在无线传感器网中基于混合基函数的CS图像融合算法.doc

在无线传感器网络中基于混合基函数的压缩感知图像融合算法 摘要 压缩感知 CS 在数据采集和信号处理给了我们新思路。它提出了在许多实际应用中的一些新颖的解决方案。专注于无线传感器网络像素级多源图像融合的问题，本文提出了一种基于多分辨率分析的CS图像融合算法。我们提出由非下采样轮廓波变换 NSCT 基函数和小波基函数相继地具有优更上的优的结果 关键字：基函数压缩感知；变换；融合 介绍 空前下 图像融合是数字图像处理领域中的一个重要问题。传统的图像融合算法总是困难的，因为在无线传感器网络其庞大的计算量难以满足实时性和低比特率传输的实际需求。近年来，压缩感知显著激发了研究者的兴趣 我们专注于同一场景的红外和可见光图像的像素级融合问题。文献[9]主张由两个多分辨率的基函数连续分解的图像构成的融合图像比由单个多分辨率域的融合图像质量更好。小波函数和其他多分辨率工具经常被用来作为压缩感知 CS 的稀疏基，它激发了我们混合两种多分辨率函数应用于CS图像融合的想法。 在本文中，首先，我们先对图像得到了不错的结果的S图像融合相比取得了更好的融合结果和重构 2 压缩感知 和图像融合 2.1的简介 noho D.L.表明许多自然信号是稀疏的或可压缩的，可以通过一组低维投影，同时保留信号的结构准确表示；信号可以从这些投影值用优化过程来重建[10]。这个理论现在被称为压缩感知。 自然信号通常在时域上11] ；如果它可以被表示为一组线性组合的标准正交基，例如： 1 其是一些基，一个向量包含非零；就说域是是信号稀疏基-稀疏近似表示。 如果信号是可压缩的，该信号可以通过压缩测量，它可以表示为： 2 其中，是一个的矩阵 。在CS，测量矩阵中恢复信号CS理论提到，这是可能的，通过一些优化算法重构信号。CS提供了一种方法，这种方法能以难以置信的低采样率来捕捉和描述可压缩信号。 2.2 CS域的图像融合 近年来CS已经成为在许多实际应用中的可行候选方案，12-14]。这些论文的核心思想可以概括在图1中。 图1 CS图像融合的基本原理 3 多分辨率分析工具的介绍 3.1小波变换 小波变换是一种广泛使用的多分辨率分析工具。它可以通过扩张原型函数将信号分解成不同尺度与不同级别的分辨率。即信号分解成母小波[15]的偏移和缩放。信号的任何细节可以通过小波变换，缺陷 3.2非下采样轮廓波变换 非抽样轮廓波变换是基于轮廓波变换提出的。它不仅具有多分辨率的频率特性，而且还具有各向异性的特性，因此它可以很好地掌握图像的几何结构。NSCT的基本思想是使用非下采样金字塔分解去将图像分解成多个尺度。然后，通过非下采样方向滤波器组，信号的每个尺度被分解成不同方向的子带。各尺度的子数是2的16]。由于NSCT具有方向性，其图像边缘处理的优势是明显的。 3.3混合基函数的 通过上面对小波变换和NSCT特性的分析，我们可以看出两种算法优势互补。文献[9]提出了一种新颖的算法，通过结合两种多分辨率分析函数去融合图像。该方法得到了比传统的基于多分辨率的图像融合更好的结果。 在本文中，我们把两个基函数相继分解信号的过程称之为混合基函数表示。考虑到混合基函数已经在基于多分辨率的图像融合给出了不错的结果，并且小波基这个典型的基函数也被广泛使用在CS中，我们建议探讨基于混合基函数的CS图像融合 4 混合基函数 混合基函数是两个多分辨率分析工具的组合。这两个函数，NSCT和小波进行级联。在小波稀疏表示之前，图像通过NSCT已被分解成多尺度。NSCT分解后，信号的每个尺度越少有限Natick，MA，USA 示于图2中。测量矩阵是一个随机矩阵和OMP算法被选择用于重构算法。 在图2中，左侧组的图像通过小波基稀疏表示，而右侧组的图像通过混合基函数稀疏表示。同一行的图像恢复有等数量的测量值。比较同一行的的减小，两列图像的重构结果逐渐降低，但有一个明显的性能改善通过用混合基函数，当更少的 5 混合基函数的 5.1融合方法稀疏 该算法的步骤如下 通过NSCT分解两个输入图像并根据它们的层次将系数划分成高频部分和低频部分。 根据在NSCT域低频融合规则直接融合两幅图像的低频分量。 通过小波稀疏表示高频 获得压缩测量矩阵采样率。 根据在CS域高频融合规则融合高频分量的测量值。 通过OMP算法重构融合后的高频分量对它们进行逆小波变换。 逆得到融合图像。 .2实验结果 在实验中使用的两幅输入图像是一对已准确记录的红外和可见光图像。为了最大限度地的保留红外图像的热辐射信息，低频分量在能量加权方法的规则下融合。它可以被描述为： 3 其中在像素点的融合系数和是红外和可见光图像在像素点的系数是红外图像的权值，可见光图像的权值和由等式 ， 4 其中和是在红外线和可见光图像在像素点 对于高频分量，融合过程是在CS域中。考虑到高频