成分由小波基进行稀疏表示，而低频部分可以直接在NSCT域融合。由于高频NSCT系数具有稀疏特征，经过小波变换再次稀疏表示后，其稀疏性提高。

该算法的步骤如下：

1、 通过NSCT分解两个输入图像并根据它们的层次将系数划分成高频部分

和低频部分。

2、 根据在NSCT域低频融合规则直接融合两幅图像的低频分量。 3、 通过小波稀疏表示高频分量。 4、 获得压缩测量矩阵采样率Mrate。

5、 根据在CS域高频融合规则融合高频分量的测量值。

6、 通过OMP算法重构融合后的高频分量并对它们进行逆小波变换。

7、 由逆NSCT变换得到融合图像。

5.2实验结果

在实验中使用的两幅输入图像是一对已准确记录的红外和可见光图像。为了最大限度地的保留红外图像的热辐射信息，低频分量在能量加权方法的规则下融合。它可以被描述为：

?x,y??w1fiI?x,y??w2fiV?x,y? (3)

其中fiF?x,y?是在像素点i的融合系数，fiI?x,y?和fiV?x,y?是红外和可见光

fiF图像在像素点i的系数，w1是红外图像的权值，w2是可见光图像的权值。w1和w2由等式4计算。

I w1?Ei w2,?y??Ey?E,?xy ?,x????x?，

??E?x,y???E?x,y??E?x,y?? (4)

IiViViIiVi其中EiI?x,y?和EiV?x,y?是在红外线和可见光图像在像素点i的能量系数。 对于高频分量，融合过程是在CS域中。考虑到高频分量主要代表细节和边缘信息，它可以良好的显示出可见光图像，高频分量的测量值融合规则是通过绝对值加权方法。

fi，j?x,y??w1fi,j?x,y??w2fi,j?x,y? (5)

FIV?x,y??fiV,j?x,y??,

IVw2?fiVx,yx,y?f????,ji,ji,j?x,y?? (6)

F其中fi,j?x,y?是在像素点?i,j?的融合系数，fi,Ij?x,y?和fiV,j?x,y?是红外和可见光图像在像素点?i,j?的系数。

w1?fi,Ij?x,y?Ii,j?f?f源图像的大小为256×256。该算法和基于小波基的CS图像融合算法来测试融合结果。融合图像如图3所示。

主观评价的结果是显而易见的，该算法特别是在细节和边缘上显示出更好的

融合结果。随着采样率Mrate的减小，该融合图像的质量变得越来越差，而本文提出的算法在相同采样率下呈现出更好的结果。

表1 重构图像的QABF

Mrate

算法 小波基 混合基函数

0.4361 0.4695

0.4171 0.4587

0.3930 0.4483

0.3777 0.4301

74.2%

58.6%

50.8%

43.0%

客观评价结果在表1中证实了我们的结论。QABF是图像融合中一个质量度量，由Xydeas和Petrovic提出的，它不需要参照图像且与主观标准有很好的相关性[17]。QABF值越大，融合结果越好。QABF值表明，该算法明显提高了图像的重构质量。

6总结

在本文中，我们提出了在无线传感器网络中一个可行的在CS域图像融合算法。混合基函数即相继的用二种基函数，用于图像的稀疏表示。由于信号的稀疏性可以增强的和两种多分辨率工具的优点是互补的，该算法在CS域中显示出不错的结果。实验证明，与广泛使用的基于小波的CS图像融合算法相比，我们的算法在细节和边缘上显示出更好的性能。

参考文献

1. Q. Liang, L. Wang, Q. Ren, Fault-tolerant and energy efficient cross-layer design for wireless

sensor networks. Int. J. Sens. Netw. 2(3), 248–257 (2007)

2. Q. Ren, Q. Liang, Fuzzy logic-optimized secure media access control(FSMAC) protocol

wireless sensor networks, in IEEE Computational Intelligence for Homeland Security and Personal Safety (2005), pp. 37–43.doi:10.1109/CIHSPS.2005.1500608

3. Q. Ren, Q. Liang, Throughput and energy-efficiency-aware protocol for ultrawideband

communication in wireless sensor networks: a cross-layer approach. IEEE Trans. Mobile. Comput. 7(6), 805–816 (2008)

4. H. Shu, Q. Liang, Fuzzy optimization for distributed sensor deployment. IEEE Wireless.

Commun. Netw. Conf. 3, 1903–1908 (2005)

5. Q. Liang, Situation understanding based on heterogeneous sensor networks and

human-inspired favor weak fuzzy logic system. IEEE Syst. J.5(2), 156–163 (2011)

6. Q. Liang, Radar sensor wireless channel modeling in foliage environment:UWB versus

narrowband. IEEE Sens. J. 11 (6), 1448–1457 (2011)

7. Q. Liang, Automatic target recognition using waveform diversity in radar sensor networks.

Pattern. Recognit. Lett. 29(3), 377–381 (2008)

8. Q. Liang, X. Cheng, S.W. Samn, NEW: network-enabled electronic warfare for target

recognition. IEEE Trans. Aerosp. Electron. Syst. 46(2), 558–568 (2010)

9. B.Yang, Researches on Novel Methods for Pixel Level Multi-sensor Image Fusion(Zhengzhou

University of Light Industry, Hunan, 2005), pp. 31 –33

10. D.L. Donoho, Compressed sensing. IEEE Trans. Inf. Theory 52(4), 1289–1306 (2006) 11. R.G. Baraniuk, Compressive sensing. IEEE Signal Process. Mag. 24(4), 118–124 (2007) 12. T. Wan, Z. Qin, An application of compressive sensing for image fusion.Int. J. Comput. Math.

88(18), 3915–3930 (2011)

13. Z. Xiao Xiang, W. Zuan, R. Bamler, Compressive sensing for image fusion with application to

pan-sharpening, in Geoscience and Remote Sensing Symposium (IGARSS) (IEEE International, 2011), pp. 2793–2796. July 2011

14. X. Li, S.-Y. Qin, Efficient fusion for infrared and visible images based on compressive

sensing principle. Image. Process. 5(2), 141 –147 (2011)

15. S.G. Mallat, A theory for multi-resolution signal decomposition: the wavelet representation.

Pattern. Anal. Mach. Intell. 11 (7), 674–693 (1989)

16. M.N. Do, M. Vetterli, The contourlet transform: an efficient directional multiresolution image

representation. IEEE Trans. Image Process.14(12), 2091 –2106 (2005)

17. G. Piella, H. Heijmans, A new quality metric for image fusion. Image. Process.3, 173–176

(2003)