亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于CS測量矩陣優(yōu)化的圖像融合

        2014-05-10 01:45:16孫永明
        液晶與顯示 2014年3期
        關(guān)鍵詞:重構(gòu)矩陣測量

        孫永明,吳 謹,劉 勁

        (武漢科技大學(xué) 信息科學(xué)與工程學(xué)院,湖北 武漢 430081)

        1 引 言

        圖像融合是將多個傳感器獲得的某一場景的多幅圖像進行綜合,以獲得信息更豐富、更符合人眼視覺特性或更適于計算機處理的新圖像。其應(yīng)用已遍及機場導(dǎo)航、安全監(jiān)控、醫(yī)學(xué)成像與診斷、機器視覺、智能交通、工業(yè)過程及軍事等領(lǐng)域。當前大多數(shù)圖像融合研究工作主要集中在像素級,像素級圖像融合存在中間環(huán)節(jié)數(shù)據(jù)量大、存儲空間大、實時性差等缺點?;趬嚎s感知(Compressed Sensing,CS)的圖像融合技術(shù)由于其只對少量的采樣數(shù)據(jù)進行分析處理,解決了中間環(huán)節(jié)數(shù)據(jù)量大的問題。

        目前國內(nèi)外對基于壓縮感知的圖像融合中的采樣模式、測量矩陣設(shè)計、重構(gòu)算法以及融合規(guī)則問題進行了探索研究。文獻[1]比較了3種壓縮采樣模式對壓縮感知重建性能的影響,并進行了圖像融合仿真實驗,在采樣率為50%時仍有較好的融合結(jié)果。文獻[2]提出了一種基于雙放射狀采樣模式的壓縮感知圖像融合算法,在相同采樣率下比單放射狀采樣模式的融合效果要好。文獻[3]提出了一種基于特征值分解減小Gram矩陣的整體互相關(guān)系數(shù)的測量矩陣優(yōu)化方法,在優(yōu)化速度和重建效果方面都有一定的優(yōu)勢。由于高斯隨機測量矩陣硬件實現(xiàn)起來比較困難。因此,設(shè)計一種易于硬件實現(xiàn)的測量矩陣是基于CS圖像融合的重要問題。

        測量矩陣主要有高斯隨機矩陣、循環(huán)矩陣和哈達瑪矩陣。其中高斯隨機矩陣最為常用,但由于其不確定性使得硬件實現(xiàn)比較困難;循環(huán)矩陣利于存儲和硬件實現(xiàn),但是效果較差,需要對其進行優(yōu)化;哈達瑪矩陣效果最好且易于硬件實現(xiàn),但N 必需滿足N=2k,k=1,2,3…,限制了其應(yīng)用范圍。針對以上問題,本文設(shè)計了一種由-1,0和1構(gòu)成的測量矩陣,并對其進行優(yōu)化,其優(yōu)點是易于硬件實現(xiàn),重構(gòu)效果較好且不受圖像大小限制。

        2 壓縮感知基本原理

        壓縮感知理論是Candes、Donoho和Tao等人于2004年提出的一種新的信息獲取理論,與傳統(tǒng)的壓縮如文獻[4]中所述的壓縮有所不同,其核心思想是在信號采樣的同時實現(xiàn)信息的壓縮,它突破了奈奎斯特2倍最低采樣頻率的限制。該理論指出,若信號在某個變換域是稀疏的或可壓縮的,就可以利用與變換矩陣非相關(guān)的測量矩陣將變換系數(shù)投影為低維觀測向量。這種投影保持了重建信號所需的信息,通過進一步求解稀疏最優(yōu)化問題就能夠從低維觀測向量精確地或高概率地重建原始高維信號。因此,將壓縮感知理論用于圖像融合,在壓縮域?qū)ι倭康木€性測量值進行融合,然后對融合的測量值進行重構(gòu),這在很大程度上減少了數(shù)據(jù)量和對存儲空間的需求。

