像素级压缩感知图像融合的论文

2012 基于压缩感知理论的图像融合方法

不同的是在测量前先对稀疏矩阵进行融合,从仿真结果来看效果并不是很好,仅做介绍。

2012 一种基于小波稀疏基的压缩感知图像融合算法

针对图像小波分解系数特点,提出了一种基于双放射状采样模式的压缩传感域图像融合算法。该算法首先通过双放射状采样模式获得待融合图像的小波稀疏域线性测量值; 然后利用一种简单的绝对值大融合规则直接在压缩感知域进行融合,最后通过最小全变分的方法重构融合图像。

直接对 CS 测量值采用绝对值最大作为融合规则。

2014 基于 DWT 的高频系数压缩感知图像融合

算法思想:

传统的基于 DWT 的压缩感知图像融合方法针对的是整个稀疏系数,由于小波系数的低频部分为非稀疏的,导致其压缩重构质量差。针对该问题,提出了一种基于 DWT 高频系数压缩测量的融合方法,该压缩模式可以提高重构信号的质量,进而提高融合图像的效果。首先,对图像作小波稀疏变换,得到低频和高频系数,并对高频系数压缩测量得到测量值;然后,在小波域和压缩域分别进行融合,并对融合后的测量值进行重构得到融合后的高频系数;最后,经小波逆变换得到融合后的图像。

第 1 步:对两幅源图像 f1和 f2分别进行小波稀疏第 1变换,得到小波稀疏系数[A1, G1]和[A2, G2];

第 2 步:对低频系数 A1, A2 按照取平均的规则进行融合,得到融合后的低频系数 A;

第 3 步:分别对高频小波稀疏系数 G1和 G2进行测量取值,得到测量值 Z1和 Z2;

第 4 步:对测量值 Z1,  Z2 按照绝对值取大的规则进行融合,得到融合后的测量值 Z;

第 5 步:对测量值Z采用OMP进行重构,得到融合后的高频稀疏系数 G;

第 6 步:对[A,  G]进行小波逆变换,得到融合后的图像 f。

流程图:

2017 基于DWT-IRLS的压缩感知图像融合

算法思想:

首先对图像进行DWT转换,针对高频系数采样测量;然后对高频系数和低频系数进行融合,并且引入迭代权重最小二乘法(IRLS)算法,重构高频系数;最后经 DWT逆转换,得到融合图像。除重构方法与上述算法不同之外,其余都相同。

2015 基于NSCT与DWT的压缩感知图像融合

非下采样轮廓波变换NSCT具有良好的各向异性,但其对细节信息捕捉能力较差,而 DWT 具有较强的多分辨率和局部化特性,能较好地分解出图像的细节信息,

通常在将图像进行融合之前,需要先对图像进行多分辨率分析。其中,DWT和 NSCT是常用的两种多分辨率图像分析法。DWT 是对基本小波的尺度和平移进行离散化,具有多尺度性和局部性,能较好地捕捉到图像的局部细节信息。但 DWT 只能将图像进行有限方向的分解,无法有效地提取图像的边缘轮廓信息。Cunha 等人在轮廓波变(CT)[6]的基础上,去掉采样操作,提出了 NSCT。相对于小波变换,NSCT 增添了各向异性和平移不变性,能够分解出更多的方向信息。然而,NSCT 捕捉细节的能力较弱,容易遗漏图像的局部细节信息。

2015 基于分块压缩感知的遥感图像融合

首先利用分块压缩感知(BCS)对输入图像进行压缩采样 ,再对压缩测量采用线性加权策略融合 ,最后采用迭代阈值投影(ITP)重构算法重构融合图像,并消除分块效应。

2013 Entropy Dependent Compressive Sensing based Image Fusion

通过计算熵来计算信息量的多少,与门限值比较之后再分配给相应的测量次数,融合是简单的绝对值最大原则,感觉效果一般,但是可以借鉴自适应分配compressive measurement(CM)的思想。

2013 A New Image Fusion Method Based on Compressed Sensing

根据标准差来设定权值的融合方法,重构方法选用的是GP。

2015 A New Multi-spectral Image Fusion Algorithm Based on Compressive Sensing

其中,低频系数融合是基于平均值,高频稀疏融合方法为

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏CDA数据分析师

【技术】SPSS因子分析

因子分析在各行各业的应用非常广泛,尤其是科研论文中因子分析更是频频出现。小兵也凑个热闹,参考《SPSS统计分析》书中的案例,运用SPSS进行因子分析,作为我博客...

2909
来自专栏专知

【明星自动大变脸,嬉笑怒骂加变性】最新StarGAN对抗生成网络实现多领域图像变换(附代码)

【导读】图像之间的风格迁移和翻译是近年来最受关注的人工智能研究方向之一,这个任务在具有趣味性的同时也是很有挑战的。相关的研究成果也层出不穷,有的甚至引起了全世界...

4689
来自专栏ATYUN订阅号

谷歌大脑团队新尝试 用奇异向量典型相关分析解释深度神经网络

深度神经网络(DNNs)在视觉、语言理解和语音识别等领域取得了前所未有的进展。但这些成功也带来了新的挑战。与许多以前的机器学习方法不同的是,深度神经网络可以很容...

3818
来自专栏人工智能头条

机器学习的“小无相功”:高斯过程回归的深度科普

1813
来自专栏量化投资与机器学习

量化投资之机器学习应用——基于 SVM 模型的商品期货择时交易策略(提出质疑和讨论)

2016年在东证期货的量化报告里,读到一篇文章,关于量化投资策略之机器学习应用——基于 SVM 模型的期货择时交易策略 。就顺手算了一下,发现了一些问题,因此和...

5099
来自专栏SIGAI学习与实践平台

OCR技术简介

光学字符识别(Optical Character Recognition, OCR)是指对文本资料的图像文件进行分析识别处理,获取文字及版面信息的过程。亦即将图...

3K1
来自专栏媒矿工厂

图像模糊度评价性能提升方法简介

背景介绍 随着多媒体技术的发展,图像以及视频服务逐渐成为人们获取信息的主要载体。传统上,视频或图像质量的好坏需要人眼去看,并且为了得到一个合适的评价分数,一般需...

7356
来自专栏Small Code

使用集成学习提升机器学习算法性能

译者注:这篇文章是对 PythonWeekly 推荐的一篇讲集成模型的文章的翻译,原文为 Ensemble Learning to Improve Machi...

3377
来自专栏数说工作室

【分类战车SVM】第二话:线性分类

分类战车SVM (第二话:线性分类) 1. 回顾 上一集我们大致介绍了机器学习世界的一种新武器——支持向量机,代号为SVM(微信公众号“数说工作室”中回复“SV...

4075
来自专栏数说工作室

【分类战车SVM】第二话:线性分类

分类战车SVM (第二话:线性分类) 回复“SVM”查看本《分类战车SVM》系列的内容: 第一话:开题话 第二话:线性分类 第三话:最大间隔分类器 第四话:拉格...

43811

扫码关注云+社区

领取腾讯云代金券