融合图像WDR基于稀疏表示的多分辨率奇异值分解压缩

沙特国王大学学报一种基于稀疏表示的融合图像WDR编码Ankita Vaish，Saumya Patel部Banaras Hindu University，Varanasi India-221005阿提奇莱因福奥文章历史记录：收到2021年2022年1月7日修订2022年2月4日接受2022年2月24日在线提供保留字：图像压缩图像融合多分辨率奇异值分解小波差分约简稀疏表示A B S T R A C T提出了一种基于多分辨率奇异值分解（MSVD）的融合图像稀疏表示压缩方法。这项工作的主要思想是使用MSVD识别重要和不太重要的细节。核心信息融合采用绝对最大值规则，而较不重要的信息融合采用稀疏表示。融合后的重要信息采用小波差分压缩编码进行压缩。另一方面，融合的较低的重要信息使用量化和霍夫曼编码进行压缩。在接收端，利用所提出的恢复算法得到融合图像。所提出的技术的优越性，可以分析从所提出的工作与一些相关的工作比较版权所有©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在当今由于大量的图像采集系统的融合是将同一场景的两幅或多幅图像的互补信息融合后的图像比原始图像信息量更大。如今，图像融合技术被应用于诸如医学成像、遥感等的各种领域。有效地提取了原始图像中的在图像融合中，基于多尺度变换（MST）的融合方法是一种非常流行的方法。基于MST的方法的固有特征有助于识别变换域中的重要信息和研究人员已经提出了许多基于MST的方法，诸如拉普拉斯金字塔（LP）（Burt和Adelson，1983）、低通金字塔比率（RP）（Toet，1989）、离散小波变换（DWT）（Li等人，1995）、双树复小波变换（DTCWT）（Lewis等人，2007）和曲波变换（CVT）（Nencini等人，2007年）。Yang等人（2020）给出了一种用于可见光和红外图像的融合技术，其中多尺度*通讯作者：系Banaras Hindu University，Varanasi 221005，India.电子邮件地址：av21lko@gmail.com（A. Vaish）。提出了一种分解过程和细节注入模型以分别分解源图像和融合细节层。无论基于MST的方法如何，稀疏表示都是一种以有效方式找到重要信息的新方法。它需要非常少的非零系数来重建原始图像。稀疏表示使用过完备字典，这决定了信号的表示能力。首先，Yu等人（2011）将联合稀疏表示的概念应用于图像融合，其中稀疏系数被用作图像的共同特征。此后，Zhang et al. （2021）提出了一种基于引导滤波和稀疏表示的图像融合算法，在此算法中采用卡通组件来表现背景和主要结构细节。利用过完备卡通字典和改进的正交匹配追踪（OMP）进行稀疏表示。Ma et al.（2019）给出了一种基于稀疏表示和最优理论的图像融合方案，其中使用K均值奇异值分解来获得源图像的自适应字典，在这项工作中，通过将自适应字典和固定字典结合在一起来创建联合字典。利用联合字典得到互补稀疏系数和冗余系数。然后，利用最优化理论对互补系数进行融合。Shahdoosti和Mehrabi（2018）介绍了一种基于Tetrolet域稀疏表示的图像融合算法，该算法借助不同的活动性测量算法提取Tetrolet子带的显著特征。在这项工作中，稀疏非混合https://doi.org/10.1016/j.jksuci.2022.02.0021319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA. Vaish和S. 帕特尔沙特国王大学学报6166并且增广拉格朗日分类器用于对块进行分类以进行系数选择。此外，为了避免阻塞伪影，已经使用了循环纺丝技术Zong和Qiu（2017）给出了一种用于医学图像的图像融合方案，其中将源图像划分为块，这些块用于通过在线学习字典算法来训练字典最小角度回归算法被用于每个块的稀疏表示。最后将稀疏块和相应的字典结合起来重建图像。 Zhu等人（2020）给出了一种基于双变量二维经验模式分解（B-BEMD）和稀疏表示的图像融合技术，其中B-BEMD用于将分量分离为高频和低频。