        假設(shè)圖像信號X∈RN×N,它的稀疏基為Ψ∈CN×N,ΨΨH=ΨHΨ=I,其中I為單位矩陣。利用稀疏基Ψ對X進行稀疏變換,可以得到X在Ψ域的等價表示Θ=ΨX。

        對X稀疏變換后,需要設(shè)計一個合理的測量矩陣Φ∈ZM×N,M<N,實現(xiàn)對信號X的觀測取樣,獲得觀測值Y,其大小為M×N。即:

        測量矩陣設(shè)計的目的是如何采樣得到M個觀測值,并保證從少量觀測值中有效重構(gòu)出長度為N的高維度信號X,或其等價表示Ψ域下的稀疏向量值。由于觀測集合Y的數(shù)量小于原始信號X的維數(shù),因此重構(gòu)信號X變成了一個求解欠定性方程組的問題,不易求解。但當Φ×Ψ滿足有限等距特性(Restricted Isometry Property,RIP)[5-6]時,欠定性方程組的求解問題可轉(zhuǎn)化為l0范數(shù)的最優(yōu)化求解問題:

        RIP給出了上式高概率重構(gòu)的條件。因此,Φ×Ψ必須滿足RIP條件。而Φ×Ψ是否滿足RIP條件由Φ和Ψ間的相關(guān)性決定,如果不相關(guān),則Φ×Ψ 具有RIP性質(zhì)的概率很高[7]。CS理論的框架如圖1所示。

        圖1 CS理論框架Fig.1 CS theoretical framework

        3 測量矩陣設(shè)計與優(yōu)化方法

        設(shè)D=ΦΨ,其中Φ為測量矩陣,Ψ為稀疏變換矩陣。設(shè)D~表示對D進行列單位化之后的矩陣,則稱G=D~TD~為 Gram 矩陣[8]。為了達到較好的重構(gòu)效果,測量矩陣Φ和稀疏變換矩陣Ψ的相關(guān)性必須要小,即使得D=ΦΨ有很小的列相關(guān)系數(shù),即Gram矩陣的非對角線元素盡可能為零。互相關(guān)系數(shù)μ可以定義為Gram矩陣所有非對角線元素的絕對值之和,即

        其中:g(i,j)是 Gram 矩陣的元素。

        本文對測量矩陣的優(yōu)化采用模擬退火法,該方法減小互相關(guān)系數(shù)的核心思想是:按一定的規(guī)則改變測量矩陣的每一個元素值,求得改變后相應(yīng)的互相關(guān)系數(shù);如果互相關(guān)系數(shù)變小,則以一定的概率p(本文中p=0.5)改變該元素值;否則,保持不變。

        Φ生成算法具體步驟如下:

        步驟1:生成一個只含有-1、0和1的向量a,長度為N;

        步驟2:對向量a以步長1循環(huán)移位N次得到向量序列a1,a2…aN得到初始測量矩陣Φ=[a1,a2…aN]T,大小為 N×N;

        步驟3:根據(jù)式(3)計算 Gram 矩陣G=D~TD~的相關(guān)系數(shù)μ0;

        步驟4:依次將0變?yōu)?求得相應(yīng)Gram矩陣的相關(guān)系數(shù)μ1,將0變?yōu)椋?求得相應(yīng)Gram矩陣新的相關(guān)系數(shù)μ-1;令μnew=min(μ1,μ-1),如果μnew大于μ0,保持0值不變;否則,如果μ1小于μ-1,將0變?yōu)?,如果μ1大于μ-1,將0變?yōu)椋?。

        4 基于壓縮感知的圖像融合

        基于壓縮感知圖像融合的核心思想是在壓縮域?qū)ι倭康臏y量值進行融合,然后對融合得到的測量值進行重構(gòu),以達到減小中間計算量的目的。

        本文基于壓縮感知的圖像融合方案:

        (1)對兩幅源圖像f1和f2分別進行小波變換,得到小波系數(shù)F1和F2;

        (2)分別對其小波系數(shù)F1和F2進行測量取值,得到測量值Z1和Z2;

