圖像融合技術(shù)是利用同一場景或同一目標(biāo)的多幅輸入圖像之間信息的互補性,將其整合為一幅圖像的過程,該技術(shù)能夠提高圖像中場景或目標(biāo)的清晰度,并為后續(xù)的目標(biāo)識別、分類等工作提供了更精確可靠的圖像支持。目前,該技術(shù)已成功應(yīng)用于軍事、農(nóng)業(yè)、安全和監(jiān)控等眾多領(lǐng)域。本文主要研究基于形態(tài)分量分析（Morphological Component Analysis,MCA）的多聚焦圖像和醫(yī)學(xué)圖像融合算法,具體內(nèi)容如下:第一,改進了形態(tài)分量分析算法中的迭代次數(shù)和過完備字典的選取方法。針對MCA的迭代次數(shù)過小會導(dǎo)致圖像分離結(jié)果不準(zhǔn)確,過大會降低算法效率的問題,本文提出利用小波變換和中值絕對偏差估計源圖像的噪聲值,并將其作為圖像分解過程中殘差的閾值,以確保該算法能夠根據(jù)圖像自身特性自適應(yīng)地選擇分解迭代次數(shù)。另外,針對MCA采用的固定字典自適應(yīng)能力較弱的問題,本文提出采用K-SVD（K-Singular Value Decomposition）算法訓(xùn)練字典,以更好地利用卡通分量和紋理分量的特性。實驗結(jié)果表明,改進MCA算法獲得的融合圖像在主觀視覺和客觀評價指標(biāo)中均有更優(yōu)的表現(xiàn)。第二,提出基于改進MCA和非下采樣剪切... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

變換域融合算法的基本框架

ａｒｇ?ｍ?ｉｎ?ＨＩ。?ｓ．ｔ．?Ｘ?＝?Ｄａ?（３－４）??圖３－１展示了稀疏表示的示意圖，其中分解系數(shù)《是稀疏的，只包含非常少的??非零元素。??■??Ｌ??＜??■?－?■?■?■?—？？?＿??ｒｕａｍＭｕｍｍｍｍｍｍｍｍｕｕｍｍａＭｍｍａｍ＼?ｒｍ＼??Ｎ?ＺＺＺｈ?■??Ｄ?Ｈ?＼?滕??：］非零元素??ａ??圖３－１稀疏表７Ｋ的不意圖??Ｆｉｇｕｒｅ?３－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｓｐａｒｓｅ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ．??實現(xiàn)信號的稀疏表示，關(guān)鍵在于求解上述稀疏表示模型。但是由于／。范數(shù)的非??凸性，對于式（３－４）來講，如何求唯一解是一個典型的ＮＰ問題�；冢停幔欤欤幔籼�??出的過完備字典理論，常用貪婪追蹤算法和松弛優(yōu)化算法解決該問題。貪婪追蹤??算法主要是在過完備字典中通過迭代的方法依次選擇與信號最為相近的原子，常??用的方法有匹配追蹤算法［４６］?（Ｍａｔｃｈｉｎｇ?Ｐｕｒｓｕｉｔ，?ＭＰ）、正交匹配追蹤算法［４７］等。??松弛優(yōu)化算法通過目標(biāo)函數(shù)轉(zhuǎn)化將／。范數(shù)轉(zhuǎn)化為其他范數(shù)，從而將非凸優(yōu)化問題轉(zhuǎn)??化為凸優(yōu)化問題，最后通過經(jīng)典的凸優(yōu)化理論有效解決該ＮＰ問題，常用的松弛優(yōu)??化算法有基追蹤算法［４８］?（Ｂａｓｉｓ?Ｐｕｒｓｕｉｔ

