结合鲁棒主成分分析和非下采样轮廓波变换的红外与可见光图像的压缩融合 下载: 983次
1 引言
图像融合的目的是将来自多个传感器的图像中的冗余和互补信息集成到新的图像中,使其更适合人或机器感知,便于进一步的处理,如分割、目标检测和识别[1]。其中,红外与可见光图像的融合是图像融合的一个重要分支,红外图像能够捕获比背景更热或更冷的目标,但存在对比度和清晰度低、细节信息匮乏等缺点,而可见光图像提供了空间细节信息,可视性好,但其抗干扰能力差。因此,红外和可见光图像的融合可以充分地考虑互补性,这有助于提高红外目标的检测能力和检测系统的全天候工作能力,从而实现对场景的全面描述[2-3]。
目前的图像融合框架可以分为基于空间域和基于变换域。基于空间域的图像融合方法有主成分分析(PCA)[4]和全变分最小化(TV)[5]等,虽然这种方法快速且易于实现,但融合效果十分有限。基于变换域的非下采样剪切波变换(NSST)[6]和非下采样轮廓波变换(NSCT)[7]的融合方法在图像融合领域取得了很大的进展。2017年,丁文杉等[8]提出基于NSST和邻域结构特征的红外与可见光图像融合方法,该方法能够有效地提取红外目标信息,保持可见光图像信息,但是不适用于大背景下结构特征较少的图像,场景适应性较弱。2018年,江泽涛等[9]提出基于NSST的红外与可见光图像融合方法,该方法的融合图像会出现暗影,降低了图像对比度和清晰度,导致背景信息缺失。研究表明,NSCT利用多尺度、多方向和平移不变性能够捕获丰富的边缘和纹理信息,消除振铃效应和抖动现象,能有效改善红外与可见光图像融合存在的问题[10]。2018年,蔡怀宇等[11]提出一种基于NSCT和直觉模糊集的红外与可见光图像融合方法,能有效提高图像的对比度,很好地保留了源图像的目标信息和背景信息,但是该算法倾向于保留对比度强和灰度值较大的图像内容,容易造成细节信息丢失。以上算法虽然能达到一定的融合效果,但是大多存在融合图像对比度和清晰度降低,且由于噪声干扰而导致细节纹理信息丢失的问题,不能满足实际应用。因此,迫切需要引入有效的新兴融合技术来改善这些问题,加速红外与可见光融合技术的发展。
压缩感知(CS)能够通过较少的测量数据稀疏表示并精确重构图像,不仅减少了冗余信息,还能消除噪声,避免信息丢失[12-13]。2015年,Chen等[14]提出一种基于梯度和加扰块哈达玛集成采样(SBHE)的压缩感知图像融合算法,该算法可以应用于不同的融合场景,有很强的场景适应性,但是融合图像的对比度会降低,不利于人或机器感知。2016年,Zhang等[15]提出将NSCT与CS结合的自适应图像融合方法,得到的融合结果优于以上变换域算法,但是该算法复杂度高,降低了图像处理效率。
如何精确提取出红外图像的目标信息和可见光图像的背景信息对红外与可见光图像融合至关重要。鲁棒主成分分析(RPCA)是一种新的低阶矩阵恢复模型,该模型可以将图像分解成目标分量和背景分量,实现对目标和背景的精确提取[16]。2016年,Fu等[17]提出一种基于RPCA和NSCT的红外与可见光图像融合方法,该方法利用RPCA获得相应的稀疏矩阵,突出了红外目标,但是NSCT的作用效率会随分解程度而变化。2018年,Li等[18]提出基于RPCA和CS的图像融合方法,该方法虽然能得到清晰的红外目标,但是背景不够清晰,获得信息较少。以上算法在一定程度上实现了红外与可见光图像的融合,但是都不可避免地造成融合图像对比度与清晰度降低、细节纹理信息丢失等问题。因此,迫切需要开发一种红外与可见光图像融合算法,改善融合图像对比度与清晰度降低、细节纹理信息丢失等问题,实现对目标信息的全面提取。
