基于稀疏表示的图像融合课件.pptxVIP

基于稀疏表示的图像融合;研究背景及意义 传统的图像融合方法 图像的稀疏表示理论 一种基于字典学习的图像融合 总结;一 研究背景和意义;2 图像融合主要应用 1）多聚焦图像融合 因为成像系统有限的聚焦范围，因此在同一幅图像中，往往会出现除聚焦良好的物体外，距离该物体前后的所有目标都会不同程度的呈现出模糊。;2）多传感器图像融合 在医学领域，CT能够扫描出骨骼致密的结构，有良好的视觉效果，但对软组织分辨率不高。MRI对软组织能够提供详细的信息，分辨力较高，但是对致密结构的分辨率低。那么，如果能把CT图像与MR图像进行融合，就能够提供更加全面的、更加准确的医学影像信息。;3）时间序列图像融合 在交通领域，数据和图像的融合对于交通安全监控起着重要的作用。由于受到环境条件以及检测器的固有特性等因素的限制，如果只利用单个类???的检测器进行图像信息的采集，获得的数据往往并不完善。通过多层次的处理数据和图像融合技术，获得的信息会更加丰富，更加准确。 4）遥感多源图像融合 在遥感领域中，三个传感器提供的颜色信息包括红色、绿色和蓝色光谱波长，这些传感器仅具有少量的像素，并且小的目标物和细节是被隐藏的，这些小的目标物和细节能够采用不同的传感器来观察得到，这类传感器具有大量的像素但是不具有颜色信息，然而通过融合技术可以实现同时具有高空间分辨率和颜色信息的独特的图像，也就是遥感图像的融合技术。;二 传统的图像融合方法;1 基于IHS变换的图像融合; 以全色图像和多光谱图像融合为例，来给出基于IHS变换的图像融合步骤： 1）将全色图像与多光谱图像进行配准和重采样，使多光谱图像与全色图像具有相同的像元分辨率和空间几何位置，然后将多光谱图像的三个波段映射到RGB空间，然后进行IHS变换，得到相应的强度I,色度H和饱和度S三个分量。 RGB到HIS变换公式如下所示： ; 2）将全色图像与多光谱图像经过IHS变换后得到的I分量经过直方图匹配，用全色图像代替I分量，得到新的I分量。 3）用得到的新的I分量代替多光谱图像的I分量，并和多光谱图像的H分量，S分量???起进行IHS逆变换，最后得到融合结果图像。 IHS到RGB的逆变换公式如下所示：;2 基于小波变换的图像融合; 小波变换具体融合过程如下： 1）利用小波变换将多个待融合图像进行变换，从而获得原始图像的高频子带分量和低频子带分量； 2）将上一步得到的高频分量和低频分量利用合适的融合规则进行融合，分别得到不同分类的融合子带图序列； 3）利用小波逆变换对融合得到的子带图序列进行重构，从而获得融合图像。第三步融合得到的高频子带分量和低频子带分量可以经过下式得到最终融合后的图像：;3 图像融合的评价指标;三 图像的稀疏表示;2 稀疏表示理论的基本原理; 称 为字典矩阵， 为字典原子。 1）若mn，则称D为欠完备字典，即x有可能无法由字典有效的表示； 2）若m=n，则称字典D为完备字典； 3）若mn，则称字典D为过完备字典，且θ有无穷多解。 2.2 稀疏度： 在使用过完备字典对信号进行表示的时候，对于某一特定的信号能否较好地进行稀疏表示通常可以用稀疏度来度量K。而系数的稀疏度通常采用0-范数来定义，即在一个系数向量中不为零的系数数量越少，信号越稀疏。在式x=Dθ表示为当θ中的大部分值为零且只有少部分数值K为非零时，称式x=Dθ为信号的稀疏表示数学表达式。则稀疏表示问题可以描述为： 其中 ，其中K为稀疏度。; 2.3 稀疏性的意义 一个K稀疏的信号能够通过保留非零系数的值和位置来进行有效的压缩,这一过程称作变换编码 从一般的角度来考虑，稀疏性（或可压缩性）已经并且继续在很多科学领域中起着重要的作用: 1）稀疏性导致有效的估计，例如，通过阈值或者收敛算法的估计质量取决于我们所希望估计的信号的稀疏性。 2）稀疏性导致高效的压缩，例如，变换编码的精度取决于我们所希望编码的信号的稀疏性。 3）稀疏性导致降维并且进行有效的建模。; 2.4 稀疏表示的概念 现实世界中的信号很少本身就是真正稀疏的，绝大多数都是可压缩的，即自然信号能够表示成或者近似表示成字典中的少量几个原子的线性组合。 稀疏表示最重要的思想是：在一个足够大的训练样本空间内，对一类目标，可以由训练样本中的同类样本子空间来线性表示，所以在当目标是整个样本空间中进行表示时，其表示系数是稀疏的。 稀疏表示所解决的问题是寻找信号的最紧凑的表示，该表示是信号在过完备字典中的原子的线性组合，因此设计更好的适合源图像的过完备字典是一个主要的任务。与基于变换域或空间域进行处理的方法相比，稀疏表示则为更有效的信号建模提供了更