基于联合低秩稀疏分解的红外与可见光图像融合

为进一步提高红外与可见光融合图像的细节信息和整体对比度,降低伪影和噪声,考虑了红外与可见光图像的相关性,提出了一种基于联合低秩稀疏分解的红外与可见光图像融合方法。首先,利用联合低秩稀疏分解方法将红外和可见光源图像分别分解成共同低秩分量、特有低秩分量和特有稀疏分量;其次,利用非下采样Shearlet变换方法对特有低秩分量进行融合;然后,采用区域能量融合策略实现特有稀疏分量融合;最后,共有低秩分量与融合后的特有低秩分量和特有稀疏分量相加得到最终融合图像。在Nato-camp、Bristol Eden Project和TNO公共测试数据集上进行的实验测试了所提算法性能。实验结果表明,与其他9种融合方法相比,所提方法能够有效地提取红外图像中的目标信息和保留可见光图像的背景信息,熵、互信息、标准差、视觉信息保真度、差异相关系数之和和Q Y客观评价指标明显优于对比方法。

基于深度迭代网络的穿墙雷达成像方法

联合墙杂波抑制及图像重建迭代求解方法为当前较前沿的穿墙雷达成像(through-the-wall radar imaging,TWRI)算法,能够同时抑制墙体杂波和重构目标图像,但仍存在收敛速度慢、人工干预过多以及对初值的选取敏感等问题,难以快速精确地进行目标成像.针对上述问题,本文提出一种联合低秩与稀疏分解驱动的可学习深度迭代网络的TWRI方法.该方法利用穿墙雷达场景下墙体杂波的低秩特性以及待重建目标图像的稀疏特性,首先将穿墙雷达成像问题建模为联合低秩与稀疏分解的正则化优化问题,然后采用变分框架和轮换策略将优化问题转化成两个准线性优化子问题并推导其更新公式,最后将上述迭代更新公式映射到网络结构中,展开成深度迭代网络模型并采用端到端学习策略,形成融合物理模型的可学习深度迭代网络框架.仿真结果表明该方法能够有效抑制墙体杂波,相对于其他方法显著提高了目标成像精度和速度.