基于循环引导滤波器和稀疏表示的图像融合算法研究

发布时间：2020-07-21 06:48

【摘要】：近年来随着传感器成像技术的快速发展,成像质量不断提高。不同成像传感器对目标特征的兴趣点有所不同,为了得到目标特征更加全面的表达,多传感器图像融合得到了快速发展。多传感器图像融合可以克服单个传感器提供信息不足的缺点,通过将单传感器的优势信息进行互补,融合得到一幅信息更丰富、内容更全面的高质量图像。多尺度变换能够较好地提取源图像中的结构信息,稀疏表示可以获得源图像的稀疏降维表示。基于此,本文结合多尺度变换和稀疏表示的各自特点,研究多传感器的图像融合。论文主要工作如下:1.论文简要介绍了图像融合的背景、意义和研究现状,以及在像素级进行融合的变换域算法如多尺度变换算法和稀疏表示算法。详细介绍了循环引导滤波器和稀疏表示的相关理论知识,给出了图像质量评价的方法和几个常用客观评价指标的原理。2.论文在多尺度引导滤波图像融合的基础上,提出了多尺度循环引导滤波图像融合算法。迭代使用循环引导滤波器实现图像的多尺度变换,通过实验验证了所提算法的有效性。3.论文在多尺度循环引导滤波图像融合的基础上,结合稀疏表示对图像的稀疏表达特性,提出了基于循环引导滤波器和稀疏表示的图像融合算法。首先,利用循环引导滤波器对字典训练样本集进行两层分解,得到一个低频近似分量样本集和两个高频细节分量样本集,对源图像进行同样的两层分解。其次,利用K-SVD算法对两个高频细节分量样本集分别训练字典,并利用所训练字典求解源图像两个高频细节分量的稀疏系数。再次,对源图像的不同尺度分量分别设计融合规则,低频近似分量采取基于图像显著性的加权平均融合规则;高频细节分量通过对稀疏系数进行L1范数取大,并与训练字典重构得到高频细节分量的融合图像。最后,对融合后的低频近似分量图像与两个高频细节分量图像进行多尺度逆变换得到融合图像。通过实验从主观视觉效果和客观评价指标两方面进行分析,本文提出的算法具有更好的融合效果。
【学位授予单位】：云南大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TN713
【图文】：

圈住.合?

流程图,流程,图像,正则化

迭代更新图像？／，／＇＋１为第Ｗ欠迭代的结果，，为式２．１中的Ｇ，即高斯滤逡逑波器的输出。Ｊ＇＋１是在给定输入图像／和前一次迭代的结果，的情况下，以联合逡逑双边滤波形式获得的：逡逑ｚ逦（２．２）逡逑ｑｅＮ（ｐ）邋＾逦２（７ｒ逦》逡逑其中，？＝Ｚ邋ｅｘｐ［－ｌ＾｜Ｌ」ｌＪ⑷丨丨是为了正则化，ｊ＇＋ｉ（妁是／逡逑（／ｅＮ（ｐ）逦２0＾逦２0＂ｒ逦）逡逑次迭代的结果，／是迭代次数，＃（妁是Ｐ相连像素的结合，ＣＴＶ和ＣＴ，分别为控制逡逑空间和范围权重，此外，Ｗ（／７）的大小由图像的大小和决定。式２．２可以理解为逡逑以Ｊ＇的结构来平滑输入图像／的滤波器。在这个过程中，迭代的改变引导图像，逡逑因此称为循环引导滤波，其实现流程图如图２．１所示：逡逑

效果图,多尺度分解,效果图,低频近似

／＝１逡逑低频分量包含原始图像的大尺度结构信息，高频分量包含原始图像的细节纹逡逑理信息。图像基于循环引导滤波的多尺度分解如图３．１所示，图中，（ａ）为源图逡逑像，（Ａ）为第一层滤波低频近似分量，由源图像经ＲＧＦ滤波得到；（＆）为第逡逑—层滤波高频细节分量，是源图像与第一层滤波低频近似分量之差；（／２）为第逡逑二层滤波低频近似分量，是以第一层滤波低频近似分量为输入经ＲＧＦ滤波得到；逡逑（扣）为第二层滤波高频细节分量，是第一层滤波低频近似分量与第二层滤波低逡逑频近似分量之差。逡逑（ａ）逦Ｏｉ）逦0２）逡逑１逦Ｌ逦＾逡逑ｙ逦ｙ逡逑㈨）逦（ｈ２）逡逑图３．１邋ＲＧＦ多尺度分解效果图逡逑１８逡逑

【参考文献】