基于压缩感知在傅里叶系数域上的图像融合

资 源 简 介

基于压缩感知在傅里叶系数域上的图像融合

详 情 说 明

在数字图像处理领域，图像融合技术旨在将多幅源图像的互补信息整合到单幅高质量图像中。基于压缩感知（Compressed Sensing, CS）的傅里叶系数域融合方法因其高效性和抗噪能力成为研究热点。

核心思路分为三步： 稀疏化表示：通过傅里叶变换将图像映射到频域，保留显著系数（如低频分量），丢弃高频噪声，自然满足压缩感知对信号稀疏性的要求。 压缩采样：利用随机测量矩阵（如高斯矩阵）对稀疏傅里叶系数进行线性投影，以远低于奈奎斯特采样率的观测值捕获图像核心特征。 融合与重构：对不同源图像的观测值进行加权融合（如基于系数的绝对值最大化规则），最后通过优化算法（如OMP或LASSO）从融合后的测量值中重构出高分辨率图像。

该方法的优势在于： 显著降低数据采集和传输开销（尤其适用于遥感或医学影像）。 傅里叶域的全局特性可避免传统空域融合中的块效应问题。 通过系数选择策略（如保留能量占比最高的5%系数）能自适应保留边缘和纹理。

扩展思考方向包括：结合小波变换提升局部特征表达能力，或引入深度学习优化测量矩阵设计。