结合稀疏表示和混沌加密的图像融合研究
发布时间：2021-04-14 23:27
随着图像处理和计算机视觉领域的发展,图像融合技术得到快速发展和应用,并成为图像处理的重要手段之一。它主要是将多传感器中收集的图像进行同一目标或场景的融合处理,重新得到拥有更多包含源图像信息的图像,从而方便人们快速理解图像含义。此外,除了研究图像融合技术的发展,保证图像信息在易受攻击、不安全的传输网络中的安全性也是十分重要的。本文以滤波器理论、稀疏表示理论为基础,充分利用稀疏表示可以降维、去噪等特性,结合图像融合特点设计了一个新颖的图像融合算法。进一步,以混沌理论和图像加密理论为基础,充分利用混沌系统的高敏感性、不规则性、随机性等特性,设计了一个保证图像融合过程安全的算法,本文完成的主要工作包括:（1）研究了基于稀疏表示的图像融合理论、滤波器理论、混沌理论和混沌加密算法,对如何设计高效的结合稀疏表示和混沌加密的图像融合算法有了系统、全面的认识。通过研究目前的算法,并对相关算法进行优缺点评价,分析现今主要的图像融合和混沌加密算法特点,为后续研究奠定基础。（2）提出了一种基于引导滤波和稀疏表示的图像融合算法。该算法能解决基于变换域融合算法不能更高效、完整地表达源图像信息和单一字典学习忽略图像...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
不同的图像融合方法示意图
重庆大学硕士学位论文2基础知识62基础知识2.1基于稀疏表示的图像融合2.1.1稀疏表示理论基于稀疏表示的图像融合算法是变换域图像融合的方法之一。该算法的本质是通过少量原子数表示源图像来实现对多源图像的重构、表示、压缩等，这是一种更加精准、高效的融合方法。因此，该方法受到越来越多国内外专家学者的关注，并将稀疏表示方法应用于信号表示、图像修复、图像识别、图像去噪等领域。稀疏表示起源于生命科学领域，最初由美国康奈尔大学教授Olshausen和Field在1996年提出[35]，因为他们发现哺乳动物在视觉上会将较复杂、有特征性质的物体简化成容易记忆和容易表示的形式。因此，他们根据这一发现的视觉特性现象大胆假设提出“自然图片或数据信息都可以由一组基线性组合而成”的稀疏编码理论，引起国内外研究者的广泛关注。此后，经过大量研究人员前赴后继的推进与发展，稀疏表示逐渐形成了一套完整的理论体系[36,37]。稀疏表示的本质其实是一个数学运算，它的目标是用最少的原子对图像信息进行线性表示，即将一组信号或图像这类的高维数据进行线性分解。假设存在一组信号为=($,&,(),∈(，然后给定一个基或过完备的字典∈(×.，则该信号y的稀疏表示数学模型如式2.1所示：（2.1）观察式2.1可得出，其中 =($,&,(),∈.代表稀疏表示系数，它是一个一维向量；D代表超完备字典，表示图像基，字典D的每列2称为原子，并且nm；‖‖8表示稀疏表示系数 的0范数，它的实际含义是稀疏表示系数中的非零元素个数。图2.1稀疏表示过程Fig2.1Sparserepresentationprocessmin|z|0,s.t.y=Dz
重庆大学硕士学位论文2基础知识9表稀疏系数矩阵中的任意列，Τ 是用于约束稀疏度的常量。K-SVD主要采用以下步骤实现：①构造初始过完备字典8，通常一般使用DCT字典；②已知给定训练样本Y 和初始字典8，使用OMP跟踪算法稀疏编码获得到稀疏系数矩阵z；③更新字典。计算误差矩阵D和对字典 中第k列，即2 (=1,2,n) 执行迭代更新。（2.10）从式2.10中观察得出，矩阵D代表除第K个原子的矩阵。从D中选择与2相关的列构成矩阵DG，然后为DG进行奇异值分解（SVD），即DG=K，将字典元素2更新为矩阵U的第一列，用V的第一列乘(1,1)来更新系数向量G2。④将更新后的字典 在训练样本Y上进行T次循环稀疏编码和更新字典，最终获得学习字典 。2.1.2基于稀疏表示的图像融合通常，基于稀疏表示的图像融合算法如图2.2所示，其主要步骤如下：①选择字典D。可以选用固定字典或根据样本集合构造学习字典；②稀疏求解。将待融合图像A、B和过完备字典D按照稀疏求解算法求解出最优稀疏系数矩阵N和O；③融合。按照一定的稀疏系数融合规则对获得的稀疏系数进行融合得到P；④重构。将上一步骤获得的融合稀疏系数P和对应字典D相乘重构，从而获得质量提升的融合图像F。图2.2基于稀疏表示的图像融合算法框架Fig2.2Imagefusionalgorithmframeworkbasedonsparserepresentation|YDz|22=|Y(djXTj+j≠K∑dKXTK)|22=|EKdKXTK|22
