基于稀疏表示的WMSN红外和可见光图像融合.pdf

《基于稀疏表示的WMSN红外和可见光图像融合.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、958ComputerEngineering&Science计算机工程与科学2014，36(5)来越广泛。但是，在使用WMSN进行监测的过程S．t．Ds：一；一1，2，⋯，J(1)中，需要传输大量的图像数据，而其网络能量受限；其中，xK的矩阵D为超完备字典，通常情况下同时，外界环境的变化(如低照度、雨雾环境)导致K≥；为第J幅图像的第i个图像块按列展开采集的图像含有大量的高斯噪声，WMSN不能进得到的列向量；Il。表示向量：的L。范数，即向行全天候高质量的图像采集，因而需要对其进行必量s：的非零个

2、数。要的图像处理。2．1超完备字典构建在监测过程中，因为红外图像具有较强的目标识别能力，不受光照、烟雾等条件限制，但图像信噪字典的设计和产生是超完备稀疏表示理论的比低、背景信息不充分[3]；而可见光图像清晰度一重要研究内容之一。超完备字典仅使用表示系数般较高，能够反映目标场景的细节信息，与人眼视的少数非零值即可捕捉图像内在结构，在很大程度觉特性吻合，但在被遮挡或照度不佳的情况下，对上决定了图像结构特征能否被有效地表示[6]。比度较低，目标特征不明显。为了保证监测的可靠目前有两种方法获得超完备字典：

3、一是采用多性，可以同时采集红外图像和可见光图像，并利用种变换基构造超完备字典，其数学模型简单，自适图像融合技术进行红外、可见光图像的融合，这样应性不强；二是通过学习、训练样本来获得超完备可得到对目标场景更为精确、全面的分析和判字典，如K—SVD[、PCA[、MODc。等训练方法。决_4]。将此技术运用于WMSN监测网络，不仅可WMSN监测中，采集的红外和可见光图像存在大以在一定程度上降低网络传输数据量，也能实现全量的边缘、纹理等细节信息特征。而且，在低照度天候的图像采集。或雨雾等条件下采集的红外和

4、可见光图像会存在目前，红外和可见光图像融合的主要方法有两高斯等噪声，图像会出现严重退化，不能满足wM—类：空域融合和变换域融合。空域融合方法主要是SN图像的质量要求。而从文献[10～12]可以看进行像素平均，该方法操作简单，但会导致融合图出，K—SVD字典训练算法可在同一原始字典上同像对比度降低。变换域融合方法是先对源图像进时实现多类图像的稀疏估计与去噪，对含噪图像具行某种变换，再把这些变换系数作为融合算子进行有较好的去噪鲁棒性；算法非常灵活，可与多种稀融合处理。疏分解最优原子搜索算法结合使用。但

5、是，此过程只是对变换系数进行操作，任何故采用K—SVD训练算法在初始化字典DCT一个系数的改变都有可能引起所有像素值的变化。上同步更新字典与稀疏系数，大致过程如下：同时，这两类方法都没有充分利用图像的结构特征从式(1)中已获取训练样本集P(多幅红外和和内在稀疏性，难以获得WMSN高质量的融合图可见光图像的联合矩)和稀疏系数矩阵s，且稀疏像。系数矩阵Js和字典D都是固定的，d是将要更新本文充分考虑WMSN图像的结构特征，采用的字典第k列，令稀疏系数矩阵s中d相应的第k具有全局性操作的稀疏逼近思想]，

6、提出一种基于行为，则由式(1)可知：稀疏表示的WMSN红外和可见光图像融合方法。K．．．仿真实验表明，该算法得到的融合图像在主观和客【IP一一lIP一∑ds一m一1观评价上都取得了较好的效果。I1(P～∑ds)一dksJ一lIE—d(2)卅≠一2WMSN图像的稀疏表示其中，乘积D8被分解成K个秩为1的矩阵和。设其中K一1项是固定的，所剩的一个即是要处理的第k个。矩阵代表的是去掉原子d的成分在所wMSN中采集的红外和可见光图像能够压缩，说明它们具有冗余性，因此可以在冗余字典上有f个训练样本中所造成的

7、误差。对其进行稀疏表示。为保证稀疏表示平移不变性，为了避免使用SVD时系数更新向量出现发首先必须对图像进行交叠采样，即通过一固定尺寸散，需要定义一个大小为j×lI的紧缩矩阵大小的滑动窗口将图像交叠采样为大小相同的图。其仅在((q)，q)处有值且为1，一{qf像块并按列展开。那么，WMSN图像在超完备字1≤q≤I，(q)≠o)为索引值的集合。因此，典中的稀疏表示可按照以下模型进行描述：一s，E一E，Ek为去掉不受原子d影；：一argminSIl0响的样本后所带来的误差。罗晖等：基于稀疏表示的WMSN

8、红外和可见光图像融合959对E做SVD分解可得E一UAV，其中U数，以此类推，可得每个图像块-厂个对应列向量的的第一列d为d的更新结果，同时可将V的第一稀疏系数向量。列与A(1，1)相乘来更新s。按照此方法将D逐列更新至最后一列，即可得到新的字典D。3基于稀疏表示的WMSN红外和可2．2稀疏分解方法见光图像融合在WMSN红外和可见光图像融合过程中，多幅源图像需要同步稀疏分解出来，如果采用MP3．1基于稀疏表示的图像融合框架(MatchingPursuit)或OMP(Orthogon