然后对高频分量进行最大绝对值合并，并采用精心设计的基于稀疏表示的方法刘等人（2015）给出了一种基于MST和稀疏表示的图像融合算法，该算法通过同步正交匹配追踪（SOMP）获得源图像的稀疏系数，并利用稀疏系数的非零值作为源图像的共同特征。Aishwarya和BennilaThangammal（2018）介绍了一种基于稀疏表示和修正空间频率的图像融合技术，其中自适应字典学习方法用于获得源图像的稀疏表示，修正空间频率用于获得图像块的结构Zhang等人（2020）介绍了一种多聚焦图像融合技术，其中生成紧凑的非负字典以获得信号的稀疏表示，并引入块级一致性校正方法以减少伪影。Xing等提出了另一种基于泰勒展开的融合技术。（2020），其中采用泰勒展开将信号分解成偏差和能量分量。平均规则用于融合能量分量和具有梯度惩罚的卷积稀疏表示以组合偏差部分。Zhang等人（2020）提出了一种利用源图像块的突出特征的算法。该方法采用一种改进的分析稀疏表示技术来测量源图像的背景和照度，并采用最大l1范数来产生融合图像。Ma et al.（2019）提出了一种基于稀疏表示和最优理论的图像融合算法，其中通过最优理论融合源图像的稀疏系数。图像融合在医学成像领域中有着非常重要Wang等人提出了一种新的医学图像融合方法。（2020），其中使用拉普拉斯金字塔将源图像分解为不同大小的四层，然后采用自适应稀疏表示将图像融合为四层。Li等人（2021）介绍了一种医学图像融合技术，其中应用分段图滤波器将源图像分解为基本部分和细节部分。在此之后，稀疏表示与学习字典被用来融合的细节部分和基本部分融合的活动测量的信息。最后，将细节部分和基础部分合并，得到最终的融合图像。Maqsood和Javed（2020）提出了一种基于双尺度分解和稀疏表示的医学图像融合方案，该方案首先增强图像的对比度以提取边缘信息，然后将增强后的图像分解为基层和细节层。基于稀疏表示的图像融合方法应用于细节部分，平均应用于基础部分。大多数信号在变换中具有稀疏性在图像融合领域，由于计算量小，研究者们在压缩感知视觉成本和高感知图像质量。Yang和Yang（2013）提出了一种基于压缩感知的图像融合方法，该方法利用离散小波变换（DWT）获得源图像的稀疏表示，然后利用随机高斯测量矩阵测量稀疏系数，再利用自适应局部能量度量对测量值进行积分。此外，Liu等人（2015）给出了一种基于CS的可见光和红外图像融合技术，其中使用DWT来获得源图像的稀疏表示。分别采用改进的熵融合和基于最大绝对值的图像融合规则对高频系数和低频系数进行融合，并采用压缩采样匹配追踪（CoSaMP）算法对融合后的图像进行重构。Jiang等人（2018）介绍了一种基于加权最小二乘滤波器和稀疏表示的图像融合技术，其中采用加权最小二乘滤波器将信号分解为低频和高频。低频层融合的拉普拉斯金字塔和稀疏表示的帮助下。对高频层采用最大绝对融合规则进行融合。Xiang等人（2017）给出了一种具有块稀疏表示和在线字典学习（ODL）的图像融合方案，其中ODL用于在源图像块的帮助下学习字典。然后利用该字典获得源图像块的稀疏表示.融合规则采用最大值选择法和加权平均法。Xiao等人（2017）介绍了一种基于压缩感知的图像融合算法，其中使用DWT融合源图像，然后在CS的帮助下对融合图像进行采样，其中DCT用于信号的稀疏此后，测量值也在块间操作和块内操作的帮助下被重新加密。Tong和Chen（2017）给出了一种基于CS的图像融合算法，其中逐步使用Shearlet变换和小波变换来获得信号的稀疏表示。本文将压缩感知应用于稀疏数据，降低了图像融合的计算复杂度。Ashwini和Amutha（2018）给出了一种基于CS的图像融合算法，其中使用从自然图像中学习的字典来融合图像，然后使用相同的字典作为基矩阵来使用CS理论压缩融合图像。Zhou和Zeng（2017）介绍了一种基于CS和多特征融合的图像融合技术，用于有效检索3D形状，其中三种新特征CSChebyshev ray（CSCR），CS空间层次（CSSH）和扩展高斯球（EGS）分别用于表示体积张量，分层细节和统计空间分布。为了更好地利用这些特征，使用监督学习算法来确定加权系数。Yin等人（2015）给出了一种基于CS的图像融合方案，该方案采用非下采样Contourlet变换将源图像分解为低通和高通子带，然后使用双层脉冲耦合神经网络融合低通子带，并采用基于边缘保持的积分规则整合高通带。