论文部分内容阅读
图像融合是指将不同传感器对同一场景获取的两幅或多幅图像融合成一幅图像。融合图像整合了多幅源图像的的互补信息,并去除了源图像中的冗余信息,使得融合图像对场景的描述更准确,所包含的信息更加丰富。融合后的图像包含更多的信息,为后续的进一步处理提供可靠的源图像。为了提升融合效果和融合效率,本文在传统的融合算法中引入了稀疏表示。首先,结合多聚焦图像的特点和引导滤波边缘保持的特点,本文中提出了一种稀疏表示和引导滤波的多聚焦图像融合算法(Sparse Representation-Guided Filter,SR-GF)。该算法结合了稀疏表示的降维、压缩等优点和引导滤波的边缘保持的优点。融合后的图像在空间连续性上保持良好,融合效果在客观指标上有所提高。其次,本文提出了在变换域中稀疏表示(Sparse Representatio,SR)和引导滤波(Guided Filter,GF)相结合的图像融合算法(Sparse Representation-Guided Filter,NSST-SR-GF)。将源图像进行非下采样剪切波变换(Non-subsampled Shearlet Transform,NSST),得到高频信号和低频信号。高频信号采用基于稀疏表示的融合规则,低频信号进行低通滤波,得到完全模糊的图像和带有细节信息的差值图像,这两种图像分别采用取均值的融合算法和基于引导滤波的融合算法。这种方法很好的保持了融合后图像的空间连续性,也减少了人造纹理的引入。最后,提出了一种将残差图像(Residual Image,RD)和稀疏表示相结合的图像融合方法(NSST-SR-RD)。该算法对图像进行非下采样剪切波变换得到低频信号和高频信号,低频信号采用基于改进的稀疏表示的融合规则进行融合,高频信号采用基于残差的融合规则进行融合。整个融合算法不仅具有了稀疏表示去噪的优点,而且还具有耦合神经网络的自适应性优点,既去除了残差图像中的冗余信息,又保留了细节信息。