本文将RPCA、CS和NSCT三种技术相结合,提出一种基于RPCA和NSCT的CS图像融合方法,本文方法可以有效解决红外与可见光图像融合中图像对比度和清晰度降低、细节纹理信息丢失的问题。对两幅源图像进行预增强处理,再对预增强后的图像分别进行RPCA分解,得到稀疏分量和低秩分量,突出红外目标;对稀疏分量进行压缩采样,通过高斯梯度-信息反差对比度(GG-DCI)方法压缩融合,再用正交匹配追踪法(OMP)重构,有效降低了融合过程中的噪声干扰,避免了信息丢失;对低秩分量进行NSCT多尺度分解,对低频子带选用区域能量-直觉模糊集(RE-IFS)方法融合,最高频子带选用最大绝对值规则融合,其他高频子带选用自适应高斯区域方差融合,能获取更多的背景信息,提高了对比度和清晰度;最后,将融合后的稀疏分量和低秩分量叠加得到融合图像。实验结果表明,本文算法不仅能够有效提高融合图像对比度和清晰度,还可以避免细节纹理信息丢失,可达到更好的融合效果。
2 相关背景知识
2.1 RPCA分解
RPCA可以将矩阵分解成稀疏矩阵和低秩矩阵。如果将图像读取为矩阵,那么稀疏矩阵表示图像的显著信息,低秩矩阵表示图像的背景信息。在红外图像中,目标的清晰度由目标和背景之间的温差决定。红外目标信息可以建模为稀疏矩阵,而背景信息可以建模为低秩矩阵;可见光图像包含丰富的纹理信息和场景信息,纹理信息可以建模为稀疏矩阵,而场景信息可以建模为低秩矩阵。因此,RPCA分解能够实现对图像的显著信息和背景信息的精确提取[18]。
首先,假设X1∈ℝr×c代表红外图像,将X1调整为列向量G1,G1∈ℝrc×1;然后,使用RPCA分解G1,得到低秩分量l1∈ℝrc×1和稀疏分量s1∈ℝrc×1,稀疏矩阵通过增广拉格朗日乘子法(ALM)快速计算;最后,将列向量l1和s1转换成r×c矩阵,得到矩阵l1和s1,其中l1∈ℝr×c,s1∈ℝr×c。同样,可见光图像X2∈ℝr×c可以分解成低秩矩阵l2和稀疏矩阵s2。
2.2 NSCT
NSCT由非下采样拉普拉斯金字塔滤波器(NSP)和非下采样方向滤波器(NSDFB)两种分解尺度组合而成,具有多尺度、多方向和平移不变性等优点,能实现红外与可见光图像融合中红外目标和场景信息的高度提取。首先,通过NSP对源图像进行多尺度分解,将不连续性点连接成线性结构,得到低频和高频图像,再通过NSDFB将高频成分多方向分解,得到高频成分各方向子带。分解过程如
对于图像X,若分解尺度和方向数分别为T和L,可以获得低频子带系数图像
2.3 CS理论
众所周知,CS理论阐明了一个事实,即原始信号在最小的采样率下,可以用比传统奈奎斯特定理要求的观测值少得多的观测值来恢复稀疏信号。如果将两幅图像通过CS融合,不仅可以减少冗余信息,提高融合效率,还可在一定程度上降低噪声干扰,获得较好的融合效果。
设计测量矩阵A∈ℝm×n,来实现Θ的线性变换,测量输出可表示为
式中:y∈ℝm为测量值。本文采用文献[ 19]中的结构随机矩阵作为测量矩阵。
稀疏系数可以通过解决L1范数最小化问题来重建,即
式中:min为最小化函数;‖·‖1为L1范数。
3 本文图像融合算法
根据红外与可见光图像的特性,先对源图像进行预增强处理,提高后续信息的提取率;利用RPCA技术精确获取图像的显著信息和背景信息,对显著信息利用CS技术融合,减少冗余信息,降低噪声干扰;对背景信息利用NSCT融合,获取多方面的场景信息。整体算法有效提高了融合图像的对比度和清晰度,避免了纹理信息丢失。本文融合算法框架如
1) 对源图像I1和I2分别进行预增强,得到X1和X2;
2) 将X1和X2分别进行RPCA分解,得到稀疏矩阵S1和S2,以及低秩矩阵L1和L2;
3) 对稀疏矩阵S1和S2利用结构随机矩阵进行压缩采样,得到测量输出矩阵Y1和Y2,利用GG-DCI算法实现融合,通过OMP算法重构得到融合后的稀疏矩阵;
4) 对低秩矩阵L1和L2分别进行NSCT变换,低频分量融合采用RE-IFS算法融合实现,最高频分量融合利用绝对值最大的选择规则实现,其他高频分量融合采用自适应高斯区域方差实现,最后经过NSCT逆变换得到融合后的低秩矩阵;
5) 通过叠加融合后的稀疏分量和低秩分量,得到融合图像。
3.1 红外与可见光图像的预增强
图像融合前的预处理过程不可忽视,它可以有效地提高图像显著信息的提取率,利于获得更好的融合效果。红外图像除了红外目标外,场景信息整体被模糊化,调节其对比度可以呈现更好的纹理信息;可见光图像在拍摄环境较差的条件下,对比度会偏低,调节其对比度可以提高清晰程度。采用文献[ 20]的Q函数,将大于μ的像素放大,小于μ的像素减小,目的是调节红外图像和可见光图像的对比度。Q函数定义为
