基于NSCT变换与压缩感知的红外/被动毫米波图像融合
发布时间：2021-08-12 11:36
为提高图像的质量和实时传输效率,提出一种基于NSCT变换与压缩感知的红外/被动毫米波图像融合算法.该算法首先对红外/被动毫米波图像分别进行非下采样轮廓波变换分解.然后,对于高频系数采用基于压缩感知的融合方法;低频系数部分则是采用基于图像方差的融合策略.再对融合后的高频、低频系数进行逆变换输出融合图像.最后通过实验仿真证实该算法得到的融合图像能很好地识别目标坦克.
【文章来源】：福州大学学报(自然科学版). 2017,45(06)北大核心
【文章页数】：6 页
【部分图文】：
CS感知理论框架
福州大学学报(自然科学版)第45卷http://xbzrb．fzu．edu．cn有不同的测量矩阵可以选用，如图2所示．(a)双星型(b)单放射型(c)双放射型图2测量矩阵Fig．2Observationmatrix随机测量矩阵如高斯测量矩阵、Bernouli测量矩阵、局部Fourier测量矩阵等，能大概率满足ＲIP准则，且所需测量数据少、重构性能好．针对NSCT分解，本研究选用Bernouli随机矩阵作为测量矩阵，其构造方法如下:一个大小为M×N的矩阵Φ，其中每一个元素独立服从贝努利分布:Φ(i，j)=1槡M+1p1=1/2－1p2=1/2{Bernouli测量矩阵有很强的随机性，当测量数M≥cKlog(N/K)时，能使测量矩阵大概率满足ＲIP准则，且矩阵元素为±1，使得在实际应用中更易于实现和存储．3)将测量值y1、y2进行融合，得到融合后测量值y3．通常采用的规则有:绝对值取大、平均加权等．4)由测量矩阵Φ与测量值y3重构融合后图像．根据压缩感知理论，信号重构的本质可以表示为求解L0范数的最优化问题(仅有K个非零值):minX30s．t:y3=ΦX3但基于L0范数的优化问题是病态的，N很大时，几乎找不到最优解．但可以将其转化为凸优化问题，用L1范数代替L0范数找到最优解，基于L1范数的最优化问题为:minX31s．t:y3=ΦX3上式中目标函数是凸函数，对于实数可转化为线性规划(LP)问题求解，如基追踪法(basispursuit，BP)、梯度投影稀疏重构等．复数则可转化为二维锥规划问题求解．3基于NSCT与压缩感知的图像融合图3融合过程Fig．3Fusionprocess为了红外/被动毫米波复合探测器能输出高质量的图像，实时地识别目标，提出基于NSCT与压缩感知的IＲ/PMMW图像融合算法．具体步骤如下:1)对红外图I、毫米波图P进行NSCT分解得到低频子带系数I0k?
诤虾笸枷瘢?根据压缩感知理论，信号重构的本质可以表示为求解L0范数的最优化问题(仅有K个非零值):minX30s．t:y3=ΦX3但基于L0范数的优化问题是病态的，N很大时，几乎找不到最优解．但可以将其转化为凸优化问题，用L1范数代替L0范数找到最优解，基于L1范数的最优化问题为:minX31s．t:y3=ΦX3上式中目标函数是凸函数，对于实数可转化为线性规划(LP)问题求解，如基追踪法(basispursuit，BP)、梯度投影稀疏重构等．复数则可转化为二维锥规划问题求解．3基于NSCT与压缩感知的图像融合图3融合过程Fig．3Fusionprocess为了红外/被动毫米波复合探测器能输出高质量的图像，实时地识别目标，提出基于NSCT与压缩感知的IＲ/PMMW图像融合算法．具体步骤如下:1)对红外图I、毫米波图P进行NSCT分解得到低频子带系数I0k、P0k，高频子带系数Ilkk、Plkk．其中k是分解尺度，lk是该尺度下的多方向分解级数．2)选取适当融合规则处理低频子带系数I0k、P0k与高频子带系数Ilkk、Plkk．3)对得到的融合后低频子带系数F0k、高频子带系数Flkk进行NSCT逆变换得到融合图像F．详见图3．3．1低频系数融合策略NSCT分解得到的低频系数不具稀疏性，所以不·790·
【参考文献】：
期刊论文
[1]基于多小波包的红外/被动毫米波图像融合[J]. 何伏春,聂建英. 电光与控制. 2015(06)
[2]基于多分辨分析的红外/被动毫米波图像主成分融合[J]. 叶银芳,聂建英. 电光与控制. 2013(09)
[3]基于决策信息的毫米波/红外复合制导信息融合[J]. 许建忠,王祖林,郭旭静. 控制与决策. 2012(01)
[4]毫米波/红外复合制导信息融合技术研究[J]. 董鹏,贺元军,周军,卢晓东. 计算机仿真. 2010(11)
[5]毫米波/红外多传感器融合跟踪算法研究[J]. 潘勃,冯金富,李骞,李斌. 红外与毫米波学报. 2010(03)