        (3)按照系數(shù)絕對值取大法進行融合,得到融合后的測量值Z;

        (4)采用正交匹配追蹤 (Orthogonal Matching Pursuit)算 法[9]重構(gòu)出融合后的小波系數(shù)F;

        (5)進行小波逆變換,得到融合后的圖像f。其框圖如圖2所示。

        圖2 基于CS圖像融合框圖Fig.2 Image fusion framework based on CS theory

        5 實驗仿真

        5.1 測量矩陣設(shè)計及優(yōu)化實驗

        選取標準Lena圖像(256×256),由3中所提出的方法構(gòu)造出大小為190×256的測量矩陣,測量矩陣優(yōu)化前后的重構(gòu)圖像峰值信噪比(PSNR)如圖3所示。

        圖3 優(yōu)化前后PSNR值Fig.3 PSNR values before and after optimization

        優(yōu)化前后重構(gòu)圖像PSNR的均值μ和方差σ如表1所示。重構(gòu)圖像的平均PSNR較優(yōu)化前提高了8.232 5dB。方差近似為零表明優(yōu)化后的該測量矩陣能保證圖像具有較穩(wěn)定的重構(gòu)結(jié)果。

        表1 優(yōu)化前后PSNR的均值和方差Tab.1 Mean value and variance of PSNR before and after optimization

        5.2 圖像融合實驗

        實驗選取大小為512×512的Clock和Pepsi左右聚焦圖像,采樣率為50%的情況下,分別用高斯測量矩陣和本文測量矩陣進行CS圖像融合,得到融合圖像的峰值信噪比(PSNR)、空間頻率(SF)、平均梯度(G)[10]如表2和表3所示,融合效果如圖4和圖5所示。從實驗結(jié)果數(shù)據(jù)和融合效果圖都可以可以看出,本文測量矩陣基本能夠達到高斯測量矩陣的性能,取得了較好的融合效果。

        圖4 Clock圖像融合結(jié)果Fig.4 Fusion results of Clock image

        表2 Clock圖像融合評價指標Tab.2 Evaluation index of Clock image fusion

        表3 Pepsi圖像融合評價指標Tab.3 Evaluation index of Pepsi image fusion

        圖5 Pepsi圖像融合結(jié)果Fig.5 Fusion results of Pepsi image

        6 結(jié) 論

        針對隨機測量矩陣的不確定性和硬件實現(xiàn)難度大的問題,本文設(shè)計的測量矩陣僅含有-1、0和1三個值,其優(yōu)點是易于硬件實現(xiàn)。實驗結(jié)果表明,經(jīng)過優(yōu)化后的該測量矩陣取得了不錯的重構(gòu)效果。將該測量矩陣用于基于壓縮感知的圖像融合,在采樣率僅為50%的情況下仍能取得較好的融合效果。

        [1] Wan T,Canagarajah N,Achim A.Compressive image fusion [C]//Processing of the International Conference on Image Processing,California,USA:IEEE Press,2008:1308-1311.

        [2] 黃曉生,戴秋芳,曹義親一種基于小波稀疏基的壓縮感知圖像融合算法[J].計算機應(yīng)用研究,2012,29(9):2581-2583.Huang X S,Dai Q F,Cao Y Q.Compressive sensing image fusion algorithm based on wavelet sparse basis [J].Application Research of Computers,2012,29(9):2581-2583.(in Chinese)

        [3] 趙瑞珍,秦周,胡紹海.一種基于特征值分解的測量矩陣優(yōu)化方法[J].信號處理,2012,28(5):653-657.Zhao R Z,Qin Z,Hu S H.An optimization method for measurement matrix based on eigenvalue decomposition[J].Signal Processing,2012,28(5):653-657.(in Chinese)

        [4] 殷亞男,王曉東,李丙玉.基于預(yù)測和JPEG2000的MODIS紅外輻射多光譜圖像無損壓縮算法[J].液晶與顯示,2013,28(6):922-926.Yin Y N,Wang X D,Li B Y.Lossless compression method based on prediction and JPEG2000for MODIS emissive IR bands multispectral image[J].Chinese Journal of Liquid Crystals and Displays,2013,28(6):922-926.(in Chinese)

        [5] Donoho D.Compressed sensing[J].IEEE Transactions on Information Theory,2006,52(4):1289-1306.

