[发明专利]应用于结构光图像的超稀疏CS融合算法

权利要求书

1.应用于结构光图像的超稀疏CS融合方法，其特征在于：本方法的实施过程分为以下五个步骤：

步骤一：当结构光设备拍摄的图像为细节不清晰或者细节缺失的多幅图像时，将图像传输至计算机；

步骤二：将每幅图像进行小波分解，以信息熵、互信息量、峰值信噪比和平均梯度为评价标准评价出的最佳小波稀疏基coif5进行图像稀疏投影，将图像数值分解成较大的稀疏系数，其它大部分系数变成与零大小相当；

压缩感知理论中，存在实值有限长一维离散时间信号，即原信号f∈R^N*1，其中R是任意实数，N*1是N行1列信号；在从1到N的小波稀疏基下展开，其中ψ_i是第i个小波稀疏基；原信号f得到如(1)所示：

其中第i个小波系数是第i个小波稀疏基的转置；Φ是M，M<<N，阶测量矩阵，其中M是M维，N是N维，M和N是自然数；之后得到小于原信号f长度的投影y，矩阵表示稀疏化如(2)所示，投影如式(3)所示：

f＝Ψθ (2)

y＝Φf (3)

其中θ是小波系数，Ψ是小波稀疏基，将(2)式带入(3)式，得到总的降维测量矩阵A：

y＝ΦΨθ＝Aθ (4)

由于M<<N，若Φ满足一致不确定性原则或约束等容特性，可将0范数l₀重构问题等效为1范数l₁最小化问题，如式(5)所示，进而高精确地重构f，在y＝Aθ约束下解最小化1范数；

其中为最小化1范数求和；

步骤三：将压缩感知框架下分解的较大小波系数，进行压缩感知压缩，压缩后的超稀疏系数通过绝对值最大化进行融合；融合基的选取采用coif4小波基；

步骤四：通过正交匹配追踪方法，经过

g_r为第r个匹配字典中的向量原子，使内积最大的g_r定义为是Hilbert空间H＝Rⁿ的单位矢量，Rⁿ表示的是n维实数，R^m表示的是m维实数，满足维度Г>>n，初值R⁰y’＝y’，R⁰代表初始的实数值，对任意给定的信号y’∈Rⁿ，都可以表示成原子迭加的形式；原子选定后，通过Gram-Schmidt方法正交化处理后得到第m个中间变量u_m，如公式(7)：

上式中p代表序号，u_p为第p个中间变量，||u_p||¹表示u_p的1范数；

残差在u_m上投影:

信号y’的M项表示为:

R^M代表整个M维的数组，M<N，N为信号空间的维数，若M＝N，则最终解出融合后的投影数值y”：

的迭代运算，实现超稀疏系数融合后的CS图像恢复；

步骤五：将恢复后的图像通过电信号传输回机构光成像仪，以供继续机械操作。

2.根据权利要求1所述的应用于结构光图像的超稀疏CS融合方法，其特征在于：所述结构光设备包括载物台、照射台和导轨，照射台位于载物台的上方，照射台的下端面设有同一水平面朝向载物台的两个镜头，照射台的下端面位于两个镜头之间还设有一个投影仪，投影仪位于载物台的正上方，光缆将两个镜头和投影仪连通，照射台连接在导轨上。

3.根据权利要求2所述的应用于结构光图像的超稀疏CS融合方法，其特征在于：所述导轨包括竖直导轨和水平导轨，照射台连接在水平导轨上，水平导轨连接在竖直导轨上。