像素级压缩感知图像融合的论文

2012 基于压缩感知理论的图像融合方法

不同的是在测量前先对稀疏矩阵进行融合，从仿真结果来看效果并不是很好，仅做介绍。

2012 一种基于小波稀疏基的压缩感知图像融合算法

针对图像小波分解系数特点，提出了一种基于双放射状采样模式的压缩传感域图像融合算法。该算法首先通过双放射状采样模式获得待融合图像的小波稀疏域线性测量值; 然后利用一种简单的绝对值大融合规则直接在压缩感知域进行融合，最后通过最小全变分的方法重构融合图像。

直接对 CS 测量值采用绝对值最大作为融合规则。

2014 基于 DWT 的高频系数压缩感知图像融合

算法思想：

传统的基于 DWT 的压缩感知图像融合方法针对的是整个稀疏系数，由于小波系数的低频部分为非稀疏的，导致其压缩重构质量差。针对该问题，提出了一种基于 DWT 高频系数压缩测量的融合方法，该压缩模式可以提高重构信号的质量，进而提高融合图像的效果。首先，对图像作小波稀疏变换，得到低频和高频系数，并对高频系数压缩测量得到测量值；然后，在小波域和压缩域分别进行融合，并对融合后的测量值进行重构得到融合后的高频系数；最后，经小波逆变换得到融合后的图像。

第 1 步：对两幅源图像 f1和 f2分别进行小波稀疏第 1变换，得到小波稀疏系数[A1, G1]和[A2, G2]；

第 2 步：对低频系数 A1, A2 按照取平均的规则进行融合，得到融合后的低频系数 A；

第 3 步：分别对高频小波稀疏系数 G1和 G2进行测量取值，得到测量值 Z1和 Z2；

第 4 步：对测量值 Z1, Z2 按照绝对值取大的规则进行融合，得到融合后的测量值 Z；

第 5 步：对测量值Z采用OMP进行重构，得到融合后的高频稀疏系数 G；

第 6 步：对[A, G]进行小波逆变换，得到融合后的图像 f。

流程图：

2017 基于DWT-IRLS的压缩感知图像融合

算法思想：

首先对图像进行DWT转换,针对高频系数采样测量；然后对高频系数和低频系数进行融合，并且引入迭代权重最小二乘法（IRLS）算法，重构高频系数；最后经 DWT逆转换，得到融合图像。除重构方法与上述算法不同之外，其余都相同。

2015 基于NSCT与DWT的压缩感知图像融合

非下采样轮廓波变换NSCT具有良好的各向异性，但其对细节信息捕捉能力较差，而 DWT 具有较强的多分辨率和局部化特性，能较好地分解出图像的细节信息，

通常在将图像进行融合之前，需要先对图像进行多分辨率分析。其中，DWT和 NSCT是常用的两种多分辨率图像分析法。DWT 是对基本小波的尺度和平移进行离散化，具有多尺度性和局部性，能较好地捕捉到图像的局部细节信息。但 DWT 只能将图像进行有限方向的分解，无法有效地提取图像的边缘轮廓信息。Cunha 等人在轮廓波变（CT）[6]的基础上，去掉采样操作，提出了 NSCT。相对于小波变换，NSCT 增添了各向异性和平移不变性，能够分解出更多的方向信息。然而，NSCT 捕捉细节的能力较弱，容易遗漏图像的局部细节信息。