式中:I(i,j)为源图像的像素灰度值;μ为图像的平均像素值;Q(i,j)为对比度拉伸后的像素灰度值;kx为拐点参数。
3.2 高斯梯度-信息反差对比度(GG-DCI)压缩融合
S1和S2分别表示预增强后的红外和可见光图像X1和X2经过RPCA分解后得到的稀疏矩阵。为了减少冗余信息,降低噪声干扰,本文利用文献[ 19]中的结构随机矩阵将稀疏矩阵压缩采样,得到测量输出矩阵Y1和Y2。其高斯梯度定义为
式中:Ñ为梯度算子;(i,j)为像素索引值;m∈
测量输出矩阵包含稀疏矩阵的主要信息,融合过程的关键是如何准确提取显著信息。本文提出将信息反差对比度作为高斯梯度融合的权重因子,来控制列梯度幅值,目的是反映两幅图像的显著信息之间的反差程度,对不同的源图像可以提取到最具有特征性的显著信息,故可达到更好的融合效果。分别定义Y1和Y2的自身信息反差为
式中:
他们之间的相互信息反差定义为
得到反差比重为
则信息反差对比度定义为
所以,测量输出矩阵Y1和Y2的融合规则定义为
最后,通过OMP算法重构稀疏矩阵,得到融合后的稀疏矩阵S。
3.3 低频系数融合
RPCA分解得到的低秩矩阵包含图像背景信息,低秩矩阵的融合能够有效提高图像的整体视觉感知,满足人们对图像的信息需求。NSCT具有多尺度、多方向和平移不变性特点,能够捕获丰富的边缘和纹理信息。对低秩矩阵利用NSCT可以提取到更多的背景信息,有助于进一步的图像融合。本文对低秩矩阵L1和L2采用NSCT,得到低频分量和高频分量,再利用RE-IFS融合低频分量
式中:
得到的犹豫度和隶属度为
那么,在红外图像为主导图像的隶属决策下,低频系数矩阵为
同样地,在可见光图像为主导图像的隶属决策下,低频系数矩阵为
得到了不同隶属决策下的低频系数矩阵C1和C2,再利用区域能量融合规则自适应融合。C1和C2的区域能量可以表示为
式中:b为P×Q的区域窗口遮罩。则权重因子定义为
式中:k0为权重因子的调节参数。因此,融合后的低频系数矩阵可以表示为
3.4 高频系数融合
最高层次能反映更为详细的边缘信息,本文选择最大绝对值的融合规则,突出细节信息。若
对于其他高频分量
式中:
则自适应高斯模糊隶属度表示为
式中:k∈[1,5]为调节参数;σ为
所以权重因子定义为
则自适应融合后的高频系数可以表示为
4 实验结果与分析
为了验证本文融合算法的有效性,进行三组红外与可见光图像融合实验。测试图像都是从公开图像数据库中获取的,分辨率为512 pixel×512 pixel。所有实验由Matlab R2014a在Windows7系统下完成。参数设置:预增强环节的拐点参数kx=3;NSCT的分解尺度T=2和方向数L=2;低频系数融合的调节参数k1=0.8,k2=1.2;其他高频系数融合的调节参数k=k0=3。实验涉及7种图像融合算法,分别是基于分块信息论的压缩融合(CS_BIT)[14]、基于高斯梯度的压缩融合(CS_GG)[14]、基于主成分分析的压缩融合(CS_PCA)[14]、无预处理的本文方法(RPCA_NSCT_CS)、基于RPCA的压缩融合(RPCA_CS)[18]、基于RPCA和GG_DCI的压缩融合(RPCA_CS_GGDCI)和基于NSCT的压缩融合(NSCT_CS)[15],并将他们与本文算法进行比较。
为了进一步对这8种融合结果进行客观地定量分析,选取信息熵E、平均梯度AG、空间频率SF、标准差SD和边缘强度Q(AB/F)5个指标评价融合图像。E用于测量融合图像的信息量,E值越大,信息量越大;AG用来评价图像清晰度,指标值越大表示融合图像越清晰;SF反映融合图像空域的总体活跃度;SD反映图像的反差大小,反差越大,可利用的信息越多;Q(AB/F)表示Sobel检测器在源图像和融合图像中的每个像素上可以捕获到的强度和方向信息。以上5种指标的值越大,表明融合图像越清晰,融合性能越好。
从主观角度分析,
表 2. 第2组融合结果客观评价
Table 2. Objective evaluation of fusion results for second-group images
