【摘要】：近年來隨著傳感器成像技術的快速發(fā)展,成像質(zhì)量不斷提高。不同成像傳感器對目標特征的興趣點有所不同,為了得到目標特征更加全面的表達,多傳感器圖像融合得到了快速發(fā)展。多傳感器圖像融合可以克服單個傳感器提供信息不足的缺點,通過將單傳感器的優(yōu)勢信息進行互補,融合得到一幅信息更豐富、內(nèi)容更全面的高質(zhì)量圖像。多尺度變換能夠較好地提取源圖像中的結構信息,稀疏表示可以獲得源圖像的稀疏降維表示�；诖�,本文結合多尺度變換和稀疏表示的各自特點,研究多傳感器的圖像融合。論文主要工作如下:1.論文簡要介紹了圖像融合的背景、意義和研究現(xiàn)狀,以及在像素級進行融合的變換域算法如多尺度變換算法和稀疏表示算法。詳細介紹了循環(huán)引導濾波器和稀疏表示的相關理論知識,給出了圖像質(zhì)量評價的方法和幾個常用客觀評價指標的原理。2.論文在多尺度引導濾波圖像融合的基礎上,提出了多尺度循環(huán)引導濾波圖像融合算法。迭代使用循環(huán)引導濾波器實現(xiàn)圖像的多尺度變換,通過實驗驗證了所提算法的有效性。3.論文在多尺度循環(huán)引導濾波圖像融合的基礎上,結合稀疏表示對圖像的稀疏表達特性,提出了基于循環(huán)引導濾波器和稀疏表示的圖像融合算法。首先,利用循環(huán)引導濾波器對字典訓練樣本集進行兩層分解,得到一個低頻近似分量樣本集和兩個高頻細節(jié)分量樣本集,對源圖像進行同樣的兩層分解。其次,利用K-SVD算法對兩個高頻細節(jié)分量樣本集分別訓練字典,并利用所訓練字典求解源圖像兩個高頻細節(jié)分量的稀疏系數(shù)。再次,對源圖像的不同尺度分量分別設計融合規(guī)則,低頻近似分量采取基于圖像顯著性的加權平均融合規(guī)則;高頻細節(jié)分量通過對稀疏系數(shù)進行L1范數(shù)取大,并與訓練字典重構得到高頻細節(jié)分量的融合圖像。最后,對融合后的低頻近似分量圖像與兩個高頻細節(jié)分量圖像進行多尺度逆變換得到融合圖像。通過實驗從主觀視覺效果和客觀評價指標兩方面進行分析,本文提出的算法具有更好的融合效果。
【學位授予單位】：云南大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TN713
【圖文】：

圈住.合?

迭代更新圖像？／，／＇＋１為第Ｗ欠迭代的結果，，為式２．１中的Ｇ，即高斯濾逡逑波器的輸出。Ｊ＇＋１是在給定輸入圖像／和前一次迭代的結果，的情況下，以聯(lián)合逡逑雙邊濾波形式獲得的：逡逑ｚ邐（２．２）逡逑ｑｅＮ（ｐ）邋＾邐２（７ｒ邐》逡逑其中，？＝Ｚ邋ｅｘｐ［－ｌ＾｜Ｌ」ｌＪ⑷丨丨是為了正則化，ｊ＇＋ｉ（妁是／逡逑（／ｅＮ（ｐ）邐２0＾邐２0＂ｒ邐）逡逑次迭代的結果，／是迭代次數(shù)，＃（妁是Ｐ相連像素的結合，ＣＴＶ和ＣＴ，分別為控制逡逑空間和范圍權重，此外，Ｗ（／７）的大小由圖像的大小和決定。式２．２可以理解為逡逑以Ｊ＇的結構來平滑輸入圖像／的濾波器。在這個過程中，迭代的改變引導圖像，逡逑因此稱為循環(huán)引導濾波，其實現(xiàn)流程圖如圖２．１所示：逡逑

／＝１逡逑低頻分量包含原始圖像的大尺度結構信息，高頻分量包含原始圖像的細節(jié)紋逡逑理信息。圖像基于循環(huán)引導濾波的多尺度分解如圖３．１所示，圖中，（ａ）為源圖逡逑像，（Ａ）為第一層濾波低頻近似分量，由源圖像經(jīng)ＲＧＦ濾波得到；（＆）為第逡逑—層濾波高頻細節(jié)分量，是源圖像與第一層濾波低頻近似分量之差；（／２）為第逡逑二層濾波低頻近似分量，是以第一層濾波低頻近似分量為輸入經(jīng)ＲＧＦ濾波得到；逡逑（扣）為第二層濾波高頻細節(jié)分量，是第一層濾波低頻近似分量與第二層濾波低逡逑頻近似分量之差。逡逑（ａ）邐Ｏｉ）邐0２）逡逑１邐Ｌ邐＾逡逑ｙ邐ｙ逡逑㈨）邐（ｈ２）逡逑圖３．１邋ＲＧＦ多尺度分解效果圖逡逑１８逡逑

【參考文獻】

相關期刊論文 前5條

1 鄒建成;張文婷;;一種基于MOD字典學習的圖像超分辨率重建新算法[J];圖學學報;2015年03期

2 楊航;吳笑天;賀柏根;朱明;;基于多尺度導引濾波的圖像融合方法[J];光電子·激光;2015年01期

3 肖進勝;饒?zhí)煊?賈茜;宋金鐘;易本順;;基于圖切割的拉普拉斯金字塔圖像融合算法[J];光電子.激光;2014年07期

4 王林艷;陶玲;王惠南;;CT與MRI圖像融合的評價方法研究[J];生物醫(yī)學工程研究;2006年04期

5 陽方林,郭紅陽,楊風暴;像素級圖像融合效果的評價方法研究[J];測試技術學報;2002年04期

相關博士學位論文 前5條

1 張寶華;基于多尺度變換和稀疏表示的多源圖像融合算法研究[D];上海大學;2016年

2 李驁;基于稀疏表示理論的圖像處理關鍵技術研究[D];哈爾濱工程大學;2014年

3 李郁峰;像素級多傳感器圖像融合方法研究[D];西南交通大學;2013年

4 焦竹青;變換域中的多源圖像融合方法研究[D];江南大學;2011年

5 蔣年德;多尺度變換的圖像融合方法與應用研究[D];湖南大學;2010年

相關碩士學位論文 前6條

1 陳軼鳴;基于稀疏表示圖像融合算法的研究及應用[D];南京信息工程大學;2018年

2 湯成軍;基于稀疏表示的圖像融合算法研究[D];湘潭大學;2017年

3 段普宏;基于多尺度變換和稀疏表示的圖像融合算法研究[D];合肥工業(yè)大學;2017年

4 劉敏;基于K-SVD的字典學習算法及應用研究[D];西南科技大學;2016年

5 郭蘊霆;基于多尺度分析的多傳感器圖像融合算法的研究[D];哈爾濱工程大學;2016年

6 賀文飛;像素級圖像融合技術研究[D];國防科學技術大學;2006年

本文編號：2764047