CN104732508B - 基于分布式压缩感知的图像融合方法 - Google Patents
基于分布式压缩感知的图像融合方法 Download PDFInfo
- Publication number
- CN104732508B CN104732508B CN201510180254.0A CN201510180254A CN104732508B CN 104732508 B CN104732508 B CN 104732508B CN 201510180254 A CN201510180254 A CN 201510180254A CN 104732508 B CN104732508 B CN 104732508B
- Authority
- CN
- China
- Prior art keywords
- measured value
- block
- sub
- homography
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000006835 compression Effects 0.000 title claims abstract description 15
- 238000007906 compression Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 238000006116 polymerization reaction Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 229920000642 polymer Polymers 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提出了一种基于分布式压缩感知的图像融合方法,本发明步骤:首先输入原图像和,对原图像和进行分块聚类;然后将对应矩阵子块进行联合稀疏变换;将变换后得到的公共稀疏系数和对应的特殊稀疏系数,通过测量矩阵得到公共测量值和对应的特殊测量值,再对公共测量值和对应的特殊测量值分别进行融合得融合测量值;随后将融合测量值运用重构算法重构融合稀疏系数;再将融合稀疏系数运用逆变换恢复融合子图像;最后对融合子图像进行拼接形成融合图像。本发明采用分布式压缩感知理论对图像进行融合,降低了运算量的同时也保证了融合图像的质量。
Description
技术领域
本发明涉及一种基于分布式压缩感知的图像融合方法,属于图像处理领域。
背景技术
压缩感知理论提出了一种新的数据采样方法,它能以远低于奈奎斯特采样速率对信号进行采样。压缩感知理论认为,只要信号是稀疏的或在变换域上是稀疏的,即能用一个与稀疏基不相关的测量矩阵将一个高维的信号投影到低维空间上,这些少量的投影包含了重构信号的足够信息,因此可以通过求解最优解问题用这些投影高概率的重构出高维信号。
随着压缩感知理论的提出出现了许多分支,分布式压缩感知就是其中之一。分布式压缩感知理论充分发掘信号内与信号间的相关性结构,它将压缩感知从单信号扩展到分布式的多信号。Baron D提出了三个联合稀疏模型,这三个模型都可以模拟信号的两种相关性。
第一联合稀疏模型(JSM-1)中,每个原信号包括两个部分,稀疏的公共部分和特殊部分。其中所有的信号中都包含稀疏的公共部分,和各自特有的部分且各不相同,稀疏的公共部分和特殊部分都可以在同一稀疏基上表示。
第二联合稀疏模型(JSM-2)与第一联合稀疏模型(JSM-1)不同,每个原信号都可以在同一组稀疏基上表示,且有相同的稀疏度,不同的稀疏系数。
第三联合稀疏模型(JSM-3)中,原始信号同样也包含两个部分,公共部分和稀疏的特有部分,其公共部分不需要在稀疏基上表示。
在图像融合方面,目前大多数都是基于小波变换的图像融合方法,通过对小波变换之后的低频系数和高频系数分别采用不同的融合规则,来对原有图像进行融合处理,这些方法一般计算复杂度较高。然而通过压缩感知理论,将原图像在压缩域上进行融合,能得到质量比较高的融合图像以及较低的计算复杂度。
发明内容
本发明的目的在于克服上述已有技术的缺点,提出了一种基于分布式压缩感知的图像融合方法,以降低图像融合的计算复杂度,同时能够保证较高的图像融合质量。
本发明步骤:首先输入原图像A和B,对原图像A和B进行分块聚类;然后将对应矩阵子块进行联合稀疏变换;将变换后得到的公共稀疏系数和对应的特殊稀疏系数,通过测量矩阵得到公共测量值和对应的特殊测量值,再对公共测量值和对应的特殊测量值分别进行融合得融合测量值;随后将融合测量值运用重构算法重构融合稀疏系数;再将融合稀疏系数运用逆变换恢复融合子图像;最后对融合子图像进行拼接形成融合图像,其具体步骤如下:
步骤一、输入原图像A和B,进行分块聚类处理得矩阵子块集合和
步骤二、将未进行融合的对应矩阵子块和进行联合稀疏变换,得公共的稀疏系数和特殊的稀疏系数和即和
步骤三、将不同的对应矩阵子块得到的稀疏系数和根据对应矩阵子块所含的信息量选择不同的测量矩阵Φ进行测量,得测量值和
步骤四、将测量值和进行融合得
步骤五、将融合后的测量值运用重构算法重构融合后的稀疏系数
步骤六、将进行逆变换恢复融合子图像
步骤七、判断是否存在未融合的矩阵子块,若是,则返回步骤二;否则对所有融合子图像进行拼接形成融合图像C。
本发明具有如下优点:
1.本发明将原图像按图像间的相关性进行分块处理,在测量、融合和重构时单独对对应图像块进行操作,能降低计算复杂度,同时相较于普通的分块方法,能增加特殊测量值的稀疏性,减少特殊测量值的融合计算量。