|
表 3. 第3组融合结果客观评价
Table 3. Objective evaluation of fusion results for third-group images
|
表 1. 第1组融合结果客观评价
Table 1. Objective evaluation of fusion results for first-group images
|
图 3. 第一组融合实验图。(a)红外图像;(b)可见光图像;(c) CS_BIT;(d) CS_GG;(e) CS_PCA;(f) RPCA_NSCT_CS;(g) RPCA_CS;(h) RPCA_CS_GGDCI;(i) NSCT_CS;(j)本文方法
Fig. 3. Results of fusion experiments for first-group images. (a) Infrared image; (b) visible image; (c) CS_BIT; (d) CS_GG; (e) CS_PCA; (f) RPCA_NSCT_CS; (g) RPCA_CS; (h) RPCA_CS_GGDCI; (i) NSCT_CS; (j) proposed method
从
从
图 4. 第2组融合实验图。(a)红外图像;(b)可见光图像;(c) CS_BIT;(d) CS_GG;(e) CS_PCA;(f) RPCA_NSCT_CS;(g) RPCA_CS;(h) RPCA_CS_GGDCI;(i) NSCT_CS;(j)本文方法
Fig. 4. Results of fusion experiments for second-group images. (a) Infrared image; (b) visible image; (c) CS_BIT; (d) CS_GG; (e) CS_PCA; (f) RPCA_NSCT_CS; (g) RPCA_CS; (h) RPCA_CS_GGDCI; (i) NSCT_CS; (j) proposed method
图 5. 第3组融合实验图。(a)红外图像;(b)可见光图像;(c) CS_BIT;(d) CS_GG;(e) CS_PCA;(f) RPCA_NSCT_CS;(g) RPCA_CS;(h) RPCA_CS_GGDCI;(i) NSCT_CS;(j)本文方法
Fig. 5. Results of fusion experiments for third-group images. (a) Infrared image; (b) visible image; (c) CS_BIT; (d) CS_GG; (e) CS_PCA; (f) RPCA_NSCT_CS; (g) RPCA_CS; (h) RPCA_CS_GGDCI; (i) NSCT_CS; (j) proposed method
从
5 结论
为了解决红外与可见光图像融合中导致融合图像对比度与清晰度降低、细节纹理信息丢失的问题,本文提出基于RPCA和NSCT的压缩感知融合算法。将源图像经预增强处理后利用RPCA分解为稀疏分量和低秩分量,有助于提取目标和背景信息;对稀疏分量采用GG-DCI算法融合,能够得到精确的目标信息;利用NSCT具有多尺度、多方向和平移不变性等显著优点,将低秩分量进行NSCT分解,对低频子带采用RE-IFS算法融合,最高频子带采用最大绝对值规则融合,其他高频子带采用自适应高斯区域方差融合;最后叠加得到融合图像。实验结果表明,本文算法在主观视觉和客观评价上优于现有的融合算法。然而,基于RPCA和NSCT的融合方法仍需进一步深入研究。一方面,压缩感知的重建阶段需要进一步改进,主要是提高计算效率和重建准确度;另一方面,算法的复杂度还需进一步优化。因此,今后的工作将集中重建压缩感知和降低算法复杂度两个方面。
[1] 刘帅奇, 郑伟, 赵杰, 等. 数字图像融合算法分析与应用[M]. 北京: 机械工业出版社, 2018: 111- 137.