[6]红外成像/毫米波雷达复合导引头信息融合研究[J]. 章蕾,高志峰,李黎明,耿满足. 激光与红外. 2010(02)
本文编号：3338252
【文章来源】：福州大学学报(自然科学版). 2017,45(06)北大核心
【文章页数】：6 页
【部分图文】：
CS感知理论框架
福州大学学报(自然科学版)第45卷http://xbzrb．fzu．edu．cn有不同的测量矩阵可以选用，如图2所示．(a)双星型(b)单放射型(c)双放射型图2测量矩阵Fig．2Observationmatrix随机测量矩阵如高斯测量矩阵、Bernouli测量矩阵、局部Fourier测量矩阵等，能大概率满足ＲIP准则，且所需测量数据少、重构性能好．针对NSCT分解，本研究选用Bernouli随机矩阵作为测量矩阵，其构造方法如下:一个大小为M×N的矩阵Φ，其中每一个元素独立服从贝努利分布:Φ(i，j)=1槡M+1p1=1/2－1p2=1/2{Bernouli测量矩阵有很强的随机性，当测量数M≥cKlog(N/K)时，能使测量矩阵大概率满足ＲIP准则，且矩阵元素为±1，使得在实际应用中更易于实现和存储．3)将测量值y1、y2进行融合，得到融合后测量值y3．通常采用的规则有:绝对值取大、平均加权等．4)由测量矩阵Φ与测量值y3重构融合后图像．根据压缩感知理论，信号重构的本质可以表示为求解L0范数的最优化问题(仅有K个非零值):minX30s．t:y3=ΦX3但基于L0范数的优化问题是病态的，N很大时，几乎找不到最优解．但可以将其转化为凸优化问题，用L1范数代替L0范数找到最优解，基于L1范数的最优化问题为:minX31s．t:y3=ΦX3上式中目标函数是凸函数，对于实数可转化为线性规划(LP)问题求解，如基追踪法(basispursuit，BP)、梯度投影稀疏重构等．复数则可转化为二维锥规划问题求解．3基于NSCT与压缩感知的图像融合图3融合过程Fig．3Fusionprocess为了红外/被动毫米波复合探测器能输出高质量的图像，实时地识别目标，提出基于NSCT与压缩感知的IＲ/PMMW图像融合算法．具体步骤如下:1)对红外图I、毫米波图P进行NSCT分解得到低频子带系数I0k?
诤虾笸枷瘢?根据压缩感知理论，信号重构的本质可以表示为求解L0范数的最优化问题(仅有K个非零值):minX30s．t:y3=ΦX3但基于L0范数的优化问题是病态的，N很大时，几乎找不到最优解．但可以将其转化为凸优化问题，用L1范数代替L0范数找到最优解，基于L1范数的最优化问题为:minX31s．t:y3=ΦX3上式中目标函数是凸函数，对于实数可转化为线性规划(LP)问题求解，如基追踪法(basispursuit，BP)、梯度投影稀疏重构等．复数则可转化为二维锥规划问题求解．3基于NSCT与压缩感知的图像融合图3融合过程Fig．3Fusionprocess为了红外/被动毫米波复合探测器能输出高质量的图像，实时地识别目标，提出基于NSCT与压缩感知的IＲ/PMMW图像融合算法．具体步骤如下:1)对红外图I、毫米波图P进行NSCT分解得到低频子带系数I0k、P0k，高频子带系数Ilkk、Plkk．其中k是分解尺度，lk是该尺度下的多方向分解级数．2)选取适当融合规则处理低频子带系数I0k、P0k与高频子带系数Ilkk、Plkk．3)对得到的融合后低频子带系数F0k、高频子带系数Flkk进行NSCT逆变换得到融合图像F．详见图3．3．1低频系数融合策略NSCT分解得到的低频系数不具稀疏性，所以不·790·
【参考文献】：
期刊论文
[1]基于多小波包的红外/被动毫米波图像融合[J]. 何伏春,聂建英. 电光与控制. 2015(06)
[2]基于多分辨分析的红外/被动毫米波图像主成分融合[J]. 叶银芳,聂建英. 电光与控制. 2013(09)
[3]基于决策信息的毫米波/红外复合制导信息融合[J]. 许建忠,王祖林,郭旭静. 控制与决策. 2012(01)
[4]毫米波/红外复合制导信息融合技术研究[J]. 董鹏,贺元军,周军,卢晓东. 计算机仿真. 2010(11)
[5]毫米波/红外多传感器融合跟踪算法研究[J]. 潘勃,冯金富,李骞,李斌. 红外与毫米波学报. 2010(03)
[6]红外成像/毫米波雷达复合导引头信息融合研究[J]. 章蕾,高志峰,李黎明,耿满足. 激光与红外. 2010(02)
本文编号：3338252
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3338252.html
