主权项 |
一种基于压缩感知框架的多策略图像融合方法,包括如下步骤:(1)分别输入原图像A和原图像B,并将原图像A和原图像B分为大小为C×C的局部图像X1和X2,C×C取8×8或16×16;(2)对局部图像X1进行傅里叶变换得到傅里叶系数矩阵y1,对局部图像X2进行傅里叶变换得到傅里叶系数矩阵y2;(3)采用傅里叶系数低频全采的变密度观测模型,对傅里叶系数矩阵y1进行观测得到观测向量f1,对傅里叶系数矩阵y2进行观测得到观测向量f2;(4)根据观测向量f1和观测向量f2计算两幅图像的谐波系数H1、H2以及频谱匹配度S: <mrow> <msub> <mi>H</mi> <mn>1</mn> </msub> <mo>=</mo> <msqrt> <mfrac> <mrow> <munderover> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <munderover> <mi>Σ</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <msup> <mrow> <mo>|</mo> <msub> <mrow> <mi>f</mi> <mn>1</mn> </mrow> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>|</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <munderover> <mi>Σ</mi> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <munderover> <mi>Σ</mi> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <mo>|</mo> <mi>X</mi> <mn>1</mn> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> </mfrac> </msqrt> </mrow> <mrow> <msub> <mi>H</mi> <mn>2</mn> </msub> <mo>=</mo> <msqrt> <mfrac> <mrow> <munderover> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <munderover> <mi>Σ</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <msup> <mrow> <mo>|</mo> <msub> <mrow> <mi>f</mi> <mn>2</mn> </mrow> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>|</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <munderover> <mi>Σ</mi> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <munderover> <mi>Σ</mi> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <mo>|</mo> <mi>X</mi> <mn>2</mn> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> </mfrac> </msqrt> </mrow> <mrow> <mi>S</mi> <mo>=</mo> <mfrac> <mrow> <mn>2</mn> <munderover> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <munderover> <mi>Σ</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <mo>|</mo> <msub> <mrow> <mi>f</mi> <mn>1</mn> </mrow> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>|</mo> <mo>×</mo> <mo>|</mo> <msub> <mrow> <mi>f</mi> <mn>2</mn> </mrow> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>|</mo> </mrow> <mrow> <munderover> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <munderover> <mi>Σ</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <msup> <mrow> <mo>|</mo> <msub> <mrow> <mi>f</mi> <mn>1</mn> </mrow> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>|</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <munderover> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <munderover> <mi>Σ</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <msup> <mrow> <mo>|</mo> <msub> <mrow> <mi>f</mi> <mn>2</mn> </mrow> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>|</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> </mrow>其中:H1为图像A的谐波系数,X1(m,n)为局部图像X1在横坐标为m、纵坐标为n处的像素值,m∈[1,C],n∈[1,C],C为图像分块大小,f1i,j为观测向量f1在横坐标位置为i、纵坐标位置为j处的值,i∈[1,C],j∈[1,C],H2为图像B的谐波系数,X2(m,n)为局部图像X2在横坐标为m、纵坐标为n处的像素值,f2i,j为观测向量f2在横坐标位置为i、纵坐标位置为j处的值;(5)选取一个阈值T∈[0.6,1],计算最大加权系数Wmax和最小加权系数Wmin:Wmax=0.5‑0.5×(1‑S)/(1‑T)Wmin=1‑Wmax其中S为步骤(4)中得到的频谱匹配度;(6)根据步骤(4)中所得到的谐波系数H1、H2和频谱匹配度S,以及步骤(5)中所得到的最大加权系数Wmax和最小加权系数Wmin,计算融合后的观测向量f:若S≥T且H1≥H2,则融合后的观测向量f=Wmax×f1+Wmin×f2;若S≥T且H1<H2,则融合后的观测向量f=Wmin×f1+Wmax×f2;若S<T且H1≥H2,则融合后的观测向量f=f1;若S<T且H1<H2,则融合后的观测向量f=f2;其中T为阈值,T∈[0.6,1],f1为步骤(3)中得到的图像A的观测向量,f2为步骤(3)中得到的图像B的观测向量;(7)根据步骤(6)中所得到的融合后的观测向量f,进行基于Wavelet‑Curvelet框架的Split Bregman重构算法迭代20次,最后得到所需要的融合图像。 |