基于改进CS-NSCT的图像融合提升多模态视觉效果

本文主要探讨了"基于NSCT变换和压缩感知的图像融合"这一主题，发表于2015年的西安科技大学学报，由吴延海、张烨和马孟新三位作者共同完成。NSCT（Non-subsampled Contourlet Transform）是一种多尺度、方向敏感的图像分解技术，它将图像分解成低频子带和多个不同方向的高频子带。然而，这些子带的稀疏性并非均匀，针对这一特性，研究者提出了一种改进的压缩感知（Compressive Sensing，CS）结合NSCT的图像融合方法。 首先，该方法对待融合的图像应用NSCT分解，这样能够充分利用图像的局部结构信息。然后，对于高频子带，采用了自适应压缩感知技术进行处理。压缩感知利用了信号的稀疏特性，即使在有限的采样数据下也能恢复图像，这对于减少数据量具有显著优势。通过压缩域内的融合，可以保留更多的细节信息，再通过重构过程，保持图像的质量。 对于低频子带，研究人员采用了DCT（Discrete Cosine Transform）的能量准则进行融合，这是基于频域信息的另一种融合策略，能够有效地增强图像的均值和纹理一致性。最后，融合后的高低频分量再次通过NSCT重构，实现了对原始图像的完整重构。 实验结果显示，这种方法不仅显著降低了数据量，而且提高了图像的熵值、标准偏差和平均梯度等关键图像质量指标。这些提升表明，改进的CS_NSCT融合方法在保持图像细节的同时，优化了图像的整体视觉效果。因此，该研究成果对于图像处理领域，特别是在数据压缩和多模态图像融合方面具有实用价值。关键词包括图像融合、压缩感知、非下采样轮廓let变换和可见光、红外图像处理，反映了研究的焦点和应用背景。