基于改进CS-NSCT的图像融合提升多模态视觉效果
需积分: 9 108 浏览量
更新于2024-08-11
收藏 226KB PDF 举报
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。
2021-03-01 上传
2020-10-18 上传
2021-05-12 上传
2019-09-11 上传
2021-01-14 上传
weixin_38744902
- 粉丝: 9
- 资源: 933
最新资源
- SSM动力电池数据管理系统源码及数据库详解
- R语言桑基图绘制与SCI图输入文件代码分析
- Linux下Sakagari Hurricane翻译工作:cpktools的使用教程
- prettybench: 让 Go 基准测试结果更易读
- Python官方文档查询库,提升开发效率与时间节约
- 基于Django的Python就业系统毕设源码
- 高并发下的SpringBoot与Nginx+Redis会话共享解决方案
- 构建问答游戏:Node.js与Express.js实战教程
- MATLAB在旅行商问题中的应用与优化方法研究
- OMAPL138 DSP平台UPP接口编程实践
- 杰克逊维尔非营利地基工程的VMS项目介绍
- 宠物猫企业网站模板PHP源码下载
- 52简易计算器源码解析与下载指南
- 探索Node.js v6.2.1 - 事件驱动的高性能Web服务器环境
- 找回WinSCP密码的神器:winscppasswd工具介绍
- xctools:解析Xcode命令行工具输出的Ruby库