基于壓縮感知和wbct變換的圖像融合方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及數(shù)字圖像處理領(lǐng)域、圖像融合算法領(lǐng)域。具體講，涉及基于壓縮感知和 WBCT變換的圖像融合方法
【背景技術(shù)】
[0002] 圖像融合通過對(duì)不同圖像信息的融合彌補(bǔ)了單一信息源獲得圖像數(shù)據(jù)的局限性 和差異性缺陷，綜合利用不同圖像之間的互補(bǔ)和冗余信息，獲得了對(duì)場(chǎng)景更全面準(zhǔn)確的圖 像描述，很大程度上提高了圖像質(zhì)量?；谛〔ㄗ儞Q的圖像融合是目前應(yīng)用廣泛的一種圖 像融合方法。小波變換具有良好的多尺度和時(shí)頻局部特性。但是傳統(tǒng)小波變換用來表示圖 像時(shí)只擁有有限的方向，即水平、垂直和對(duì)角線三個(gè)方向，不能更精確的表示圖像中的方向 信息；而且小波只能表示信號(hào)的點(diǎn)奇異性，不能很好的表示圖像的各向異性。
[0003] 將圖像融合應(yīng)用到壓縮感知理論框架中。如果不在圖像重構(gòu)之后進(jìn)行融合，而是 直接對(duì)各圖像極少的測(cè)量值用一定的融合方法進(jìn)行融合，再將融合之后的數(shù)據(jù)進(jìn)行傳輸、 儲(chǔ)存，重構(gòu)圖像時(shí)只需用到極少的融合的數(shù)據(jù)，那么就可以得到高質(zhì)量的圖像。這樣可以大 大提高計(jì)算的速度，節(jié)省傳輸、儲(chǔ)存、重構(gòu)的成本。

【發(fā)明內(nèi)容】

[0004] 為克服現(xiàn)有技術(shù)的不足，針對(duì)小波變換的局限性，為能夠?qū)崿F(xiàn)有效的表示和處理 圖像等高維空間數(shù)據(jù)。為此，本發(fā)明采取的技術(shù)方案是，基于壓縮感知和WBCT變換的圖像 融合方法，包括如下步驟：
[0005] 第一步：對(duì)待融合的圖像進(jìn)行基于小波的Contourlet (非自適應(yīng)的方向多尺度分 析方法）變換（WBCT)，分別得到低頻融合分量和高頻融合分量，其中用到的金字塔分解層 數(shù)為三層，每層的分解方向?yàn)?k個(gè)，其中k表示分解的層數(shù)；
[0006] 第二步：觀測(cè)矩陣MXN是用來對(duì)N維的原信號(hào)進(jìn)行觀測(cè)得到M維的觀測(cè)向量Y， M〈〈N，然后利用最優(yōu)化方法從觀測(cè)值Y中高概率重構(gòu)，構(gòu)造一個(gè)測(cè)量矩陣，分別對(duì)LH，HL，HH 高頻子帶測(cè)量；得到這三個(gè)子帶的測(cè)量系數(shù)值矩陣.而保留低頻子帶系數(shù)LL不變，選取高 斯隨矩陣作為測(cè)量矩陣，進(jìn)行測(cè)量取值。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；
[0007] 第三步：對(duì)兩幅源圖像的低頻分量使用采用基于窗口的加權(quán)平均（Weighted Average，WA)規(guī)則進(jìn)行像素點(diǎn)級(jí)別的評(píng)估，選取矩陣內(nèi)各個(gè)點(diǎn)對(duì)應(yīng)數(shù)值，組成新的矩陣；
[0008] 第四步：對(duì)兩幅源圖像的測(cè)量后的高頻分量使用主成分分析法進(jìn)行融合，得到測(cè) 量后的融合矩陣；
[0009] 第五步：對(duì)融合后的高頻分量使用分段匹配追蹤算法（StOMP)進(jìn)行重構(gòu)計(jì)算，獲 得適于WBCT逆變換的高頻分量；
[0010] 第六步：使用WBCT逆變換，將各個(gè)方向的高頻分量和低頻分量的融合結(jié)果進(jìn)行結(jié) 合，得到融合后圖像。
[0011] 采用基于窗口的加權(quán)平均（Weighted Average, WA)規(guī)則具體步驟是：
[0012] 第一步：在源圖像中，計(jì)算以（m，η)點(diǎn)為中心周圍窗口區(qū)域內(nèi)的能量或方差作 為該點(diǎn)細(xì)節(jié)信息強(qiáng)度的度量S a(m，n)、Sb(m，n)，Sa(m，η)為A源圖像點(diǎn)細(xì)節(jié)信息強(qiáng)度的度 量，S b (m，η)為B源圖像點(diǎn)細(xì)節(jié)信息強(qiáng)度的度量，m、η為點(diǎn)坐標(biāo)；
[0013] 第二步，計(jì)算cA(m，η)和cA(m，η)之間局部的、歸一化的互相關(guān)系數(shù)M AB，cA(m，η) 為A源圖像系數(shù)，cB(m，η)為B源圖像系數(shù)；
[0014] 第三步，根據(jù)互相關(guān)系數(shù)大小，采取不同的融合方式：
[0015] 當(dāng)MabS a時(shí)，a為閾值，a = 0. 85,說明源圖像系數(shù)間相關(guān)性比較低，選取局部方 差大的系數(shù)為融合后系數(shù)比較合理，即
[0016]
【主權(quán)項(xiàng)】