本文编号：3138210
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
不同的图像融合方法示意图
重庆大学硕士学位论文2基础知识62基础知识2.1基于稀疏表示的图像融合2.1.1稀疏表示理论基于稀疏表示的图像融合算法是变换域图像融合的方法之一。该算法的本质是通过少量原子数表示源图像来实现对多源图像的重构、表示、压缩等，这是一种更加精准、高效的融合方法。因此，该方法受到越来越多国内外专家学者的关注，并将稀疏表示方法应用于信号表示、图像修复、图像识别、图像去噪等领域。稀疏表示起源于生命科学领域，最初由美国康奈尔大学教授Olshausen和Field在1996年提出[35]，因为他们发现哺乳动物在视觉上会将较复杂、有特征性质的物体简化成容易记忆和容易表示的形式。因此，他们根据这一发现的视觉特性现象大胆假设提出“自然图片或数据信息都可以由一组基线性组合而成”的稀疏编码理论，引起国内外研究者的广泛关注。此后，经过大量研究人员前赴后继的推进与发展，稀疏表示逐渐形成了一套完整的理论体系[36,37]。稀疏表示的本质其实是一个数学运算，它的目标是用最少的原子对图像信息进行线性表示，即将一组信号或图像这类的高维数据进行线性分解。假设存在一组信号为=($,&,(),∈(，然后给定一个基或过完备的字典∈(×.，则该信号y的稀疏表示数学模型如式2.1所示：（2.1）观察式2.1可得出，其中 =($,&,(),∈.代表稀疏表示系数，它是一个一维向量；D代表超完备字典，表示图像基，字典D的每列2称为原子，并且nm；‖‖8表示稀疏表示系数 的0范数，它的实际含义是稀疏表示系数中的非零元素个数。图2.1稀疏表示过程Fig2.1Sparserepresentationprocessmin|z|0,s.t.y=Dz
重庆大学硕士学位论文2基础知识9表稀疏系数矩阵中的任意列，Τ 是用于约束稀疏度的常量。K-SVD主要采用以下步骤实现：①构造初始过完备字典8，通常一般使用DCT字典；②已知给定训练样本Y 和初始字典8，使用OMP跟踪算法稀疏编码获得到稀疏系数矩阵z；③更新字典。计算误差矩阵D和对字典 中第k列，即2 (=1,2,n) 执行迭代更新。（2.10）从式2.10中观察得出，矩阵D代表除第K个原子的矩阵。从D中选择与2相关的列构成矩阵DG，然后为DG进行奇异值分解（SVD），即DG=K，将字典元素2更新为矩阵U的第一列，用V的第一列乘(1,1)来更新系数向量G2。④将更新后的字典 在训练样本Y上进行T次循环稀疏编码和更新字典，最终获得学习字典 。2.1.2基于稀疏表示的图像融合通常，基于稀疏表示的图像融合算法如图2.2所示，其主要步骤如下：①选择字典D。可以选用固定字典或根据样本集合构造学习字典；②稀疏求解。将待融合图像A、B和过完备字典D按照稀疏求解算法求解出最优稀疏系数矩阵N和O；③融合。按照一定的稀疏系数融合规则对获得的稀疏系数进行融合得到P；④重构。将上一步骤获得的融合稀疏系数P和对应字典D相乘重构，从而获得质量提升的融合图像F。图2.2基于稀疏表示的图像融合算法框架Fig2.2Imagefusionalgorithmframeworkbasedonsparserepresentation|YDz|22=|Y(djXTj+j≠K∑dKXTK)|22=|EKdKXTK|22
本文编号：3138210
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3138210.html
