為提高圖像的質(zhì)量和實時傳輸效率,提出一種基于NSCT變換與壓縮感知的紅外/被動毫米波圖像融合算法.該算法首先對紅外/被動毫米波圖像分別進行非下采樣輪廓波變換分解.然后,對于高頻系數(shù)采用基于壓縮感知的融合方法;低頻系數(shù)部分則是采用基于圖像方差的融合策略.再對融合后的高頻、低頻系數(shù)進行逆變換輸出融合圖像.最后通過實驗仿真證實該算法得到的融合圖像能很好地識別目標坦克. 

【文章來源】：福州大學(xué)學(xué)報(自然科學(xué)版). 2017,45(06)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

CS感知理論框架

福州大學(xué)學(xué)報(自然科學(xué)版)第45卷http://xbzrb．fzu．edu．cn有不同的測量矩陣可以選用，如圖2所示．(a)雙星型(b)單放射型(c)雙放射型圖2測量矩陣Fig．2Observationmatrix隨機測量矩陣如高斯測量矩陣、Bernouli測量矩陣、局部Fourier測量矩陣等，能大概率滿足ＲIP準則，且所需測量數(shù)據(jù)少、重構(gòu)性能好．針對NSCT分解，本研究選用Bernouli隨機矩陣作為測量矩陣，其構(gòu)造方法如下:一個大小為M×N的矩陣Φ，其中每一個元素獨立服從貝努利分布:Φ(i，j)=1槡M+1p1=1/2－1p2=1/2{Bernouli測量矩陣有很強的隨機性，當測量數(shù)M≥cKlog(N/K)時，能使測量矩陣大概率滿足ＲIP準則，且矩陣元素為±1，使得在實際應(yīng)用中更易于實現(xiàn)和存儲．3)將測量值y1、y2進行融合，得到融合后測量值y3．通常采用的規(guī)則有:絕對值取大、平均加權(quán)等．4)由測量矩陣Φ與測量值y3重構(gòu)融合后圖像．根據(jù)壓縮感知理論，信號重構(gòu)的本質(zhì)可以表示為求解L0范數(shù)的最優(yōu)化問題(僅有K個非零值):minX30s．t:y3=ΦX3但基于L0范數(shù)的優(yōu)化問題是病態(tài)的，N很大時，幾乎找不到最優(yōu)解．但可以將其轉(zhuǎn)化為凸優(yōu)化問題，用L1范數(shù)代替L0范數(shù)找到最優(yōu)解，基于L1范數(shù)的最優(yōu)化問題為:minX31s．t:y3=ΦX3上式中目標函數(shù)是凸函數(shù)，對于實數(shù)可轉(zhuǎn)化為線性規(guī)劃(LP)問題求解，如基追蹤法(basispursuit，BP)、梯度投影稀疏重構(gòu)等．復(fù)數(shù)則可轉(zhuǎn)化為二維錐規(guī)劃問題求解．3基于NSCT與壓縮感知的圖像融合圖3融合過程Fig．3Fusionprocess為了紅外/被動毫米波復(fù)合探測器能輸出高質(zhì)量的圖像，實時地識別目標，提出基于NSCT與壓縮感知的IＲ/PMMW圖像融合算法．具體步驟如下:1)對紅外圖I、毫米波圖P進行NSCT分解得到低頻子帶系數(shù)I0k?

諍蝦笸枷瘢?根據(jù)壓縮感知理論，信號重構(gòu)的本質(zhì)可以表示為求解L0范數(shù)的最優(yōu)化問題(僅有K個非零值):minX30s．t:y3=ΦX3但基于L0范數(shù)的優(yōu)化問題是病態(tài)的，N很大時，幾乎找不到最優(yōu)解．但可以將其轉(zhuǎn)化為凸優(yōu)化問題，用L1范數(shù)代替L0范數(shù)找到最優(yōu)解，基于L1范數(shù)的最優(yōu)化問題為:minX31s．t:y3=ΦX3上式中目標函數(shù)是凸函數(shù)，對于實數(shù)可轉(zhuǎn)化為線性規(guī)劃(LP)問題求解，如基追蹤法(basispursuit，BP)、梯度投影稀疏重構(gòu)等．復(fù)數(shù)則可轉(zhuǎn)化為二維錐規(guī)劃問題求解．3基于NSCT與壓縮感知的圖像融合圖3融合過程Fig．3Fusionprocess為了紅外/被動毫米波復(fù)合探測器能輸出高質(zhì)量的圖像，實時地識別目標，提出基于NSCT與壓縮感知的IＲ/PMMW圖像融合算法．具體步驟如下:1)對紅外圖I、毫米波圖P進行NSCT分解得到低頻子帶系數(shù)I0k、P0k，高頻子帶系數(shù)Ilkk、Plkk．其中k是分解尺度，lk是該尺度下的多方向分解級數(shù)．2)選取適當融合規(guī)則處理低頻子帶系數(shù)I0k、P0k與高頻子帶系數(shù)Ilkk、Plkk．3)對得到的融合后低頻子帶系數(shù)F0k、高頻子帶系數(shù)Flkk進行NSCT逆變換得到融合圖像F．詳見圖3．3．1低頻系數(shù)融合策略NSCT分解得到的低頻系數(shù)不具稀疏性，所以不·790·

【參考文獻】：
期刊論文
[1]基于多小波包的紅外/被動毫米波圖像融合[J]. 何伏春,聶建英.  電光與控制. 2015(06)
[2]基于多分辨分析的紅外/被動毫米波圖像主成分融合[J]. 葉銀芳,聶建英.  電光與控制. 2013(09)
[3]基于決策信息的毫米波/紅外復(fù)合制導(dǎo)信息融合[J]. 許建忠,王祖林,郭旭靜.  控制與決策. 2012(01)
[4]毫米波/紅外復(fù)合制導(dǎo)信息融合技術(shù)研究[J]. 董鵬,賀元軍,周軍,盧曉東.  計算機仿真. 2010(11)
[5]毫米波/紅外多傳感器融合跟蹤算法研究[J]. 潘勃,馮金富,李騫,李斌.  紅外與毫米波學(xué)報. 2010(03)
[6]紅外成像/毫米波雷達復(fù)合導(dǎo)引頭信息融合研究[J]. 章蕾,高志峰,李黎明,耿滿足.  激光與紅外. 2010(02)



本文編號：3338252