基于稀疏表示的多传感器图像融合：综述

由于在计算机视觉和图像处理中的若干成功应用，稀疏表示（SR）在多传感器图像融合中引起了显著关注。不同于假定基函数的传统多尺度变换（MSTs），SR 从一组训练图像中学习过完备字典用于图像融合，并获得对源图像更稳定和更有意义的表示。由此，基于 SR 的融合方法在主观和客观测试中通常优于传统的基于 MST 的图像融合方法。此外，它们较少受源图像间配准错误的影响，从而促进了实际应用。本综述论文对基于 SR 的多传感器图像融合文献进行系统回顾，强调各类方法的优缺点。具体地，我们首先从三个关键算法方面对整体系统进行理论探究：（1）稀疏表示模型；（2）字典学习方法；（3）活动水平与融合规则。随后，我们展示现有工作如何解决这些科学问题，并为每种应用（如多聚焦图像融合和多模态（例如红外与可见光）图像融合）设计合适的融合规则。最后，我们进行若干实验以评估这三个算法组件在处理不同应用时的融合性能影响。本文有望作为教程和参考源，供准备进入该领域或希望将稀疏表示理论应用于其他领域的研究人员使用。