像素级多分辨率图像融合方法研究Word文档格式.doc
《像素级多分辨率图像融合方法研究Word文档格式.doc》由会员分享，可在线阅读，更多相关《像素级多分辨率图像融合方法研究Word文档格式.doc（78页珍藏版）》请在冰豆网上搜索。
关键词：
1
xx大学论文
ABSTRACT
indoorlocationsystem:
CC2431zdk.Wegetgoodlocationaccuracyafterdoingsomeexperimentalverification.
Keywords：
431
目录
目录
摘要 I
ABSTRACT II
目录 III
第1章绪论 1
1.1研究背景及意义 1
1.2国内外研究现状 2
1.2.1图像融合层次简介 2
1.2.2像素级图像融合方法概述 4
1.2.3图像融合研究现状 8
1.2.4图像融合存在的关键问题 9
1.3本文研究工作及结果简介 10
1.3.1本文研究工作 10
1.3.2研究结果及章节安排 10
第2章多分辨率图像融合概要 13
2.1引言 13
2.2像素级多分辨率图像融合框架 13
2.2.1原理框架 13
2.2.2步骤分析 14
2.3基于区域的多分辨率图像融合一般框架 18
2.3.1原理框架 18
2.3.2步骤分析 19
2.4实验与结果分析 20
2.5本章小结 24
第3章基于冗余小波变换的多聚焦图像融合 25
3.1引言 25
3.2冗余小波变换概要 25
3.2.1小波变换理论概述 25
3.2.2图像的小波变换快速算法及冗余算法 26
3.3多聚焦图像融合方法 29
3.3.1多聚焦图像融合概述 29
3.3.2方法原理 30
3.3.3基于像素邻域的融合规则 31
3.4实验及结果分析 34
3.5本章小结 36
第4章基于冗余小波变换的区域图像融合 37
4.1引言 37
4.2基于改进K-means算法的图像聚类分析 37
4.2.1K-means算法及其改进 38
4.2.2多分辨率聚类分析 40
4.3区域图像融合方法 44
4.3.1方法原理 44
4.3.2融合规则 45
4.4实验及结果分析 47
4.5本章小结 49
第5章图像融合性能评价的进一步探讨 51
5.1引言 51
5.2主观评价方法 51
5.3客观评价指标 53
5.3.1基于融合图像的评价指标 53
5.3.2基于融合图像与参考图像的评价指标 54
5.3.3基于融合图像与源图像的评价指标 56
5.4多分辨率图像融合方法评价 58
5.4.1实验设置及性能评价指标的选取 58
5.4.2实验结果及分析 59
5.4小结 65
第6章总结与展望 66
6.1本文工作总结 66
6.2进一步的研究及展望 67
参考文献 68
第1章绪论
1.1研究背景及意义
随着电子技术、信息技术的飞速发展，超大规模集成电路（VLSI）和超高速集成电路（VHSIC）的出现促使传感器的性能不断提高，面向各种复杂应用的军用和民用传感器信息系统大量涌现。
随着传感器数量和种类的不断增加，多传感器系统中的信息量剧增，信息表现形式多样化、复杂化，因此，对多传感器所获信息的处理方法、速度等要求都大大超出了人脑的信息综合能力，以往的信息处理技术已无法满足这种新的系统。
于是，信息融合技术便应运而生[1]。
多传感器信息融合（亦称多传感器数据融合）是指对来自多个传感器的信息进行多级别、多层次、多方面的处理与综合，从而获得更丰富、更精确、更可靠的有用信息。
多传感器图像融合（简称图像融合）[2]，即多传感器信息融合中可视信息部分，是多传感器信息融合的重要分支。
它综合来自不同传感器的多源图像信息，通过对多幅图像信息的提取与综合，从而获得对同一场景/目标的更为准确、全面、可靠的图像描述，而这一描述是从单一传感器所获图像信息中无法得到的。
