基于原子空间梯度的稀疏表示图像融合

发布时间：2020-08-06 14:39

【摘要】：传感器的飞速发展极大地提升了人们获取信息的能力,随之出现了信息融合,信息融合最初被称作数据融合,一经出现便在各个领域都带来了变革性的发展。图像融合作为信息融合理论的一个重要分支,基于信息融合的理论基础而迅速发展的一种图像处理技术,满足了人们对于不同源图像、不同传感器等多方面不可控因素带来的繁杂且冗余的信息进行进一步的处理和综合,将两幅及其以上的图像信息进行融合,使其融合后的图像能够更精准、更全面的描述出所需场景。图像融合技术在各个领域都担当者十分重要的角色,发挥着不可替代的作用,也因此,随着人们需求的不断增加,信息量也成倍的上涨。传统的图像融合技术面临了巨大的挑战,无论是信息的存储还是传输,都不能满足现下的信息量的需求。因此,稀疏表示成为了里程碑式的突破。基于稀疏表示的图像融合逐渐得到了许多国内外学者的关注,稀疏表示的基本原理即为建立一个过完备字典,通过源图像在这个过完备字典下形成稀疏系数,并通过某种融合方法对稀疏系数进行融合,之后将融合后的系数与过完备字典相乘得到融合后图像。将整张图片转换为稀疏系数的矩阵运算,从而大幅度的减少了计算量,提高了融合过程中的计算效率。在融合法则上目前也是层出不穷,很多学者在不断为了得到更好的融合效果,努力对融合法则进行更进一步的优化,并基于图像稀疏表示的基本原理,针对与能够影响稀疏融合算法融合性能的如滑窗大小、滑动步长和融合规则等因素,众多学者都纷纷做出了不同方面,不同程度的改进。在本文中,提出了新的改进理念,即字典加强。不同于改变固定字典改用自适应训练字典的改变,本文基于一种字典,通过计算字典中每个原子的加权平均值的方法,筛选出信息量最为丰富的一部分原子加以标记。并在调用到这些原子时,进行一定幅度的加强,也就是说将信息丰富的重要部分,通过加强字典的方法,从根本处强化图片,使得融合后的图片在视觉上能够有更加好的效果体验。将选中的字典原子,通过多次试验得出效果最佳的放大系数,之后进行放大。这种强化字典的方法在保证计算量没有大幅上涨的情况下,最简单直接且有效的完成了对于融合图片的优化,而且简易的计算保障了运算效率和准确程度,本文也证实了这种方法的可取之处。
【学位授予单位】：天津师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP212
【图文】：

一艺

当然也存在着一定的信息的冗余。因此，如何更好的保留对我们的需求有逡逑帮助的信息，去除掉多余的冗余信息，成为了人们迫切需要解决的问题。逡逑如下图１－１，图１－２，图１－３所示逡逑图１－１不同时间的同一条街道逦图１－２左右眼不同成像逡逑＿呡＿靡逡逑图１－３不同对焦对象逡逑１逡逑

逑方面都能得到广泛应用，并能解决许多实际遇到的问题。图像融合简略过程图如逡逑图２－１所示逡逑冗余信息逡逑个逡逑ｆ逦图像传感器Ａ邋（邋Ｊ邋＠像传感器Ｂ逦）逡逑互补信息逡逑图２－１图像融合示意图逡逑２．２融合的层次逡逑一般情况下，图像融合依据融合在图像处理过程中所处的阶段各异，被广泛逡逑的由低到高逐步分为三个层次即：数据级融合、特征级融合、决策级融合。融合逡逑的层次不同，那么所采用的算法以及它的适用范围也不尽相同。低层次的算法相逡逑对来说更加简洁，计算量更加少，对原始图像的信息保留的更加全面，高层次的逡逑图像计算量更加的大，细微信息的保留能力也较差因此，我们可以在图像融合的逡逑过程中，根据我们最终对于融合后的图像的要求以及现有实验设备的综合考虑，逡逑选择在可接受范围内最接近我们融合所需的算法，这也是十分必要的一步。图像逡逑融合的三个层次示意图如图２－２所示。逡逑４数据层处理＾特征层处理——ｓ．决策层处理逡逑数据逡逑图２－２图像融合过程的三层结构逡逑２．２．１像素级融合逡逑数据级融合也可称为像素级融合，融合一般流程即为像素级层次图像融合的逡逑一般流程一般为将待融合图像首先进行一步预处理

【相似文献】

相关期刊论文 前10条

1 Fang LI;Jia SHENG;San-yuan ZHANG;;基于稀疏表示的拉普拉斯稀疏字典图像分类（英文）[J];Frontiers of Information Technology & Electronic Engineering;2017年11期