然后利用压缩感知理论对融合后的稀疏系数进行测量，并利用CoSaMP算法进行重构。Nirmalraj和Nagarajan（2020）给出了一种基于CS的可见光和红外图像融合算法，其中对测试图像进行DWT以获取低频和高频子带。低频子带通过最大绝对融合规则和深度学习网络进行融合用于找到高通子带的活性测量。最后采用优化的正交匹配追踪算法进行重建。Li等人Li等人（2018）提出了一种基于压缩感知和鲁棒性的A. Vaish和S. 帕特尔沙特国王大学学报6167×××½ ×]qpFGXJJ jj j - jfgD;fagP×××¼×ðÞ 1/4升I¼I¼I¼主成分分析（RPCA），其中RPCA用于可见光和红外图像，以在低通其中，U的大小为4 4，S为4XY= 4，矩阵T计算为：稀疏矩阵Fu等人提出了一种基于分布式CS（DCS）的多聚焦图像融合技术。（2020年），其中，T¼UT I1ð2Þ通过比较方差得到低频和高频图像，并使用DCS重建高频图像。之后，决策图被用来获得融合图像。利用高斯度量矩阵对红外和可见光图像的稀疏系数进行度量，并采用基于标准差的融合规则对稀疏系数进行融合。使用最大绝对规则融合低通系数。所做的工作是巨大的，在图像融合领域使用CS。但从文献中分析，大多数研究者给出的技术要么基于多尺度变换（MST），要么基于稀疏表示/压缩感知（CS），适用于多聚焦、医学或可见光-红外图像。因此，在这项工作中，稀疏编码的显着特点进行了探索，结合多分辨率奇异值分解（MSVD），以提供良好的融合图像的质量与减少的数据大小。该框架适用于不同类型的图像，如多聚焦，医学和可见光-红外图像。本文提出了一种基于稀疏表示的MSVD域同步融合压缩技术。MSVD的显著特征有助于识别变换域中的重要和不重要信息。对于融合，使用现有技术的方法合并重要信息，而使用稀疏融合融合不太重要的信息。重要部分包含了图像的大部分有用信息，因此使用绝对最大值规则对这部分进行融合有助于保留有用信息。不太重要的部分具有关于源图像的非常小的细节，可以使用稀疏融合来融合。对不太重要的数据的稀疏融合有助于提供稀疏数据，同时使用非常少的系数重建信号。此外，执行融合的有效信息和较低有效信息的比特率降低处理。在融合的有效部分上执行几乎无损的压缩，而较低有效部分由于稀疏融合而现在具有更多的零，因此粗略地量化和编码该部分有助于节省更多的比特，而不会在重构图像中丢失任何显著的信息。论文的其余部分组织如下：第2节解释了所提出的工作的相关理论，第3节讨论了所提出的同步融合压缩（SFC）方案。在第4节中讨论了所提出的工作相对于最先进方法的优势。第5节给出了所提出的SFC方案的实验结果，并与现有的一些工作进行了比较分析，最后在第6得出结论。2. 相关工作2.1. 多分辨率奇异值分解大小为XY的输入图像I的奇异值分解（SVD）（Kamm，1998）可以被定义为A USV T，其中U和V是大小为X的正交矩阵X和YY分别和S 是一个对角矩阵，其奇异值排列在降序排列为 了 获 得 大 小 为 X×Y 的 图 像 I1 的 MSVD （ Malini 和 Moni ，2015）;I可以重新整形以获得大小为4×XY= 4的矩阵I1，然后I1的SVD可以定义如下：½U;S]¼SVDI11其中，T是大小为4XY= 4的矩阵。现在，矩阵T的第一到第四行被重新整形以获得大小为X=2Y= 2的子矩阵，重新整形的矩阵可以被表示为LL、LH、HL和HH子带。LL子带包含低频细节，而LH、HL和HH子带包含高频细节。这些子带（LL;LH;HL和HH）在这项工作中被用来找到MSVD域中的重要和不太重要的信息。2.2. 词典学习过程稀疏编码的信号表示能力是通过超完备字典来实现的。基本上，有两种描述字典的方法。第一种方法是通过分析方法，如离散余弦变换（DCT）。这种类型的字典不适用于任意的信号族。描述字典的第二种方式是通过机器学习（ML）方法。在基于ML的方法中，大量的训练图像块用于实现字典。设P个大小ðnÞ×在Rn空间中，n个向量重新排列成一个列向量。因此，训练数据库fyigP1可以用属于Rn的每个补丁yi来构造。字典学习过程可以定义为：Pminai0s：t：yiDx i

下载后可阅读完整内容，剩余1页未读，立即下载