?結(jié)合改進形態(tài)分量分析的圖像融合??圖３－３為采用ＭＣＡ和改進ＭＣＡ分解得到的卡通分量和紋理分量，其中圖３－３（ａ）??為源圖像，圖３－３（ｂ）、（ｃ）為采用ＭＣＡ分解得到的卡通分量和紋理分量，圖３－３（ｄ）、??（ｅ）為采用改進ＭＣＡ分解得到的卡通分量和紋理分量。??■■??Ｂ■闕■闕■??ＩＩＨＨＩＨＨＩ?ＩＨＨＨＨＨＨＨＨＨＨＨ?ｆｌＨＨＨＨＨＨＨＨＨＨＩｌｉ?ＨＨＨＨＨＨＨＨＨＨＨＩＩ??■?■■■■??■?■■■■??⑻?（ｂ）?（ｃ）?（ｄ）?（ｅ）??圖３－３?ＭＣＡ和改進ＭＣＡ圖像分解結(jié)果。（ａ）源圖像；（ｂ）?ＭＣＡ卡通分量；（ｃ）?ＭＣＡ紋理分量；??（ｄ）改進ＭＣＡ卡通分量；（ｅ）改進ＭＣＡ紋理分量??Ｆｉｇｕｒｅ?３－３?Ｔｈｅ?ｒｅｓｕｌｔｓ?ｏｆ?ｉｍａｇｅ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｂｙ?ＭＣＡ?ａｎｄ?ｉｍｐｒｏｖｅｄ?ＭＣＡ．?（ａ）?Ｔｈｅ?ｓｏｕｒｃｅ?ｉｍａｇｅｓ；??（ｂ）?Ｔｈｅ?ｃａｒｔｏｏｎ?ｉｍａｇｅｓ?ｏｂｔａｉｎｅｄ?ｂｙ?ＭＣＡ；?（ｃ）?Ｔｈｅ?ｔｅｘｔｕｒｅ?ｉｍａｇｅｓ?ｏｂｔａｉｎｅｄ?ｂｙ?ＭＣＡ；?（ｄ）?Ｔｈｅ??ｃａｒｔｏｏｎ?ｉｍａｇｅｓ?ｏｂｔａｉｎｅｄ?ｂｙ?ｉｍｐｒｏｖｅｄ?ＭＣＡ；?（ｅ）?Ｔｈｅ?ｔｅｘｔｕｒｅ?ｉｍａｇｅｓ?ｏｂｔａｉｎｅｄ?ｂｙ?ｉｍｐｒｏｖｅｄ?ＭＣＡ．??３．３基于改進形態(tài)分量分析的圖像融合??３．３．１圖像融合框架??基于以上對形態(tài)分量分析算法的研究，本文提出基于改進ＭＣＡ?（ＩＭＣＡ）的??圖像融合算法

【參考文獻】：
期刊論文
[1]圖像融合質(zhì)量評價方法研究綜述[J]. 楊艷春,李嬌,王陽萍.  計算機科學(xué)與探索. 2018(07)
[2]基于NSSCT的紅外與可見光圖像融合[J]. 吳冬鵬,畢篤彥,何林遠(yuǎn),馬時平,凡遵林.  光學(xué)學(xué)報. 2017(07)
[3]NSST和改進PCNN相結(jié)合的甲狀腺圖像融合[J]. 鄭偉,趙成晨,郝冬梅.  光電工程. 2016(10)
[4]一種基于MOD字典學(xué)習(xí)的圖像超分辨率重建新算法[J]. 鄒建成,張文婷.  圖學(xué)學(xué)報. 2015(03)
[5]基于NSST和自適應(yīng)PCNN的圖像融合算法[J]. 江平,張強,李靜,張錦.  激光與紅外. 2014(01)
[6]融合圖像質(zhì)量評價指標(biāo)的相關(guān)性分析及性能評估[J]. 張小利,李雄飛,李軍.  自動化學(xué)報. 2014(02)
[7]圖像過完備稀疏表示理論及應(yīng)用綜述[J]. 陳垚佳,張永平.  電視技術(shù). 2012(17)
[8]基于Shearlet與改進PCNN的圖像融合[J]. 王朝暉,王佳琪,趙德功,付偉.  激光與紅外. 2012(02)
[9]基于PCA的拉普拉斯金字塔變換融合算法研究[J]. 馬先喜,彭力,徐紅.  計算機工程與應(yīng)用. 2012(08)

博士論文
[1]多聚焦圖像像素級融合算法研究[D]. 張永新.西北大學(xué) 2014
[2]多尺度變換的圖像融合方法與應(yīng)用研究[D]. 蔣年德.湖南大學(xué) 2010
[3]像素級多聚焦圖像融合算法研究[D]. 孫巍.吉林大學(xué) 2008

碩士論文
[1]基于NSST的醫(yī)學(xué)圖像融合算法研究[D]. 王彥龍.西安電子科技大學(xué) 2018
[2]基于稀疏表示的遙感圖像融合方法[D]. 裴曉鵬.太原理工大學(xué) 2018
[3]基于NSST變換的多模態(tài)醫(yī)學(xué)圖像融合算法研究[D]. 趙丹.浙江理工大學(xué) 2018
[4]多目標(biāo)粒子群優(yōu)化算法的改進與研究[D]. 馬博榮.蘭州大學(xué) 2017
[5]基于IHS變換和稀疏表示的多源遙感圖像融合的研究[D]. 賀國棟.湘潭大學(xué) 2015
[6]基于小波變換的圖像融合算法的研究[D]. 楊嬌.中國地質(zhì)大學(xué)（北京） 2014
[7]Shearlet變換在圖像融合中的應(yīng)用研究[D]. 張卓.西安建筑科技大學(xué) 2013
[8]多目標(biāo)粒子群優(yōu)化算法研究[D]. 劉蘭霞.湖南科技大學(xué) 2010



本文編號：3606572