2 黄宏图;毕笃彦;侯志强;胡长城;高山;查宇飞;库涛;;基于稀疏表示的视频目标跟踪研究综述[J];自动化学报;2018年10期

3 刘嘎琼;;改进稀疏表示的人脸识别在高校管理中的应用[J];计算机与数字工程;2018年11期

4 余庆辉;朱晗琰;吴海霞;戈晓玲;潘逸炜;;基于类内稀疏表示的人脸识别[J];科技展望;2015年32期

5 滕升华;商胜楠;王芳;赵增顺;;一种基于复合稀疏表示的阿尔茨海默病的诊断方法[J];生物医学工程研究;2016年01期

6 黄宏图;毕笃彦;高山;查宇飞;侯志强;;基于局部敏感核稀疏表示的视频跟踪[J];电子与信息学报;2016年04期

7 张保庆;穆志纯;曾慧;;基于非负稀疏表示的遮挡人耳识别[J];计算机辅助设计与图形学学报;2014年08期

8 张石清;赵小明;楼宋江;闯跃龙;郭文平;陈盈;;一种局部敏感的核稀疏表示分类算法[J];光电子.激光;2014年09期

9 陈思宝;许立仙;罗斌;;基于多重核的稀疏表示分类[J];电子学报;2014年09期

10 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

相关会议论文 前10条

1 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

2 杨宝;朱启兵;黄敏;;基于非负矩阵分解一稀疏表示分类的玻璃缺陷图像识别[A];第24届中国控制与决策会议论文集[C];2012年

3 田野;张立新;严涛;杨志梅;张茁;;基于稀疏表示的北斗导航卫星预失真滤波器设计方法[A];第九届中国卫星导航学术年会论文集——S08 测试评估技术[C];2018年

4 肖琼;黄永言;;稀疏表示在脑电信号处理中的应用研究现状[A];人-机-环境系统工程创立30周年纪念大会暨第十一届人-机-环境系统工程大会论文集[C];2011年

5 赵雪峰;孙成禹;;基于稀疏表示的地震多属性融合[A];2016中国地球科学联合学术年会论文集（十九）——专题40：油气田与煤田地球物理勘探[C];2016年

6 廖佳俊;刘志刚;蔡尚;姜江军;;基于非负—平滑约束的高光谱稀疏表示目标检测算法研究[A];国家安全地球物理丛书（十二）——地球物理与信息感知[C];2016年

7 蒙红英;柴昱洲;韩宇;;一种基于稀疏表示的JPEG-LS改进算法[A];第四届高分辨率对地观测学术年会论文集[C];2017年

8 柴汉超;郭翌;汪源源;曹万里;孙福康;;基于多尺度稀疏表示分割肾上腺肿瘤CT图像[A];仪器仪表学报（2015（增刊）第36卷）[C];2015年

9 杜兰;李晨;孙永光;;基于联合动态稀疏表示的SAR自动目标识别[A];第五届高分辨率对地观测学术年会论文集[C];2018年

10 余力;郭翌;汪源源;陈萍;;基于超声心动图序列的胎儿左心室分割[A];仪器仪表学报（2015（增刊）第36卷）[C];2015年

相关博士学位论文 前10条

1 商琨;稀疏、低秩表示学习模型与相关方法研究[D];天津大学;2017年

2 张永强;基于稀疏表示和级联回归的面部动作捕捉技术研究[D];哈尔滨工业大学;2018年

3 张岩;基于稀疏表示的油气地震勘探数据重建与去噪方法研究[D];东北石油大学;2018年

4 赵永红;基于稀疏表示的阵列信号空间谱估计方法研究[D];西安电子科技大学;2017年

5 任博;基于稀疏表示和流形学习的SAR图像分类算法研究[D];西安电子科技大学;2017年

6 程增飞;基于压缩感知的阵列信号处理技术研究[D];西安电子科技大学;2017年

7 吴晓欢;基于稀疏表示的波达方向估计理论与方法研究[D];南京邮电大学;2017年

8 王秀红;基于稀疏表示的波达方向估计方法研究[D];哈尔滨工业大学;2017年

9 王晓阳;基于稀疏动态反演的红外弱小目标检测理论及方法研究[D];电子科技大学;2018年

10 孔波;基于稀疏和张量表示的通信雷达融合系统目标参数估计方法研究[D];南昌大学;2019年

相关硕士学位论文 前10条

1 韩征彬;智能视频监控系统中的人群异常行为检测算法研究[D];长春理工大学;2019年

2 徐俊;基于稀疏核空间的图像识别[D];上海交通大学;2017年

3 张雪艳;基于自组织映射的图像稀疏表示[D];桂林电子科技大学;2019年

4 张尧;基于改进的时空上下文目标跟踪算法研究[D];长春理工大学;2019年

5 罗宵晗;基于稀疏表示的人脸识别方法研究[D];杭州电子科技大学;2019年

6 田晨曦;稀疏表示分类的模型、量化指标体系及应用[D];河南大学;2019年

7 韩青云;基于稀疏表示的DAS数据降噪方法研究[D];电子科技大学;2019年

8 孙磊;基于特征表示和反投影稀疏表示分类的临床医学数据分析[D];河南大学;2019年

9 丁婷婷;稀疏表示图像分类算法研究[D];云南大学;2018年

10 张晗;基于原子空间梯度的稀疏表示图像融合[D];天津师范大学;2019年

本文编号：2782546