基于稀疏性的图像配准方法研究.docVIP

基于稀疏性的图像配准方法研究 【摘要】基于优化采样的目的，在采用压缩感知（CS）的体制下，研究了遥感图像的配准方法。这种方法与传统方法的不同之处在于将CS重构与图像配准融合作为一个整体，其输入是图像传感器输出的观测值，而非传统的图像。通过CS重构得到小波系数，然后在小波域根据互信息最大准则进行配准，这样，避免了图像和小波域之间的反复变换，提高了效率。在此基础上，本文通过仿真实验，证明了上述方法的可行性。通过上述实验，我们可以得知，对传感器的精度比较低和在不损失分辨率的情况下，压缩感知具有很好的采样效率。 【关键词】图像配准;压缩感知;小波变换;互信息值 引言 遥感图像分辨率的提高，必然要求器件的采样率的提高，因此，在传统的Nyquist-Shannon采样体制下，采样率是限制分辨率提高的瓶颈之一。与此同时，采样率提高导致数据海量增加，还会给存储、处理和传输带来很大的压力。近年来研究的压缩感知技术（CS）[1-2]可以很好地解决这一问题，被广泛研究用于遥感之中[3-4]。 图像配准是图像融合等各种图像处理的前提[5-6]，也是遥感领域研究的重要内容[7-8]。在现有的图像配准方法中，基于小波变换和互信息的配准方法因无需对图像做预处理、自动化程度高、精度高等原因，是计算机视觉和图像处理研究的热点。但是，在CS体制下，图像传感器输出的是图像的观测值，不再是传统的图像，接收端需通过重构算法，才能重构出原来的图像。因此，本文研究一种方法，利用观测值进行配准，将配准与重构作为一个整体来考虑，这样可以减少延时，提高配准效率。 1.压缩感知理论 压缩感知，又称为压缩采样，是信号采样与重构的新技术。CS理论指出，只要信号是稀疏的，则可以远低于Nyquist速率进行采样，然后利用这些少量的采样值，解一个优化问题，就能以高概率重构原信号[1-3]。 设信号是稀疏的，则它可以用基表示为： （1） 显然向量和向量是同一个信号的等价表示，如果向量有k个非零分量，则称信号为k稀疏。压缩感知的观测模型可表示为： （2） 其中是未知的N维向量，是M维向量，是一个M×N维矩阵，称为恢复矩阵。在CS体制下，传感器输出的是观测值，接收端利用这M个观测值、观测矩阵、稀疏基和k稀疏的约束条件，重构信号，从而通过反变换得到。 光学图像在小波域是稀疏的，本文讨论的是图像，是其观测值，是小波基，是小波系数。如果采样基于小波域的配准方法，则可直接利用CS重构的小波系数进行配准，省去小波域到图像，图像到小波的反复变换过程。 2.最大互信息配准方法 最大互信息配准方法主要有基于灰度值的配准和基于小波域的配准，在文献[5，6]中具有详细的研究。本文不介绍这两种方法的实现过程，仅仅从信息论的角度来建立这两种配准方法的等价关系，然后用上述文献介绍的方法进行配准。 2.1 基于灰度值的最大互信息配准 互信息（MI）是信息论中的重要概念，可用来度量两个随机变量或随机序列（图像）的相似程度。设输入图像为，它们的互信息可表示为： （3） 其中： 分别表示信源熵和两个序列的联合熵，表示求均值运算，为图像灰度概率分布，为灰度的联合概率分布。 互信息反映了两图像的相似程度，两图像的相似性越大，其互信息越大，当两图像对准时，其互信息最大，因此，可以互信息最大化为准则，来配准图像和。求两图像互信息的详细过程，可以参考文献[8]。 2.2 基于小波域的最大互信息配准 基于小波域的最大互信息配准方法和基于灰度的方法相似，文献[7]中有详细介绍，这里仅仅从理论上推导灰度值与小波域最大互信息配准方法的等价性。 设图像的小波系数为的小波系数为根据公式（1）及信息论有： 同理，可以推导两幅图像在空域的互信息与它们在小波域的互信息相等，这是因为： （4） 在上述推导过程中，稀疏基是确定的（常数），不包含任何信息。由此可见，图像和的互信息等于小波系数的互信息，基于空域的图像配准等价于基于小波域中的配准。有了此等价关系，我们可以直接利用CS重构得到的小波系数进行配准。 基于小波域的配准还有一个重要的好处是可以采样多分辨策略[7]，即先对低分辨率图像配准，然后将配准结果作为参数进行下一级配准，这样不仅可以避免出现局部极大值，而且可以提高算法执行速度。 3.重构-配准算法 压缩感知算法是压缩感知理论中至关重要的一个部分。不相关性或约束等距性（RIP） [3]为近似精确或精确恢复信号提供了理论上的保证。重建算法的设计应该遵循下面的基本准则：算法应该利用尽可能少的测量数M，快速、稳定、精确或近似精确地重建原始信号。压缩感知算法可以分为以下四类：贪婪算法，凸优化算法，非凸算法，组合算法。本文使用正交匹配算法OMP作为重构图像的算法，具体过程见文献[2]。 在压缩感知体制下，图像传感器所获取的是观测值，因此，本算法的实现从观测值开始。