首页 > 论文 > 红外技术 > 36卷 > 9期(pp:714-718)

基于DWT的高频系数压缩感知图像融合

Image Fusion Based on Compressed Sensing of DWT High Frequency Coefficients

  • 摘要
  • 论文信息
  • 参考文献
  • 被引情况
  • PDF全文
分享:

摘要

传统的基于 DWT的压缩感知图像融合方法针对的是整个稀疏系数,由于小波系数的低频部分为非稀疏的,导致其压缩重构质量差。针对该问题,提出了一种基于 DWT高频系数压缩测量的融合方法,该压缩模式可以提高重构信号的质量,进而提高融合图像的效果。首先,对图像作小波稀疏变换,得到低频和高频系数,并对高频系数压缩测量得到测量值;然后,在小波域和压缩域分别进行融合,并对融合后的测量值进行重构得到融合后的高频系数;最后,经小波逆变换得到融合后的图像。实验结果表明,本压缩感知模式较传统的压缩感知模式在减少压缩数据量的同时提高了图像的融合效果。

Abstract

Traditional compressed sensing image fusion method based on DWT is for the sparse coefficient. Because the wavelet coefficients of low frequency part is not sparse,the quality of reconstruction is bad.Aiming at this problem,this paper proposes a fusion method based on compressed sensing of DWT high frequency coefficients,which does good to the quality of the reconstructed signal,and then improve the effect of the fused image.First,the images are decomposed by wavelet transform and the high frequency coefficients compressed for measured value. Then, the work of fusion is done in wavelet domain and compressed domain respectively,and the measured value is reconstructed to gain the high frequency coefficients. Finally, the fused image gained through inverse wavelet transform. Experimental results show that the high frequency compressed mode is better both in reducing compressed data and improving the effect of fused image compared with traditional compressed mode.

中国激光微信矩阵
补充资料

中图分类号:TP391.41

所属栏目:图像处理与仿真

收稿日期:2014-04-08

修改稿日期:2014-05-22

网络出版日期:--

作者单位    点击查看

孙永明:武汉科技大学信息科学与工程学院, 湖北 武汉 430081
吴谨:武汉科技大学信息科学与工程学院, 湖北 武汉 430081
刘劲:武汉科技大学信息科学与工程学院, 湖北 武汉 430081
邓丹:武汉科技大学信息科学与工程学院, 湖北 武汉 430081

联系人作者:孙永明(jmloveyou2008@sina.com)

备注:孙永明(1987-),男,湖北潜江人,硕士研究生,主要从事图像融合研究工作。

【1】吴仰玉, 纪峰, 常霞, 等. 图像融合研究新进展 [J].科技创新导报, 2013(1): 49-52.

【2】黄晓生, 戴秋芳, 曹义亲. 一种基于小波稀疏基的压缩感知图像融合算法[J].计算机应用研究, 2012, 29(9): 3581-3583.

【3】D. Donoho. Compressed sensing[C]//IEEE Transform on Information Theory, 2006, 52(4): 1289-1306.

【4】Candes E, Tao T. Near optimal signal recovery from random projections: universal encoding strategies[J]. IEEE Transation on Information Theory, 2006, 52(12): 5406-5425.

【5】Meng Ding, Li Wei, Bangfeng Wang. Research on fusion method for infrared and visible images via compressive sensing[J]. Infrared Physics & Technology, 2013(57): 56-67.

【6】薛模根, 刘存超, 徐国明, 等. 基于多尺度字典的红外与微光图像融合[J].红外技术, 2013, 35(11): 696-701.

【7】Donoho D L, Tsaic Y. Extensions of compressed sensing[J]. Signal Processing, 2006, 86(3): 533-548.

【8】Donoho D L. For most large under-determined systems of linear equations the minimal l1-norm solution is also the sparsest solution[J]. Communications on Pure and Applied Mathematics, 2006, 59(6): 797-829.

【9】赵瑞珍, 秦周, 胡绍海. 一种基于特征值分解的测量矩阵优化方法 [J].信号处理, 2012, 28(5): 653-657.

【10】郑万泽, 何劲, 魏星, 等. 基于 Contourlet变换的图像压缩感知重构[J].计算机工程, 2012, 38(12): 194-196.

【11】Needell D, Vershynin R. Uniform uncertainty principle and signal recovery via regularized orthogonal matching pursuit[J]. Foundations of Computational Mathematics, 2007, 9(3): 317-334.

引用该论文

SUN Yong-ming,WU Jin,LIU Jing,DENG Dan. Image Fusion Based on Compressed Sensing of DWT High Frequency Coefficients[J]. Infrared Technology, 2014, 36(9): 714-718

孙永明,吴谨,刘劲,邓丹. 基于DWT的高频系数压缩感知图像融合[J]. 红外技术, 2014, 36(9): 714-718

被引情况

【1】郭全民,李晓玲. 基于可见光和红外图像融合的汽车抗晕光方法. 红外技术, 2015, 37(6): 475-478

【2】王 昕,吉桐伯,刘 富. 结合目标提取和压缩感知的红外与可见光图像融合. 光学 精密工程, 2016, 24(7): 1743-1753

【3】张筱晗,杨桄,杨永波,黄俊华. 基于多特征的高光谱与全色图像融合方法. 红外技术, 2016, 38(10): 832-836

【4】李尊,苗同军. 基于DWT-IRLS的压缩感知图像融合. 液晶与显示, 2017, 32(1): 35-39

您的浏览器不支持PDF插件,请使用最新的(Chrome/Fire Fox等)浏览器.或者您还可以点击此处下载该论文PDF