2.本发明将对应要进行融合的矩阵子块根据所含信息量的大小,进行自适应的选择测量矩阵,这样可以减少总的测量值个数,能降低计算复杂度。
3.本发明采用分布式压缩感知理论对图像进行融合,充分挖掘了图像信号间的相关性,减少计算复杂度。
附图说明
图1基于分布式压缩感知的图像融合方法流程图;
图2基于分布式压缩感知的图像融合方法模型图。
具体实施方式
结合图1具体实施方式如下:
步骤一、输入原图像A和B,进行分块聚类处理得矩阵子块集合和 具体步骤如下:
1)在区域集合XA和XB中按顺序且未进行过聚合处理的原则选取矩阵子块和其中和即表示区域集合XA和XB中各只有一个矩阵子块,为原图像A和B,e为正整数,计算对应矩阵子块和差值Δ中0元素所占总元素的比例Γ;
2)若Γ≤P,P为分割阈值,则将和等分成4个矩阵子块,得到分割的区域集合 和更新区域集合XA和XB,即 和l为正整数,进入3);
若Γ>P,判断区域集合XA和XB中所有元素是否遍历完,若是则停止分割聚类,集合XA和XB中所有元素为最终分割矩阵子块,即和若不是则返回1);
3)在分割的区域集合和中任选对应矩阵子块和其中r=e,e+1,e+2,e+3,再将和分别按同样的方法在集合和中选择与其相邻的其中一个矩阵子块和进行聚合,得聚合矩阵子块和计算和差值Δ中0元素所占总元素的比例Γ,若Γ≤P,则聚合失败,更新分割区域聚合后区域集合和即和若Γ>P,则聚合成功并形成新的矩阵子块,更新分割区域聚合后区域集合和即和其中和的初始值为空,R为正整数;
4)更新和即和其中公式G\F表示在集合G中删除包含于集合F中的元素,判断和是否为空,若不是,则返回3);若是,则进入5);
5)更新区域集合XA和XB,即和置集合和为空集,其中 返回1)。
步骤二、将未进行融合的对应矩阵子块和进行联合稀疏变换,得公共的稀疏系数和特殊的稀疏系数和即和
步骤三、将不同的对应矩阵子块得到的稀疏系数和根据对应矩阵子块所含的信息量选择不同的测量矩阵Φ进行测量,得测量值和具体步骤如下:
1)计算对应矩阵子块的信息熵的和H,与阈值Q进行比较;
2)若H≥Q,说明对应矩阵子块含信息量较大则选取更多的测量值,即M=α×N;若H<Q,说明对应矩阵子块含信息量较小则选取较少的测量值,即M=β×N,其中0<β<α<1,M为测量矩阵Φ的行数,N为稀疏系数的行数;
3)对应矩阵子块的稀疏系数和通过测量矩阵Φ进行测量,得测量值和 其中为公共测量值,和为特殊测量值,其中i=1,2,…,l。
步骤四、将测量值和进行融合得具体步骤如下:
1)对于测量值和中的公共测量值不进行处理;
2)对于特殊测量值,和进行加权融合,即其中μ+ω=1且μ>0,ω>0;
3)得到融合测量值
步骤五、将融合后的测量值运用重构算法重构融合后的稀疏系数
步骤六、将进行逆变换恢复融合子图像
步骤七、判断是否存在未融合的矩阵子块,若是,则返回步骤二;否则对所有融合子图像进行拼接形成融合图像C。
Claims (4)
1.基于分布式压缩感知的图像融合方法,其特征在于,首先输入原图像A和B,对原图像A和B进行分块聚类;然后将对应矩阵子块进行联合稀疏变换;将变换后得到的公共稀疏系数和对应的特殊稀疏系数,通过测量矩阵得到公共测量值和对应的特殊测量值,再对公共测量值和对应的特殊测量值分别进行融合得融合测量值;随后将融合测量值运用重构算法重构融合稀疏系数;再将融合稀疏系数运用逆变换恢复融合子图像;最后对融合子图像进行拼接形成融合图像;所述方法至少包括以下步骤:
步骤一、输入原图像A和B,进行分块聚类处理得矩阵子块集合和
步骤二、将未进行融合的对应矩阵子块和进行联合稀疏变换,得公共的稀疏系数和特殊的稀疏系数和即和
步骤三、将不同的对应矩阵子块得到的稀疏系数和根据对应矩阵子块所含的信息量选择不同的测量矩阵Φ进行测量,得测量值和
步骤四、将测量值和进行融合得
步骤五、将融合后的测量值运用重构算法重构融合后的稀疏系数
步骤六、将进行逆变换恢复融合子图像
步骤七、判断是否存在未融合的矩阵子块,若是,则返回步骤二;否则对所有融合子图像进行拼接形成融合图像C。
2.根据权利要求1所述的基于分布式压缩感知的图像融合方法,其特征在于,步骤一中输入原图像A和B,进行分块聚类处理,至少还包括以下步骤:
1)在区域集合XA和XB中按顺序且未进行过聚合处理的原则选取矩阵子块和其中和 即表示区域集合XA和XB中各只有一个矩阵子块,为原图像A和B,e为正整数,计算对应矩阵子块和差值Δ中0元素所占总元素的比例Γ;
2)若Γ≤P,P为分割阈值,则将和等分成4个矩阵子块,得到分割的区域集合 和更新区域集合XA和XB,即 和l为正整数,进入3);
若Γ>P,判断区域集合XA和XB中所有元素是否遍历完,若是则停止分割聚类,集合XA和XB中所有元素为最终分割矩阵子块,即和若不是则返回1);
3)在分割的区域集合和中任选对应矩阵子块和其中r=e,e+1,e+2,e+3,再将和分别按同样的方法在集合和中选择与其相邻的其中一个矩阵子块和进行聚合,得聚合矩阵子块和计算和差值Δ中0元素所占总元素的比例Γ,若Γ≤P,则聚合失败,更新分割区域聚合后区域集合和即和若Γ>P,则聚合成功并形成新的矩阵子块,更新分割区域聚合后区域集合和即和其中和的初始值为 空,R为正整数;
4)更新和即和其中公式G\F表示在集合G中删除包含于集合F中的元素,判断和是否为空,若不是,则返回3);若是,则进入5);
5)更新区域集合XA和XB,即和置集合和为空集,其中 返回1)。
3.根据权利要求1所述的基于分布式压缩感知的图像融合方法,其特征在于,步骤三中对不同的对应矩阵子块得到的稀疏系数和根据对应矩阵子块所含的信息量选择不同的测量矩阵Φ进行测量,得测量值和至少还包括以下步骤:
1)计算对应矩阵子块的信息熵的和H,与阈值Q进行比较;
2)若H≥Q,说明对应矩阵子块含信息量较大则选取更多的测量值,即M=α×N;若H<Q,说明对应矩阵子块含信息量较小则选取较少的测量值,即M=β×N,其中0<β<α<1,M为测量矩阵Φ的行数,N为稀疏系数的行数;
3)对应矩阵子块的稀疏系数和通过测量矩阵Φ进行测量,得测量值和 其中为公共测量值,和为特殊测量值,其中i=1,2,…,l。
4.根据权利要求1所述的基于分布式压缩感知的图像融合方法,其特征在于,步骤四中对测量值和进行融合得至少还包括以下步骤:
1)对于测量值和中的公共测量值不进行处理;
2)对于特殊测量值,和进行加权融合,即其中μ+ω=1且μ>0,ω>0;
3)得到融合测量值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510180254.0A CN104732508B (zh) | 2015-04-16 | 2015-04-16 | 基于分布式压缩感知的图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510180254.0A CN104732508B (zh) | 2015-04-16 | 2015-04-16 | 基于分布式压缩感知的图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104732508A CN104732508A (zh) | 2015-06-24 |
CN104732508B true CN104732508B (zh) | 2017-07-04 |
Family
ID=53456379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510180254.0A Expired - Fee Related CN104732508B (zh) | 2015-04-16 | 2015-04-16 | 基于分布式压缩感知的图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104732508B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250899B (zh) * | 2016-07-29 | 2019-03-22 | 华东交通大学 | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 |
CN109785282B (zh) * | 2019-01-22 | 2021-03-26 | 厦门大学 | 一种多聚焦图像融合方法 |
CN113066036B (zh) * | 2021-03-18 | 2022-06-03 | 中北大学 | 一种基于模糊熵和稀疏表示的x射线图像融合方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708576A (zh) * | 2012-05-18 | 2012-10-03 | 西安电子科技大学 | 基于结构字典的分块图像压缩感知重建方法 |
CN102722896A (zh) * | 2012-05-22 | 2012-10-10 | 西安电子科技大学 | 基于自适应压缩感知的自然图像非局部重构方法 |
CN104217449A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 基于相关性向量分组的压缩感知图像重构方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060291751A1 (en) * | 2004-12-16 | 2006-12-28 | Peyman Milanfar | Robust reconstruction of high resolution grayscale images from a sequence of low-resolution frames (robust gray super-resolution) |
US20080301211A1 (en) * | 2007-06-01 | 2008-12-04 | United States of America as represented by the Administrator of the National Aeronautics and | Systems, methods and apparatus for d-dimensional formulation and implementation of recursive hierarchical segmentation |
-
2015
- 2015-04-16 CN CN201510180254.0A patent/CN104732508B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708576A (zh) * | 2012-05-18 | 2012-10-03 | 西安电子科技大学 | 基于结构字典的分块图像压缩感知重建方法 |
CN102722896A (zh) * | 2012-05-22 | 2012-10-10 | 西安电子科技大学 | 基于自适应压缩感知的自然图像非局部重构方法 |