1. 一種基于壓縮感知和WBCT變換的圖像融合方法，其特征是，包括如下步驟： 第一步：對(duì)待融合的圖像進(jìn)行基于小波的Contourlet (非自適應(yīng)的方向多尺度分析方 法）變換（WBCT)，分別得到低頻融合分量和高頻融合分量，其中用到的金字塔分解層數(shù)為 三層，每層的分解方向?yàn)?k個(gè)，其中k表示分解的層數(shù)； 第二步：觀測(cè)矩陣MXN是用來對(duì)N維的原信號(hào)進(jìn)行觀測(cè)得到M維的觀測(cè)向量Y，M〈〈N， 然后利用最優(yōu)化方法從觀測(cè)值Y中高概率重構(gòu)，構(gòu)造一個(gè)測(cè)量矩陣，分別對(duì)LH，HL，HH高頻 子帶測(cè)量；得到這三個(gè)子帶的測(cè)量系數(shù)值矩陣.而保留低頻子帶系數(shù)LL不變，選取高斯隨 矩陣作為測(cè)量矩陣，進(jìn)行測(cè)量取值。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； 第三步：對(duì)兩幅源圖像的低頻分量使用采用基于窗口的加權(quán)平均（Weighted Average，WA)規(guī)則進(jìn)行像素點(diǎn)級(jí)別的評(píng)估，選取矩陣內(nèi)各個(gè)點(diǎn)對(duì)應(yīng)數(shù)值，組成新的矩陣； 第四步：對(duì)兩幅源圖像的測(cè)量后的高頻分量使用主成分分析法進(jìn)行融合，得到測(cè)量后 的融合矩陣； 第五步：對(duì)融合后的高頻分量使用分段匹配追蹤算法（StOMP)進(jìn)行重構(gòu)計(jì)算，獲得適 于WBCT逆變換的高頻分量； 第六步：使用WBCT逆變換，將各個(gè)方向的高頻分量和低頻分量的融合結(jié)果進(jìn)行結(jié)合， 得到融合后圖像。
2. 如權(quán)利要求1所述的基于壓縮感知和WBCT變換的圖像融合方法，其特征是，采用基 于窗口的加權(quán)平均（Weighted Average, WA)規(guī)則具體步驟是： 第一步：在源圖像中，計(jì)算以（m，η)點(diǎn)為中心周圍窗口區(qū)域內(nèi)的能量或方差作為 該點(diǎn)細(xì)節(jié)信息強(qiáng)度的度量Sa(m，n)、Sb(m，n)，Sa(m，η)為A源圖像點(diǎn)細(xì)節(jié)信息強(qiáng)度的度 量，S b (m，η)為B源圖像點(diǎn)細(xì)節(jié)信息強(qiáng)度的度量，m、η為點(diǎn)坐標(biāo)； 第二步，計(jì)算cA (m，η)和cA (m，η)之間局部的、歸一化的互相關(guān)系數(shù)MAB，cA (m，η)為A 源圖像系數(shù)，cB(m，η)為B源圖像系數(shù)； 第三步，根據(jù)互相關(guān)系數(shù)大小，采取不同的融合方式： 當(dāng)MabS a時(shí)，a為閾值，a = 0. 85,說明源圖像系數(shù)間相關(guān)性比較低，選取局部方差大 的系數(shù)為融合后系數(shù)比較合理，即
其中cF(m，η)為融合后圖像系數(shù)， 當(dāng)MabM時(shí)，說明系數(shù)間相關(guān)性比較大，采用加權(quán)平均的方法更為合理， cF (m，n) = w (m，n) cA (m，η) + [Ε (m，n) -W (m，n) ] cB (m，η) 其中E (m, η)為單位矩陣，權(quán)系數(shù)w(m, η)由下式確定：
3.如權(quán)利要求1所述的基于壓縮感知和WBCT變換的圖像融合方法，其特征是，壓縮感 知重構(gòu)算法進(jìn)一步細(xì)化為：每次匹配追蹤時(shí)選出的是多個(gè)匹配原子而不是單個(gè)原子，減少 了匹配次數(shù)，特定狀態(tài)下可構(gòu)成一個(gè)匹配濾波器，鑒別出所有振幅大于一個(gè)特殊選定的閾 值的坐標(biāo)，用這些選定的坐標(biāo)做最小二乘，然后減去最小二乘擬合，得到一個(gè)新的余量。
【專利摘要】本發(fā)明涉及數(shù)字圖像處理領(lǐng)域，為能夠?qū)崿F(xiàn)有效的表示和處理圖像等高維空間數(shù)據(jù)，基于壓縮感知和WBCT變換的圖像融合方法，包括如下步驟：第一步：對(duì)待融合的圖像進(jìn)行基于小波的Contourlet變換；第二步：構(gòu)造一個(gè)測(cè)量矩陣，分別對(duì)LH，HL，HH高頻子帶測(cè)量；第三步：對(duì)兩幅源圖像的低頻分量使用采用基于窗口的加權(quán)平均(Weighted Average,WA)規(guī)則進(jìn)行像素點(diǎn)級(jí)別的評(píng)估；第四步：對(duì)兩幅源圖像的測(cè)量后的高頻分量使用主成分分析法進(jìn)行融合；第五步：對(duì)融合后的高頻分量使用分段匹配追蹤算法(StOMP)進(jìn)行重構(gòu)計(jì)算；第六步：使用WBCT逆變換。本發(fā)明主要應(yīng)用于數(shù)字圖像處理。
【IPC分類】G06T5-50
【公開號(hào)】CN104732504
【申請(qǐng)?zhí)枴緾N201510037279
【發(fā)明人】羅韜, 史再峰
【申請(qǐng)人】天津大學(xué)
【公開日】2015年6月24日
【申請(qǐng)日】2015年1月23日