压缩感知框架下的图像融合方法
【专利摘要】本发明涉及数字图像处理领域、图像融合算法领域，为实现在不影响图像的品质和细节的前提下，将图像的数据量大大降低，促进融合步骤所需要进行处理的数据的量，进而使得整个融合系统的运行速度大大提升。为此，本发明采取的技术方案是，压缩感知框架下的图像融合方法，包括如下步骤：第一步：对待融合的图像进行单层小波分解；第二步：选取高斯随矩阵作为测量矩阵，进行测量取值；第三步：选取矩阵内各个点对应数值，组成新的矩阵；第四步：对两幅源图像的测量后的高频分量使用主成分分析法进行融合；第四步：获得适于小波逆变换的高频分量；第五步：得到融合后图像。本发明主要应用于数字图像处理。
【专利说明】压缩感知框架下的图像融合方法
【技术领域】
[0001] 本发明涉及数字图像处理领域、图像融合算法领域。具体讲，涉及压缩感知框架下 的图像融合方法。
【背景技术】
[0002] 图像融合是指将多源信道所采集到的关于同一个目标的图像数据经过图像处理 和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提 高图像信息的利用率。多传感器图像融合使用不同传感器获得的同一目标的图像，经过去 噪、时空配准和重采样后，再运用图像融合技术得到一副图像。通过图像融合可以克服单一 传感器图像在几何、光谱和空间分辨率方面存在的局限性和差异性，提高图像的质量。但目 前现有技术存在运行速度慢、运算负担重等不足。
[0003] 对图像进行压缩感知变换，将在不影响图像的品质和细节的前提下，将图像的数 据量大大降低，这将大大促进融合步骤所需要进行处理的数据的量，进而使得整个融合系 统的运行速度大大提升。本专利的核心和目的是进行两幅图像的有效融合，进而获取更大 信息熵更好图像细节的融合图像。基于压缩感知的图像融合系统将大大降低融合系统的硬 件和运算负担，进而加快了整个系统的运行速度。
【发明内容】
[0004] 为克服现有技术的不足，本发明旨在实现在不影响图像的品质和细节的前提下， 将图像的数据量大大降低，促进融合步骤所需要进行处理的数据的量，进而使得整个融合 系统的运行速度大大提升。为此，本发明采取的技术方案是，压缩感知框架下的图像融合方 法，包括如下步骤：
[0005] 第一步：对待融合的图像进行单层小波分解，分别得到低频融合分量和高频融合 分量，分别记为LULH、HL、HH，LL:小波分解得到的低低位值；LH:小波分解得到的低高位 值；HL:小波分解得到的高低位值；HH:小波分解得到的高高位值；
[0006] 第二步：观测矩阵也称测量矩阵MXN是用来对N维的原信号进行观测得到M维 的观测向量Y，M〈〈N，然后可以利用最优化方法从观测值Y中高概率重构。构造一个测量矩 阵，分别对LH，HL，HH高频子带测量，得到这三个子带的测量系数值矩阵.而保留低频子带 系数LL不变。选取高斯随矩阵作为测量矩阵，进行测量取值；
[0007] 第三步：对两幅源图像的低频分量使用采用基于窗口的加权平均（Weighted Average，WA)规则进行像素点级别的评估，选取矩阵内各个点对应数值，组成新的矩阵；
[0008] 第四步：对两幅源图像的测量后的高频分量使用主成分分析法进行融合，得到三 个方向的测量后的融合矩阵；
[0009] 第四步：对融合后的高频分量使用分段匹配追踪算法（StOMP)进行重构计算，获 得适于小波逆变换的高频分量；
[0010] 第五步：使用小波逆变换，将各个方向的高频分量和低频分量的融合结果进行结 合，得到融合后图像。
[0011] 基于窗口的加权平均（WeightedAverage,WA)规则进行像素点级别的评估，进一 步细化为：
