發(fā)布時間：2017-06-28 08:00

  本文關(guān)鍵詞：基于壓縮感知的圖像融合算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：圖像融合是將多個成像傳感器或同一成像傳感器在不同模式下獲取的同一場景的圖像信息加以綜合,使合成的新圖像能夠提供比原來單幅圖像更多的信息量,實現(xiàn)多元數(shù)據(jù)的優(yōu)勢互補。隨著技術(shù)的發(fā)展,獲取的數(shù)據(jù)量巨大,傳統(tǒng)的奈奎斯特采樣定理要求采樣率不得低于信號帶寬的兩倍,給存儲和傳輸帶來了巨大的負擔(dān)。壓縮感知(Compressed Sensing,CS)技術(shù)是一種新興的壓縮采樣技術(shù),在采樣的同時完成信號的壓縮,極大的降低了采樣數(shù)據(jù)量,減少了存儲和傳輸?shù)膲毫?所以該技術(shù)在許多領(lǐng)域特別是圖像處理領(lǐng)域具有廣闊的應(yīng)用前景。本文將壓縮感知用于圖像融合領(lǐng)域,主要工作如下:(1)提出一種基于聯(lián)合稀疏表示的壓縮感知(JSRCS)圖像融合方法。因為兩幅圖像是對同一場景的記錄,所以具有公共的信息,但是由于成像原理的不同,又會表現(xiàn)出不同的圖像信息,這是聯(lián)合稀疏模型一(JSM-1)的理論基礎(chǔ),因此可以用JSM-1來進行圖像稀疏表示。首先利用K-SVD訓(xùn)練得到具有自適應(yīng)性的冗余字典,然后根據(jù)聯(lián)合稀疏模型提取圖像的公共稀疏系數(shù)和獨立稀疏系數(shù),并對系數(shù)進行降維觀測,融合規(guī)則采用加權(quán)1l范數(shù)。此外,由于K-SVD具有較強的噪聲抑制能力,該算法在實現(xiàn)高質(zhì)量圖像融合的同時可以進行圖像的去噪。(2)提出一種基于自相關(guān)函數(shù)測度(AFM)的壓縮感知圖像融合方法。該方法主要是針對多聚焦圖像融合,從成像原理分析可知,聚焦良好的圖像則具有豐富的高頻信息,并且從頻率的角度來解釋圖像清晰與模糊是直觀的,是符合人眼的視覺特性和主觀感受的。根據(jù)維納-辛欽定理可知,圖像的自相關(guān)函數(shù)和功率譜是傅立葉變換對,所以可以通過圖像的自相關(guān)函數(shù)來評價圖像的清晰度。首先將兩幅同樣的經(jīng)過不同聚焦的源圖像用FFT分別進行稀疏表示,得到它們的稀疏系數(shù);然后,分別用雙星形采樣模式對得到的稀疏系數(shù)進行觀測得到兩個觀測向量,并用提出的基于自相關(guān)函數(shù)測定(AFM)的融合準則對這兩個觀測向量進行融合,以使得圖像的遠近景物都能夠獲得最佳清晰度;最后使用自適應(yīng)次梯度投影算法來重構(gòu)出融合的稀疏系數(shù),進而通過IFFT重構(gòu)出融合圖像。實驗結(jié)果表明:AFM融合準則獲得了更高的融合圖像質(zhì)量。(3)提出一種基于自適應(yīng)的次梯度投影(ASPM)重構(gòu)算法。本文對自適應(yīng)次梯度投影算法進行了改進,采用自適應(yīng)的膨脹系數(shù)調(diào)節(jié)機制,使算法具有更好的收斂速度以及精度。實驗表明,ASPM與梯度投影、OMP算法相比,其在運行時間、MSE、抗噪聲干擾綜合優(yōu)勢更明顯。
【關(guān)鍵詞】：壓縮感知 圖像融合 聯(lián)合稀疏表示 自相關(guān)函數(shù) 次梯度投影
【學(xué)位授予單位】：東華大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-15
• 1.1 研究背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 壓縮感知研究現(xiàn)狀11-12
• 1.2.2 圖像融合現(xiàn)狀12-13
• 1.3 研究內(nèi)容與創(chuàng)新點13-14
• 1.4 論文的框架與安排14-15
• 第2章 壓縮感知和圖像融合理論簡介15-29
• 2.1 引言15-16
• 2.2 圖像融合16-18
• 2.2.1 變換域圖像融合16-17
• 2.2.2 空間域圖像融合17-18
• 2.3 基于壓縮感知的圖像融合18-25
• 2.3.1 信號稀疏表示19
• 2.3.2 觀測矩陣設(shè)計19-20
• 2.3.3 圖像融合規(guī)則20-22
• 2.3.4 壓縮感知重構(gòu)算法22-25
• 2.4 圖像融合質(zhì)量評價25-28
• 2.4.1 主觀評價方法25-26
• 2.4.2 客觀評價方法26-28
• 2.5 小結(jié)28-29
• 第3章 基于聯(lián)合稀疏表示的壓縮感知圖像融合29-37
• 3.1 引言29
• 3.2 聯(lián)合稀疏表示29-31
• 3.2.1 聯(lián)合稀疏模型一30
• 3.2.2 聯(lián)合稀疏模型二30-31
• 3.3 基于聯(lián)合稀疏表示的壓縮感知圖像融合31-33
• 3.3.1 K-SVD字典訓(xùn)練31-32
• 3.3.2 基于聯(lián)合稀疏表示的特征提取32
• 3.3.3 觀測矩陣32
• 3.3.4 融合算法32-33
• 3.4 實驗結(jié)果與分析33-36
• 3.5 小結(jié)36-37
• 第4章 基于自相關(guān)函數(shù)測度的壓縮感知圖像融合37-49
• 4.1 引言37
• 4.2 多聚焦可見光圖像成像特性37-39
• 4.3 圖像的自相關(guān)函數(shù)39-43
• 4.3.1 圖像的一維功率譜39-40
• 4.3.2 自相關(guān)函數(shù)估計40-43
• 4.3.3 自相關(guān)波峰寬度43
• 4.4 基于自相關(guān)函數(shù)測度的多聚焦圖像融合43-44
• 4.4.1 采樣模式43
• 4.4.2 融合算法43-44
• 4.4.3 算法實現(xiàn)策略44
• 4.5 實驗結(jié)果與分析44-48
• 4.6 小結(jié)48-49
• 第5章 自適應(yīng)次梯度投影重構(gòu)算法49-57
• 5.1 引言49
• 5.2 次梯度投影算法49-50
• 5.3 改進的次梯度投影算法50-52
• 5.4 實驗結(jié)果與分析52-56
• 5.4.1 壓縮重構(gòu)實驗52-53
• 5.4.2 算法穩(wěn)定性的比較53-54
• 5.4.3 不同稀疏度下算法性能比較54-55
• 5.4.4 算法抗噪性比較55-56
• 5.5 小結(jié)56-57
• 第6章 總結(jié)與展望57-59
• 6.1 本文工作總結(jié)57
• 6.2 展望57-59
• 參考文獻59-65
• 致謝65-66
• 附錄：研究生在讀期間的研究成果66

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 趙志彬;劉晶紅;;基于圖像功率譜的航空光電平臺自動檢焦設(shè)計[J];光學(xué)學(xué)報;2010年12期

  本文關(guān)鍵詞：基于壓縮感知的圖像融合算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：493043