鲁棒主成分分析与非下采样轮廓波变换在红外与可见光图像融合中的应用

"该文提出了一种新的红外与可见光图像融合方法，结合鲁棒主成分分析(RPCA)、压缩感知(CS)和非下采样轮廓波变换(NSCT)技术，旨在解决传统融合算法中图像对比度下降、清晰度不足和细节丢失的问题。通过RPCA分解源图像得到稀疏和低秩分量，使用结构随机矩阵进行压缩采样，再用GG-DCI进行融合，然后在NSCT域中对低频和高频子带分别采用不同的融合策略，最终得到高质量的融合图像。实验结果证明，这种方法在提高对比度、保持清晰度和保留细节方面表现优越，客观评价指标也优于现有算法。" 文章详细介绍了如何利用RPCA、CS和NSCT来优化红外与可见光图像的融合过程。RPCA是一种有效的矩阵分解方法，它可以将图像分解为一个稀疏分量（代表图像中的突变和细节信息）和一个低秩分量（代表背景信息）。在融合过程中，先对源图像进行预增强，然后使用RPCA分解，获取图像的关键信息。 接着，文章引入了压缩感知理论，通过对稀疏分量进行结构随机矩阵的压缩采样，再利用高斯梯度-信息反差对比度(GG-DCI)进行融合，这是一种基于图像局部梯度和对比度的信息融合策略，有助于提升融合图像的细节和对比度。通过正交匹配追踪法(OMP)对压缩后的数据进行重构，保证了信息的准确恢复。 在非下采样轮廓波变换(NSCT)域中，低秩分量被进一步分解为低频和高频子带。低频部分采用了区域能量-直觉模糊集(RE-IFS)融合，这种融合策略考虑了区域的能量和模糊集合的特性，有利于保持图像的整体结构。对于高频子带，最高频部分使用最大绝对值规则融合，以强化边缘和纹理信息；其余高频子带则应用自适应高斯区域方差融合，确保了不同区域的融合适应性。 最后，将融合后的稀疏分量和低秩分量进行叠加，生成最终的融合图像。实验结果证明了该方法的有效性，不仅提高了融合图像的对比度和清晰度，还成功地保留了丰富的细节纹理信息，优于传统的融合算法。此外，该方法还具有较好的客观评价指标，如对比度、结构相似度(SSIM)和视觉质量(VQI)等，显示其在红外与可见光图像融合领域的优越性能。因此，该研究为红外与可见光图像融合提供了一种新的有效途径，对于实际应用具有重要意义。