[0012] 第一步：在源图像中，计算以（m，η)点为中心周围窗口区域内的能量或方差作为 该点细节信息强度的度量SA(m，n)、SB(m，n)，SA(m，η)为A源图像点细节信息强度的度 量，SB(m，η)为B源图像点细节信息强度的度量，m、η为点坐标；
[0013] 第二步，计算cA(m，η)和cA(m，η)之间局部的、归一化的互相关系数MAB，cA(m，η) 为A源图像系数，cB(m，η)为B源图像系数；
[0014] 第三步，根据互相关系数大小，采取不同的融合方式：
[0015] 当MabSa时，a为阈值，a= 0. 85,说明源图像系数间相关性比较低，选取局部方 差大的系数为融合后系数比较合理，即
[0016]
【权利要求】
1. 一种压缩感知框架下的图像融合方法，其特征是，包括如下步骤： 第一步：对待融合的图像进行单层小波分解，分别得到低频融合分量和高频融合分量， 分别记为LL、LH、HL、HH，LL:小波分解得到的低低位值；LH:小波分解得到的低高位值；HL: 小波分解得到的高低位值；HH:小波分解得到的高高位值； 第二步：观测矩阵也称测量矩阵MXN是用来对N维的原信号进行观测得到M维的观测 向量Y，M〈〈N，然后可以利用最优化方法从观测值Y中高概率重构。构造一个测量矩阵，分别 对LH，HL，HH高频子带测量，得到这三个子带的测量系数值矩阵.而保留低频子带系数LL 不变。选取高斯随矩阵作为测量矩阵，进行测量取值； 第三步：对两幅源图像的低频分量使用采用基于窗口的加权平均（Weighted Average，WA)规则进行像素点级别的评估，选取矩阵内各个点对应数值，组成新的矩阵； 第四步：对两幅源图像的测量后的高频分量使用主成分分析法进行融合，得到三个方 向的测量后的融合矩阵； 第四步：对融合后的高频分量使用分段匹配追踪算法（StOMP)进行重构计算，获得适 于小波逆变换的高频分量； 第五步：使用小波逆变换，将各个方向的高频分量和低频分量的融合结果进行结合，得 到融合后图像。
2. 如权利要求1所述的压缩感知框架下的图像融合方法，其特征是，基于窗口的加权 平均（WeightedAverage,WA)规则进行像素点级别的评估，进一步细化为： 第一步：在源图像中，计算以（m，n)点为中心周围窗口区域内的能量或方差作为 该点细节信息强度的度量Sa(m，n)、Sb(m，n)，Sa(m，n)为A源图像点细节信息强度的度 量，Sb (m，n)为B源图像点细节信息强度的度量，m、n为点坐标； 第二步，计算cA(m，n)和cA(m，n)之间局部的、归一化的互相关系数MAB，cA(m，n)为A源图像系数，cB (m，n)为B源图像系数； 第三步，根据互相关系数大小，采取不同的融合方式： 当MabSa时，a为阈值，a= 0. 85,说明源图像系数间相关性比较低，选取局部方差大 的系数为融合后系数比较合理，即
其中cF(m，n)为融合后图像系数， 当MabM时，说明系数间相关性比较大，采用加权平均的方法更为合理，cF (m，n) =w(m，n)cA (m，n) +[E(m，n)-W(m，n) ]cB (m，n) 其中E(m，n)为单位矩阵，权系数w(m，n)由下式确定：
3. 如权利要求1所述的压缩感知框架下的图像融合方法，其特征是，分段匹配追踪算 法实质是，每次匹配追踪时选出的是多个匹配原子而不是单个原子，减少了匹配次数，特定 状态下可构成一个匹配滤波器，鉴别出所有振幅大于一个特殊选定的阈值的坐标，用这些 选定的坐标做最小二乘，然后减去最小二乘拟合，得到一个新的余量。
【文档编号】G06T9/00GK104504740SQ201510037276
【公开日】2015年4月8日 申请日期:2015年1月23日 优先权日:2015年1月23日
【发明者】罗韬, 史再峰 申请人:天津大学