多传感器图像融合是一门综合了传感器技术、图像处理、信号处理、计算机科学、人工智能、心理学及生理学等的多种学科交叉而形成的现代高新技术。
图像融合技术充分利用了多个传感器所获图像中的冗余信息和互补信息，在遥感、医学、计算机视觉、目标识别等领域得到了广泛的应用[2]。
例如：
红外/可见光图像的融合可更好地协助飞行员导航；
多聚焦图像融合有利于扩大景深；
CT/MRI图像融合更有利于医生对病情的诊断；
LandsatTM/SPOT图像的融合综合了TM图像的多光谱特点和SPOT图像的高空间分辨率特点，更有利于特征提取及目标的跟踪与识别等等。
因此，对图像融合技术开展深入的研究，对于各相关领域的建设都具有非常重要的意义。
近20年来，国内外诸多机构在图像融合的不同层次上进行了大量的研究，提出了较多的图像融合系统，但是迄今为止，多传感器图像融合尚未有公认的理论框架和方法，许多理论和技术问题亟待解决，例如，传感器本身的多样性和复杂性，图像的准确配准，融合方法的稳定性和实时性及融合方法的实现等。
图像融合技术在国内的研究起步较晚，与国际先进水平相比，目前仍处于落后状况，因此，迫切需要开展多传感器图像融合基础理论、相关技术及其实现等的研究。
1.2国内外研究现状
1.2.1图像融合层次简介
在多传感器图像融合中，根据融合处理所处的阶段不同，通常可分为三个层次：
像素级（Pixel-level）图像融合、特征级（Feature-level）图像融合及决策级（Decision-level）图像融合[2,41]。
（1）像素级图像融合。
像素级图像融合是在源图像严格配准的条件下，对各传感器输出的图像信号直接进行信息的分析与综合[2,75-76]。
像素级图像融合是在基础层上进行的信息融合，是最低层次的图像融合，该层次的融合准确性最高，能够提供其他层次上的融合处理所不具有的更丰富、更精确、更可靠的细节信息，有利于图像的进一步处理、分析和理解。
像素级图像融合结构如图1.1所示。
图1.1像素级图像融合结构示意图
像素级图像融合是目前在实际中应用最广泛的图像融合方式，也是特征级图像融合和决策级图像融合的基础，其优点就是信息丢失最少，但需处理的信息量最大、处理速度最慢、对设备要求较高。
另外，在进行像素级图像融合之前，必须对参加融合的各图像进行精确的配准，其配准精度一般应达到像素级，因此，像素级融合是图像融合中实施难度最大的层次。
目前，常用的像素级融合的方法有逻辑滤波器法、加权平均法、数学形态法、图像代数法、模拟退火法、金字塔图像融合法、小波变换法、选举决策法、卡尔曼滤波法、数理统计法、IHS变换法、PCA变换法、高通滤波法、线性加权法、彩色空间法、假彩色法和非线性综合法等[15]。
（2）特征级图像融合。
特征级图像融合是对源图像进行预处理和特征提取后获得的特征信息（如边缘、形状、轮廓和区域等）进行信息的综合与处理[2,75-76]。
特征级图像融合是在中间层次上进行的信息融合，它既保留了足够数量的重要信息，又可对信息进行压缩，有利于实时处理。
特征级图像融合的结构示意图如图1.2，这一层次的图像融合一般从源图像中提取的典型特征信息有：
线型、边缘、纹理、光谱、相似亮度区域、相似景深区域等。
在特征级图像融合过程中，由于提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息。
尽管在模式识别、图像处理和计算机视觉等领域，己经对特征提取和基于特征的图像分类、分割等问题进行了深入的研究，但是对图像中有用信息的提取和表达这一问题至今仍是困扰计算机视觉研究领域的一个难题，有待于从融合角度及其它相关领域进一步综合研究和提高。
