光子学报
2022, 51(12): 1210005
兰州交通大学电子与信息工程学院，甘肃 兰州 730070
针对红外与可见光图像在融合过程中目标物体的边缘模糊导致细节丢失的问题，提出一种基于滚动引导滤波器（RGF）和卷积稀疏表示（CSR）的红外与可见光图像融合方法。首先，利用RGF和高斯滤波器对配准后的源图像进行多尺度分解；其次，针对基础层，通过构建对比显著图和权重矩阵进行融合；然后，针对细节层，利用交替方向乘子方法（ADMM）求解卷积稀疏系数，采用CSR融合规则完成特征响应系数融合；最后，经过重构得到融合结果图。实验结果表明，所提方法能够克服在目标物体的边缘处模糊导致细节信息丢失的问题，较好地保留源图像的对比度和边缘纹理信息，同时提高了多个客观评价指标。
图像融合 滚动引导滤波器 卷积稀疏表示 对比显著图 激光与光电子学进展
2022, 59(12): 1210001
南京信息工程大学 电子与信息工程学院，江苏 南京 210044
针对同一目标不同焦点图像优势互补的需求和现有多焦点图像融合算法存在焦点不清晰、边缘模糊和重影等问题，引入一种基于参数自适应脉冲耦合神经网络(PAPCNN)和卷积稀疏表示(CSR)的多聚焦图像融合算法。在非下采样剪切波变换(NSST)分解高低频子带的基础上，采用CSR融合低频子带系数，其中的高频子带系数利用一种参数自适应PCNN算法(PAPCNN)进行融合，并且对PAPCNN中的隐函数β进行改进，达到更好的融合效果。仿真实验结果表明，该方法解决了传统PCNN算法在融合图像时参数设置困难和传统稀疏表示细节保存性能不佳的问题，在视觉效果和客观指标方面与现有主流融合算法相比均具有较大优势。
图像融合 多聚焦图像 非下采样剪切波变换 参数自适应PCNN 卷积稀疏表示 image fusion multi-focus image Nonsubsampled Shearlet Transform Parameter Adaptive PCNN Convolutional Sparse Representation 太赫兹科学与电子信息学报
2021, 19(3): 471
昆明理工大学 信息工程与自动化学院, 云南 昆明650500
为避免图像融合与超分辨率分步实现的不足,提出了基于卷积稀疏表示的融合与超分辨率重建联合实现方法。假设低分辨率与高分辨率图像之间具有相同的稀疏特征图,设计了一种高、低分辨率滤波器联合学习框架,实现对图像高低频成分的分离,并根据不同成分的形态特性设计了不同的融合规则：对于高频成分,根据稀疏特征图亮度信息和像素活跃性水平,设计了一种像素显著性度量方案来指导高频特征图的融合; 对于低频成分,根据脉冲耦合神经网络能捕获邻域相似像素点火的特性,设计了低频成分融合方法。所提方法不需要将图像分割成重叠的块,避免块向量化的缺陷。实验结果表明,能有效提高图像融合的质量。
图像融合 卷积稀疏表示 超分辨率 脉冲耦合神经网络 image fusion convolutional sparse representation super-resolution pulse coupled neural network
1 长沙理工大学计算机与通信工程学院, 湖南长沙 410114
2 长沙理工大学综合交通运输大智数据能处理湖南省重点实验室, 湖南长沙 410114
3 湖南中森通信科技有限公司, 湖南长沙 410205
针对单一先验知识不足以约束病态严重的图像超分辨率问题, 本文提出了融合内外特征的图像超分辨率算法。针对图像的自相似性, 通过采用基于内部特征的深度卷积网络学习来增强输入图像的细节纹理, 去除超分辨率图像伪影; 同时, 使用基于外部图像的稀疏约束方法来学习图像结构信息, 并结合高频残差字典来解决超分辨率重建中的高频信息缺失问题; 最后通过卷积稀疏方法分别从基础层和细节层来融合内外特征的重建图像, 以获得细节清晰、去伪影的超分辨率图像, 进一步提高图像质量。与传统算法相比, 本文算法在重建图像的纹理特征和质量上都得到了增强, 且视觉效果与峰值信噪比较传统算法有所改善。
内外特征 超分辨率 深度卷积网络 高频残差字典 稀疏约束 卷积稀疏表示 图像融合 迭代反投影 internal and external features, super-resolution,
1 宁波大学信息科学与工程学院, 浙江 宁波 315211
2 南京大学计算机软件新技术国家重点实验室, 江苏 南京 210093
3 浙江工商职业技术学院智能家电宁波市重点实验室, 浙江 宁波 315012
针对多曝光图像融合中存在细节丢失和颜色失真等问题, 本文提出了一种基于张量分解和卷积稀疏表示的多曝光图像融合方法。张量分解作为一种对高维数据低秩逼近的方式, 在多曝光图像特征提取方面有较大的潜力, 而卷积稀疏表示是对整幅图像进行稀疏优化, 能最大程度地保留图像的细节信息。同时, 为了避免融合图像出现颜色失真, 本文采取亮度与色度分别融合的方式。首先通过张量分解得到源图像的核心张量; 然后在包含信息最多的第一子带上提取边缘特征; 接着对边缘特征图进行卷积稀疏分解, 继而利用分解系数的L1范数来得到每个像素的活跃水平; 最后用“赢者取全”策略生成权重图, 从而加权得到融合后的亮度分量。与亮度融合不同的是, 色度分量则采用简单的高斯加权方式进行融合, 在一定程度上解决了融合图像的颜色失真问题。实验结果表明, 所提出的方法具有良好的细节保留能力。
张量分解 卷积稀疏表示 字典学习 多曝光融合 tensor decomposition convolution sparse representation dictionary learning multi-exposure fusion
军械工程学院军械技术研究所, 河北 石家庄 050003
基于引导滤波和非下采样方向滤波器,提出了一种多尺度方向引导滤波图像融合方法,该方法兼具边缘保持特性和方向信息提取能力,能够有效提取源图像的有用信息。所提方法对源图像进行多尺度方向引导滤波,得到了包含低频近似部分和强边缘部分的低频分量,而后通过高斯低通滤波将其进行有效分离,分别应用基于卷积稀疏表示和区域能量自适应加权平均的融合规则;对高频细节方向分量应用显著性与引导滤波相结合的融合规则,以保持空间一致性,得到了相应的高频细节融合分量。结果表明,所提方法能更好地提取源图像的目标特征信息,保留丰富的背景信息,客观评价指标优于现有方法,融合结果具有更好的主观视觉效果。
图像处理 图像融合 引导滤波 卷积稀疏表示 非下采样方向滤波器组 显著性 空间一致性 光学学报
2017, 37(11): 1110004
