自适应融合规则的压缩感知图像融合算法

本文提出了一种改进的压缩感知图像融合方法，通过结合图像高频特征的自适应融合规则，解决了传统算法在处理高频分量时丢失空间信息的问题，从而提高融合图像的纹理细节和整体效果。 正文: 传统的基于压缩感知的图像融合方法在处理图像高频分量时，往往会出现空间信息的损失，仅仅依赖简单的融合规则，导致最终的融合图像在纹理细节等方面表现不佳。针对这一问题，该文提出了一种创新性的融合策略，它结合了图像的高频特征，并采用自适应融合规则来改善融合质量。 首先，新方法对需要融合的图像进行非下采样Contourlet变换（NSCT）。NSCT是一种多分辨率分析工具，可以将图像分解为多个子带系数，包括低频和高频部分。对于低频子带系数，论文采用了区域能量融合规则，这种处理方式相较于传统的低频系数处理，更有效地保留了源图像的背景信息，增强了图像的整体结构。 接下来，考虑到高频子带系数的稀疏特性，文章利用压缩感知（Compressive Sensing, CS）对其进行压缩。压缩感知是一种理论，能够在较少的观测数据下恢复信号，尤其适用于稀疏或近似稀疏的信号。通过压缩感知，可以降低数据的维度，同时保持重要的信息。在此基础上，该方法根据高频子带系数的标准差特征，自适应地选择合适的融合规则。标准差反映了各子带系数的离散程度，以此为依据的融合策略能够更好地捕捉图像的局部变化和细节。 最后，经过融合规则处理后的重构系数，再进行非下采样Contourlet逆变换，以得到最终的融合图像。实验结果证明，与传统的融合算法相比，这种方法不仅能够精确地提取红外目标，而且能够有效地保留可见光图像的细节，实现了对源图像背景信息和红外目标信息的平衡融合，显著提升了图像融合的效果和主观视觉感受。 该研究为图像融合领域提供了一种改进的解决方案，通过结合NSCT变换、压缩感知和自适应融合规则，有效地克服了传统方法的局限性，提高了图像融合的性能，特别是在保持细节和目标识别方面。这一工作对于图像处理、计算机视觉和遥感等领域具有重要的实践意义和理论价值。