改进CS_NSCT方法在图像融合中的应用

"该文提出了一种基于非下采样Contourlet变换（NSCT）和压缩感知（Compressive Sensing, CS）的图像融合方法，适用于可见光和红外图像的融合。通过NSCT变换，图像被分解为低频子带和多个方向的高频子带。针对高频子带稀疏度不一的问题，采用自适应的压缩感知策略进行压缩，并在压缩域内进行融合。低频部分则根据离散余弦变换（DCT）的能量准则进行融合。最终，将融合后的高低频分量通过NSCT重构得到融合图像。实验结果显示，这种方法能有效提高图像的熵值、标准偏差和平均梯度，同时减少数据量。" 在图像融合领域，非下采样Contourlet变换（NSCT）是一种多分辨率分析工具，它在保持图像细节的同时，能够更好地捕获图像的边缘和方向信息。NSCT具有多尺度和多方向特性，适用于处理复杂结构的图像。然而，NSCT变换后的高频子带数据通常较稀疏，而不同方向子带的稀疏度可能不同，这给融合带来了挑战。 压缩感知理论是现代信号处理中的一个重要概念，它指出一个信号可以通过较少的随机采样重构，前提是信号在某种变换域中足够稀疏。在本文中，作者针对NSCT高频子带的稀疏性差异，提出了自适应的压缩感知方法，能够在降低数据量的同时，保留重要的图像信息。 在图像融合过程中，低频部分通常包含了图像的主要结构信息，而高频部分则包含了更多的细节。因此，对于低频分量，作者选择了DCT能量准则进行融合，这是因为DCT能有效地提取图像的能量分布，有利于保持图像的整体结构。而在压缩域内进行高频分量的融合，可以减少计算复杂性并提升融合效果。 实验部分，作者使用可见光和红外图像作为输入，对比了传统方法和本文提出的CS_NSCT融合方法。结果显示，CS_NSCT方法不仅提高了融合图像的质量，如熵值增大表示信息丰富度提高，标准偏差和平均梯度的增加意味着图像的对比度和细节层次得到了改善，而且在数据压缩方面也表现出优势。 这种基于NSCT和CS的图像融合方法结合了两种技术的优点，既考虑了图像的多尺度、多方向特性，又利用了信号稀疏性的压缩优势，从而实现了一种高效且高质量的图像融合方案，尤其适用于处理可见光和红外图像的融合场景。