丢失的问题,提出一种基于 K-SVD( K-Singular Value Decomposition) 超完备字典学习的压缩感知重构算法。首先根据分块压缩感知理论,将 岩心图像分块,采用高斯随机矩阵对相应层级的图像块进行观测,得到对应的观测值块,然后用MMSE ( Minimum Mean Squareerror Estimation) 方法获得初始解的估计并利用提示小波进行滤波,通过全局阈值的思想 得到自适应阈值,最后利用K-SVD 字典结合Landweber 迭代实现压缩与重构。实验结果表明,与传统方法相 比,在相同的采样率下获得的重构图像能较好地保留岩心图像的纹理信息,重构岩心图像的PSNR( Peak Signal to Noise Ratio) 值提高约0． 1 ～ 0． 8 dB。