        [6] Candes E,Tao T.Robust uncertainty principles:exact signal reconstruction from highly incomplete information[J].IEEE Transactions on Information Theory,2006,52(2):489-509.

        [7] 鄭萬澤,何勁,魏星,等.基于Contourlet變換的圖像壓縮感知重構(gòu)[J].計算機工程,2012,38(12):194-196.Zheng W Z,He J,Wei X,et al.Image compressive sensing reconstruction based on contourlet transform [J].Computer Engineering,2012,38(12):194-196.(in Chinese)

        [8] Abolghasemi V,F(xiàn)erdowsi S,Sanei S.A gradient-based alternating minimization approach for optimization of the measurement matrix in compressive sensing[J].Signal Processing,2012(92):999-1009.

        [9] Needell D,Vershynin R.Uniform uncertainty principle and signal recovery via regularized orthogonal matching pursuit[J].Foundations of Computational Mathematics,2007,9(3):317-334.

        [10] 傅瑤,孫雪晨,薛旭成,等.基于非下采樣輪廓波變換的全彩色圖像與多光譜圖像融合方法研究[J].液晶與顯示,2013,28(3):429-433.Fu Y,Sun X C,Xue X C,et al.Panchromatic and multispectral image fusion method based on nonsubsampled contourlet transform [J].Chinese Journal of Liquid Crystals and Displays,2013,28(3):429-433.(in Chinese)

        猜你喜歡
        重構(gòu)矩陣測量
        長城敘事的重構(gòu)
        攝影世界(2022年1期)2022-01-21 10:50:14
        把握四個“三” 測量變簡單
        滑動摩擦力的測量和計算
        北方大陸 重構(gòu)未來
        滑動摩擦力的測量與計算
        北京的重構(gòu)與再造
        商周刊(2017年6期)2017-08-22 03:42:36
        論中止行為及其對中止犯的重構(gòu)
        初等行變換與初等列變換并用求逆矩陣
        測量
        矩陣
        南都周刊(2015年4期)2015-09-10 07:22:44
        日韩精品一区二区三区四区| a黄片在线视频免费播放| 五月色婷婷丁香无码三级| 欧美黑人xxxx又粗又长| 日本免费不卡一区| 美女露屁股无内裤视频| 国产又黄又大又粗视频| 久久老子午夜精品无码| 青青操视频手机在线免费观看| 亚洲欧美综合精品成人网站| 国产成人精品日本亚洲11| 久久精品免视看国产盗摄 | 狠狠躁夜夜躁无码中文字幕| 中文字幕人妻丝袜成熟乱| 午夜一区二区在线视频| 日韩精品免费一区二区三区观看| 377p日本欧洲亚洲大胆张筱雨| 日日人人爽人人爽人人片av| 91精品国产色综合久久不| 日韩亚洲精品中文字幕在线观看 | 青青草免费手机视频在线观看| 成年无码av片在线| 免费中文熟妇在线影片| 国产在线视频一区二区三| 欧美大胆性生话| 欧美日韩不卡视频合集| 国产一区二区三区av免费观看| 久久精品亚州中文字幕| 女人被男人躁得好爽免费视频| 最新国产精品亚洲二区| 亚洲最大不卡av网站| 精品精品国产自在97香蕉| 日本一区二区精品88| 精品少妇白浆一二三区| 内射白浆一区二区在线观看| 97久久天天综合色天天综合色hd| 第九色区Aⅴ天堂| 亚洲高清一区二区三区在线播放 | 亚洲av日韩精品久久久久久| 国产成人夜色在线视频观看| 久久国语露脸国产精品电影|