[发明专利]基于压缩感知和WBCT变换的图像融合方法

说明书

技术领域

本发明涉及数字图像处理领域、图像融合算法领域。具体讲，涉及基于压缩感知和WBCT变换的图像融合方法

背景技术

图像融合通过对不同图像信息的融合弥补了单一信息源获得图像数据的局限性和差异性缺陷，综合利用不同图像之间的互补和冗余信息，获得了对场景更全面准确的图像描述，很大程度上提高了图像质量。基于小波变换的图像融合是目前应用广泛的一种图像融合方法。小波变换具有良好的多尺度和时频局部特性。但是传统小波变换用来表示图像时只拥有有限的方向，即水平、垂直和对角线三个方向，不能更精确的表示图像中的方向信息；而且小波只能表示信号的点奇异性，不能很好的表示图像的各向异性。

将图像融合应用到压缩感知理论框架中。如果不在图像重构之后进行融合，而是直接对各图像极少的测量值用一定的融合方法进行融合，再将融合之后的数据进行传输、储存，重构图像时只需用到极少的融合的数据，那么就可以得到高质量的图像。这样可以大大提高计算的速度，节省传输、储存、重构的成本。

发明内容

为克服现有技术的不足，针对小波变换的局限性，为能够实现有效的表示和处理图像等高维空间数据。为此，本发明采取的技术方案是，基于压缩感知和WBCT变换的图像融合方法，包括如下步骤：

第一步：对待融合的图像进行基于小波的Contourlet(非自适应的方向多尺度分析方法)变换(WBCT)，分别得到低频融合分量和高频融合分量，其中用到的金字塔分解层数为三层，每层的分解方向为2k个，其中k表示分解的层数；

第二步：观测矩阵M×N是用来对N维的原信号进行观测得到M维的观测向量Y，M<<N，然后利用最优化方法从观测值Y中高概率重构，构造一个测量矩阵，分别对LH，HL，HH高频子带测量；得到这三个子带的测量系数值矩阵.而保留低频子带系数LL不变，选取高斯随矩阵作为测量矩阵，进行测量取值。LL:小波分解得到的低低位值；LH:小波分解得到的低高位值；HL:小波分解得到的高低位值；HH:小波分解得到的高高位值；

第三步：对两幅源图像的低频分量使用采用基于窗口的加权平均(Weighted Average,WA)规则进行像素点级别的评估，选取矩阵内各个点对应数值，组成新的矩阵；

第四步：对两幅源图像的测量后的高频分量使用主成分分析法进行融合，得到测量后的融合矩阵；

第五步：对融合后的高频分量使用分段匹配追踪算法(StOMP)进行重构计算，获得适于WBCT逆变换的高频分量；

第六步：使用WBCT逆变换，将各个方向的高频分量和低频分量的融合结果进行结合， 得到融合后图像。

采用基于窗口的加权平均(Weighted Average,WA)规则具体步骤是：

第一步：在源图像中，计算以(m，n)点为中心周围窗口区域内的能量或方差作为该点细节信息强度的度量S_A(m,n)、S_B(m,n)，S_A(m,n)为A源图像点细节信息强度的度量,S_B(m,n)为B源图像点细节信息强度的度量，m、n为点坐标；

第二步，计算c_A(m，n)和c_A(m，n)之间局部的、归一化的互相关系数M_AB，c_A(m，n)为A源图像系数，c_B(m，n)为B源图像系数；

第三步，根据互相关系数大小，采取不同的融合方式:

当M_AB≤a时，a为阈值，a＝0.85,说明源图像系数间相关性比较低，选取局部方差大的系数为融合后系数比较合理，即

其中c_F(m，n)为融合后图像系数，

当M_AB>a时，说明系数间相关性比较大，采用加权平均的方法更为合理，

c_F(m，n)＝w(m，n)c_A(m，n)+[E(m，n)-w(m，n)]c_B(m，n)

其中E(m,n)为单位矩阵，权系数w(m,n)由下式确定： 

压缩感知重构算法进一步细化为：每次匹配追踪时选出的是多个匹配原子而不是单个原子，减少了匹配次数，特定状态下可构成一个匹配滤波器，鉴别出所有振幅大于一个特殊选定的阈值的坐标，用这些选定的坐标做最小二乘，然后减去最小二乘拟合，得到一个新的余量。