图1.2特征级图像融合结构示意图
目前大多数C3I系统的数据融合研究均在该层次上展开的[15]。
常用的特征级融合方法有聚类分析法、Dempster-Shafer证据理论法、贝叶斯估计法、熵法、加权平均法、表决法、神经网络法、卡尔曼滤波法、模糊推理法和产生式规则法等。
（3）决策级图像融合。
决策级图像融合是根据一定的准则及每个决策的可信度做出最优决策，是最高层次的信息融合。
决策级融合是高层次的信息融合[2,75-76]。
在每个传感器已完成了目标提取与分类之后，融合系统根据一定的准则以及每个决策的可信度作出决策融合处理。
此种融合实时性好并且具有一定的容错能力。
决策级融合的结构如图1.3所示，这一层次的图像融合主要基于认知模型，需要大型数据库和专家决策系统进行分析、推理、识别和判决。
虽然这一层次的处理的数据量少，融合的实时性好，并且具有较好的容错能力，但其预处理代价高，源图像信息的损失严重。
图1.3决策级图像融合结构示意图
目前常用的决策级融合方法有神经网络法、模糊聚类法、专家系统、贝叶斯概率推理法、Neyman-Pearson准则、Dempster-Shafer证据理论法、统计决策理论、模糊推理法和合情推理法等[15]。
1.2.2像素级图像融合方法概述
本文在像素级这一层次进行图像融合的相关方法研究。
对像素级多传感器图像融合方法的基本要求包括[2,43,75-76]：
（1）融合图像尽可能多地加入图像互补信息；
（2）融合图像应包含各源图像中所具有的有用信急，不破坏图像的色彩信息，也不能丢失图像的纹理信息，以便获得一个既有光谱信息，又有空间信息的图像；
（3）合成图像中应尽量少引入人为的虚假信息，或其它不相容信息，以减少对人眼以及计算机目标识别过程的干扰；
（4）融合算法对配准的位置误差和噪声不应该太敏感，融合图像的噪声应降到最低程度；
（5）在某些应用场合中应考虑到算法的实时性。
像素级图像融合方法可分为：
非多分辨率分析融合方法和多分辨率分析融合方法。
1.2.2.1非多分辨率分析融合方法
主要有：
加权平均和主成份分析法、非线性方法、颜色空间法、最优化方法、逻辑滤波法及神经网络法等等。
（1）加权平均和主成份分析法。
加权平均的方法是一种最简单的图像融合方法，就是直接求源图像对应像素点的平均值生成融合图像。
这方法可以增加图像的信噪比，但是会降低图像的对比度。
主成份分析法首先用3个或3个以上波段数据来求得图像间的相关系数知阵，由相关系数矩阵计算出特征值和特征向量，进而求得各主分量图像；
然后将高空间分辨率图像数据进行对比度拉伸，使之与第一主分量图像数据具有相同的均值和方差；
最后用拉伸后的高空间分辨率图像代替第一主分量，将其同其他主分量经PCA逆变换得到融合的图像。
该方法可以很好地保持图像的清晰度。
文献[6]采用主成份分析法确定最优加权系数，通过计算输入图像的协方差矩阵的主元素，其权重系数可以由对应的特征向量得到。
此方法的改进方法及其它算术符号合并方法还有许多[7-8]。
（2）非线性方法。
配准后的图像分为低通和高通部分，通过自适应地修改每一部分，然后再把它们融合成复合图像。
文献[9]采用自适应的非线性处理方法融合可见光图像和红外图像。
（3）颜色空间法。
利用图像数据表示成不同的颜色通道，再合并这些通道得到假彩色融合图像。
IHS变换是这类方法最常用的颜色空间变换，这种方法多用在高分辨率的SPOT图与分辨率较低但具有丰富颜色细节的TM图之间的融合。
其做法是将TM图从RGB的颜色空间变换到IHS空间，然后对TM图进行高分辨率重采样，将得到的H和S分量放到SPOT图的相关像素上，而原SPOT图（的颜色分量）则取为I分量。
然后变换回RGB
升级会员 