Liu SQ, ZhengW, ZhaoJ, et al.Analysis and application of algorithm for digital image fusion[M]. Beijing: China Machine Press, 2018: 111- 137.
[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[J]. 光学精密工程, 2016, 24(7): 1743-1753.
[3] Liu C H, Qi Y, Ding W R. Infrared and visible image fusion method based on saliency detection in sparse domain[J]. Infrared Physics & Technology, 2017, 83: 94-102.
[4] Shahdoosti H R, Ghassemian H. Combining the spectral PCA and spatial PCA fusion methods by an optimal filter[J]. Information Fusion, 2016, 27: 150-160.
[5] Ma J Y, Chen C, Li C, et al. Infrared and visible image fusion via gradient transfer and total variation minimization[J]. Information Fusion, 2016, 31: 100-109.
[6] 吴一全, 王志来. 基于目标提取与引导滤波增强的红外与可见光图像融合[J]. 光学学报, 2017, 37(8): 0810001.
[7] 陈木生. 结合NSCT和压缩感知的红外与可见光图像融合[J]. 中国图象图形学报, 2016, 21(1): 39-44.
Chen M S. Image fusion of visual and infrared image based on NSCT and compressed sensing[J]. Journal of Image and Graphics, 2016, 21(1): 39-44.
[8] 丁文杉, 毕笃彦, 何林远, 等. 基于剪切波变换和邻域结构特征的红外与可见光图像融合[J]. 光学学报, 2017, 37(10): 1010002.
[9] 江泽涛, 吴辉, 周哓玲. 基于改进引导滤波和双通道脉冲发放皮层模型的红外与可见光图像融合算法[J]. 光学学报, 2018, 38(2): 0210002.
[10] Cai J J, Cheng Q M, Peng M J, et al. Fusion of infrared and visible images based on nonsubsampled contourlet transform and sparse K-SVD dictionary learning[J]. Infrared Physics & Technology, 2017, 82: 85-95.
[11] 蔡怀宇, 卓励然, 朱攀, 等. 基于非下采样轮廓波变换和直觉模糊集的红外与可见光图像融合[J]. 光子学报, 2018, 47(6): 0610002.
[12] 周渝人, 耿爱辉, 张强, 等. 基于压缩感知的红外与可见光图像融合[J]. 光学精密工程, 2015, 23(3): 855-863.
[13] 刘先红, 陈志斌. 基于多尺度方向引导滤波和卷积稀疏表示的红外与可见光图像融合[J]. 光学学报, 2017, 37(11): 1110004.
[14] Chen Y, Qin Z. Gradient-based compressive image fusion[J]. Frontiers of Information Technology & Electronic Engineering, 2015, 16(3): 227-237.
[15] Zhang Q, Maldague X. An adaptive fusion approach for infrared and visible images based on NSCT and compressed sensing[J]. Infrared Physics & Technology, 2016, 74: 11-20.
[16] Wang Z Z, Deller J R, Fleet B D. Pixel-level multisensor image fusion based on matrix completion and robust principal component analysis[J]. Journal of Electronic Imaging, 2016, 25(1): 013007.
[17] Fu Z Z, Wang X, Xu J, et al. Infrared and visible images fusion based on RPCA and NSCT[J]. Infrared Physics & Technology, 2016, 77: 114-123.
[18] Li J, Song M H, Peng Y X. Infrared and visible image fusion based on robust principal component analysis and compressed sensing[J]. Infrared Physics & Technology, 2018, 89: 129-139.
[20] Fu ZZ, Dai XD, LiY, et al. An improved visible and infrared image fusion based on local energy and fuzzy logic[C]∥2014 12th International Conference on Signal Processing (ICSP), October 19-23, 2014, Hangzhou, Zhejiang, China. New York: IEEE, 2014: 861- 865.
Article Outline
苏金凤, 张贵仓, 汪凯. 结合鲁棒主成分分析和非下采样轮廓波变换的红外与可见光图像的压缩融合[J]. 激光与光电子学进展, 2020, 57(4): 041005. Jinfeng Su, Guicang Zhang, Kai Wang. Compressed Fusion of Infrared and Visible Images Combining Robust Principal Component Analysis and Non-Subsampled Contour Transform[J]. Laser & Optoelectronics Progress, 2020, 57(4): 041005.