非下采样剪切波变换与压缩感知结合的图像融合新方法

本文主要探讨了一种基于非下采样剪切波变换（NSST）的压缩感知（CS）与区域特性相结合的图像融合方法，适用于多聚焦图像和多模态医学图像融合，旨在提高图像质量和信息完整性。 正文: 图像融合是图像处理中的一个重要分支，它通过综合多源图像的信息，生成具有更丰富细节、更高清晰度和更符合人类视觉系统的融合图像。在科研、医疗、遥感等领域有着广泛的应用。近年来，随着图像处理技术的发展，对图像融合的要求越来越高，尤其是在处理大数据量和有限存储计算条件下。 非下采样剪切波变换（Non-Subsampled Shearlet Transform, NSST）是一种高效的多分辨率分析工具，能够捕获图像的多方向和几何特性，因此在图像处理中具有显著优势。该文提出的融合方法首先利用NSST对源图像进行多尺度、多方向的分解，这一步骤有助于揭示图像的层次结构和局部特征。 在分解后，低频子带系数被采用区域能量和区域方差加权的自适应融合策略处理。这种方法考虑了图像的局部特性，使得融合后的图像能更好地保留原始图像的重要结构信息。而高频子带系数因其高度稀疏性，通过高斯随机测量矩阵进行压缩处理，再利用压缩感知理论中的绝对值取大策略进行融合，这一过程减少了数据量，同时保持了高频细节。 压缩感知（Compressed Sensing, CS）理论是现代信号处理的一个重要突破，它允许以低于奈奎斯特定理所需的数据量来恢复信号。在本文的图像融合方法中，CS理论用于高效地处理高频信息，降低了计算复杂度，同时也提高了融合效率。 接着，通过正交匹配追踪（Orthogonal Matching Pursuit, OMP）算法对压缩后的高频系数进行重构，进一步确保了重构图像的质量。最后，通过NSST的逆变换得到最终的融合图像。 实验结果表明，这种结合NSST、CS和区域特性的图像融合方法在主观视觉效果和客观评价指标上均优于传统融合方法，证明了其在图像融合领域的优越性能和实用性。 该研究为图像融合提供了新的思路，通过结合NSST的多尺度分析能力、CS的高效数据压缩以及区域特性分析，提高了图像融合的质量和效率，对多焦点图像和多模态医学图像处理有重要的实践价值。