CN104217449A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 基于相关性向量分组的压缩感知图像重构方法 |
Non-Patent Citations (4)
Title |
---|
Fusing image using joint sparse representation;Xiaotong Li 等;《ICIC Express Letters》;20141231;第8卷(第12期);第3节 * |
Image Features Extraction and Fusion Based on Joint Sparse Representation;Nannan Yu 等;《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》;20110930;第5卷(第5期);1074-1082 * |
压缩感知中迂回式匹配追踪算法;裴廷睿 等;《计算机研究与发展》;20141231;第51卷(第9期);2101-2107 * |
基于分布式压缩感知的全极化雷达超分辨成像;吴敏 等;《电波科学学报》;20150228;第30卷(第1期);29-36 * |
Also Published As
Publication number | Publication date |
---|---|
CN104732508A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047516B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN103370937A (zh) | 用于压缩图像序列的编码方法和图像编码设备 | |
KR20000064847A (ko) | 이미지 분할 및 대상 트랙킹 방법, 및 대응 시스템 | |
KR101977067B1 (ko) | 심층 신경망 기반 특징 추출을 통하여 진단 맵을 재구축하는 방법 및 이를 이용한 장치 | |
CN114339409B (zh) | 视频处理方法、装置、计算机设备及存储介质 | |
EP2908531A1 (en) | Device, program, and method for reducing data size of multiple images containing similar information, and data structure expressing multiple images containing similar information | |
Zhang et al. | Sparse representation-based video quality assessment for synthesized 3D videos | |
CN111179187A (zh) | 基于循环生成对抗网络的单幅图像去雨方法 | |
CN110443874B (zh) | 基于卷积神经网络的视点数据生成方法和装置 | |
CN104732508B (zh) | 基于分布式压缩感知的图像融合方法 | |
CN115035240B (zh) | 实时三维场景重建方法及装置 | |
CN111754399A (zh) | 基于梯度的保持几何结构的图像超分辨率方法 | |
Dehnavi et al. | Cost and power efficient FPGA based stereo vision system using directional graph transform | |
CN114651270A (zh) | 通过时间可变形卷积进行深度环路滤波 | |
CN113689372A (zh) | 图像处理方法、设备、存储介质及程序产品 | |
Li et al. | DADRNet: cross-domain image dehazing via domain adaptation and disentangled representation | |
Junayed et al. | Consistent video inpainting using axial attention-based style transformer | |
CN112184555A (zh) | 一种基于深度交互学习的立体图像超分辨率重建方法 | |
CN112995433B (zh) | 一种时序视频生成方法、装置、计算设备及存储介质 | |
JP7383171B2 (ja) | 点群コーディングのための方法および装置 | |
CN113658231A (zh) | 光流预测方法、装置、电子设备及存储介质 | |
CN117561715A (zh) | 多平面图像的生成、数据处理、编码和解码方法、装置 | |
Aadil et al. | Improving super resolution methods via incremental residual learning | |
Liao et al. | Stereo matching and viewpoint synthesis FPGA implementation | |
US20220394293A1 (en) | Conditional recolor for video based point cloud coding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170704 |