基于稀疏表示的圖像融合方法研究.pdf

1、圖像融合技術(shù)將同一場景的圖像融合為一幅圖像，很好地解決了圖像之間信息的互補性和冗余性，從而能更好地描述目標或場景。圖像融合主要包括特征提取、對提取的特征進行融合和重構(gòu)得到融合后的圖像。由于稀疏表示能盡可能的用少量的原子表示信號，較好地提取出信號的主要特征，本文從稀疏表示理論出發(fā)，針對圖像融合的問題，對基于稀疏表示的圖像融合算法進行了深入的探索和研究。
　　由于基于學習或訓練得到的字典能對圖像進行自適應地稀疏表示，本文對基于MOD(

2、Method of Optimal Directions)和K-SVD字典訓練算法做了分析和討論，并將其應用到圖像融合中。同時，稀疏自編碼網(wǎng)絡(luò)(Sparse Auto-Encoder，SAE)可以較好地對圖像進行稀疏表示，并已被廣泛地應用于圖像處理領(lǐng)域，本文研究了基于SAE的圖像融合算法。利用SAE訓練得到過完備字典，然后對待融合圖像進行稀疏表示，最后融合稀疏系數(shù)并重構(gòu)得到融合圖像。本文分別對以上三種基于字典訓練的圖像融合算法做了仿真實

3、驗，并比較和分析了三種算法的優(yōu)劣性。
　　其次，考慮到自然圖像往往由多種成分組成，本文研究了一種基于圖像卡通紋理稀疏分解的圖像融合算法。本文首先利用稀疏表示模型，采用 MCA-TV(Morphological Component Analysis with Total Variation)算法，將待融合圖像通過Curvelet變換和局部DCT(Discrete Cosine Transform)變換得到卡通分量和紋理分量以及其對應

4、的稀疏系數(shù)，然后分別采用不同的融合規(guī)則對得到的卡通分量稀疏系數(shù)和紋理分量稀疏系數(shù)進行融合并逆變換得到融合后的卡通分量和紋理分量，最后將兩者疊加得到最終融合圖像。同時，為了驗證本文所研究的基于圖像卡通紋理稀疏分解的圖像融合算法的性能，本文分別用CT(Computed Tomography)和MRI(Magnetic Resonance Imaging)、紅外和可見光以及多聚焦圖像進行了仿真實驗，并與現(xiàn)有的幾種主流的融合算法進行了分析與比較