压缩感知框架下的多策略图像融合方法

摘要

本发明公开了一种压缩感知框架下的多策略图像融合方法，主要解决现有图像融合方法计算量大，时间复杂度高、存储空间大的问题，其实现过程是：输入原图像A和B，并将其分为大小为C×C的局部图像X1和X2；分别对X1和X2进行傅里叶变换，得到系数矩阵y1和y2；采用傅里叶系数低频全采的变密度观测模型，分别对y1和y2进行观测，得到观测向量f1和f2；根据f1和f2计算谐波系数H1和H2，以及频谱匹配度S；选取阈值T，计算加权系数；通过对加权系数、阈值和频谱匹配度的比较，计算融合后的观测向量f；对观测向量f进行Split Bregman重构算法迭代20次，最后得到所需融合图像。本发明与现有的融合方法相比具有计算复杂度低，融合效果好的优点，可用于视频跟踪、目标识别和计算机视觉。

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： H 1 = Σ i = 1 C Σ j = 1 C | f 1 i , j | 2 Σ m = 1 C Σ n = 1 C | X 1 ( m , n ) | H 2 = Σ i = 1 C Σ j = 1 C | f 2 i , j | 2 Σ m = 1 C Σ n = 1 C | X 2 ( m , n ) | S = 2 Σ i = 1 C Σ j = 1 C | f 1 i , j | × | f 2 i , j | Σ i = 1 C Σ j = 1 C | f 1 i , j | 2 + Σ i = 1 C Σ j = 1 C | f 2 i , j | 2 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。