基于多特征融合的图像匹配模式
融合多特征的图像检索算法
融合多特征的图像检索算法图像检索算法是一种应用于计算机视觉领域的技术，它通过对图像特征进行提取和匹配，能够实现从海量图像中快速检索到指定图像的目的。
然而，由于图像特征的多样性和复杂性，单一特征方法往往存在诸多限制，难以满足实际应用需求。
为此，融合多个特征的图像检索算法应运而生。
融合多特征的图像检索算法通过将多种特征信息结合起来，形成更全面、更多样化的图像描述符，从而增强了检索算法的鲁棒性和准确度。
常见的图像特征包括颜色、形状、纹理等，融合多特征的图像检索算法可以采用以下几种方法：一、特征加权融合特征加权融合是将每个特征的重要性进行统计分析，对每个特征赋以不同的权重，进而对多个特征向量进行线性组合，形成一个加权的综合特征向量。
获得加权特征向量后，可以将其输入到分类器中进行训练，并进行图像检索。
二、特征串联融合特征串联融合是将每个特征的向量按特定顺序进行串联，形成一个综合的特征向量。
具体地说，可以将不同特征的向量连接或封装在一起，形成一个“超级向量”，作为最终的特征表示，供分类器使用。
三、特征层级融合特征层级融合是将各个特征分别提取出来，进行多层次、多尺度的融合处理。
它主要思想是利用特征的不同抽象层次，将相对低层的特征信息与相对高层的特征信息相结合，形成更加具有鲁棒性的特征。
典型的特征层级融合算法包括卷积神经网络（CNN）和金字塔方法等。
在实际应用中，融合多特征的图像检索算法具有广泛的应用场景。
例如，在人脸识别、车辆识别、风格识别等方面，该算法都具有重要的研究和应用价值。
随着深度学习技术的发展和计算机硬件的提升，多特征融合图像检索算法将有更加广泛的应用前景和研究发展空间。
基于特征匹配的非刚性图像配准方法
实验结果与分析
结果
实验结果表明，基于特征匹配的非刚性图像配准方法 在模拟数据集和实际医学影像数据集上均取得了较好 的配准效果。在模拟数据集上，该方法取得了平均误 差小于1.5像素的配准结果；在多模态图像配准任务上 ，该方法取得了平均误差小于3像素的配准结果。在 医学影像数据集上，该方法取得了平均误差小于3像 素的配准结果，且在关键结构区域保持了较好的一致 性。
感谢您的观看
THANKS
弹性映射模型
该模型假设两幅图像之间的对应关系可以由一个弹性映射 函数来表示。这个函数通过对图像的每个像素点应用一种 可变形变换来得到新的图像。
参数化对应模型
该模型通过参数化对应关系来建立源图像和目标图像之间 的映射。常用的参数化方法包括多项式拟合、样条插值等 。
非刚性配准算法
01
基于特征点的配准算法
基于CNN的图像配准方法通常采用多尺度特征提取和注意力机制，以增强配准效果 。
循环神经网络（RNN）在图像配准中的应用
循环神经网络（RNN）是一种 适用于序列数据处理的任务， 包括时间序列和图像序列。
在图像配准中，RNN可以用于 处理具有时间顺序的图像序列 ，如视频中的连续帧。
RNN具有记忆能力，可以捕捉 图像序列中的长期依赖关系， 从而更准确地配准图像。
分析
基于特征匹配的非刚性图像配准方法能够有效地处理 非刚性图像配准问题，适应于不同类型和质量的图像 。该方法通过提取图像的特征点并利用特征点之间的 匹配关系来估计图像的变换参数，能够实现精确、稳 健和可靠的配准效果。同时，该方法还具有较好的鲁 棒性和可扩展性，能够广泛应用于不同领域的图像配 准任务中。
过优化这个模型来得到最佳的配准变换。常用的模型包括刚性模型、仿
图像检索系统中的多模态特征匹配算法
图像检索系统中的多模态特征匹配算法随着图像技术的快速发展，图像检索系统的需求也越来越广泛。
图像检索系统是利用计算机技术对大规模的图像数据库进行搜索和定位的重要工具。
然而，在现实的应用场景中，单一的视觉特征往往难以满足复杂的检索需求。
所以，多模态特征匹配算法应运而生，它结合了多种模态的特征，提高了检索的效果和准确性。
多模态特征匹配算法是通过将不同模态的特征进行合并和匹配来实现对图像数据库的搜索。
多模态通常指的是图像和文本、音频或其他形式的附加信息。
在多模态特征匹配中，我们需要解决以下几个关键问题：首先，如何提取图像和文本的特征？对于图像，常用的特征提取方法有色彩直方图、纹理特征、形状特征等。
对于文本，可以使用TF-IDF、word2vec等方法进行特征提取。
提取的特征应具有区分度和稳定性，能够准确地描述图像和文本的内容。
其次，如何进行特征匹配？特征匹配是指在多个模态的特征空间中寻找相似度高的图像和文本。
常用的特征匹配方法有基于距离的匹配方法和基于模型的匹配方法。
基于距离的匹配方法通过计算特征向量之间的欧氏距离或余弦相似度来衡量相似性。
而基于模型的匹配方法则通过训练模型，建立模型之间的对应关系。
特征匹配的目标是寻找到最佳匹配的结果，以实现准确的检索。
然后，如何融合多模态的特征？在多模态特征匹配中，我们需要将不同模态的特征进行融合，以获取更全面和准确的信息。
常用的融合方法有特征级融合和决策级融合。
特征级融合是将不同模态的特征向量进行拼接或加权求和，得到一个综合的特征。
决策级融合是将不同模态的匹配结果进行权衡和组合，得到最终的匹配结果。
融合的目标是提高检索系统的性能和效果。
最后，如何评估多模态特征匹配的性能？多模态特征匹配的性能评估是衡量算法准确性和效率的重要指标。
常用的评估方法有召回率、准确率、F值等。
另外，还可以使用ROC曲线和P-R曲线来综合评估算法的性能。
综上所述，多模态特征匹配算法在图像检索系统中扮演着重要角色。
基于局部特征匹配的图像配准与图像融合研究
基于局部特征匹配的图像配准与图像融合研究图像配准与图像融合是计算机视觉领域的重要研究方向，对于医学影像、遥感影像等领域具有重要的应用价值。
本文基于局部特征匹配的方法，对图像配准与融合技术进行了深入研究。
首先，介绍了图像配准与融合的基本概念和应用场景。
然后，详细介绍了局部特征匹配算法，并分析了其优缺点。
接着，提出了一种基于局部特征匹配的图像配准与融合方法，并进行了实验验证。
最后，总结了本文工作，并对未来研究方向进行展望。
1. 引言随着计算机视觉技术影响处理技术的快速发展，人们对于高质量和高精度的图像处理需求越来越高。
而在实际应用中，经常需要将多幅图片进行拼接或者叠加，以获得更全面、更准确的信息，这就需要进行图像配准和图像融合。
图像配准是指将多幅图片进行对齐，使得它们在空间上具有相同的位置和方向。
在医学影像领域，图像配准可以用于将不同时间或不同设备拍摄的图片进行对齐，以便于医生对疾病的变化进行观察。
在遥感影像领域，图像配准可以用于将不同时间或不同角度拍摄的遥感影像进行对齐，以便于地理信息系统的建设和应用。
图像融合是指将多幅图片合成为一幅图片，使得合成后的图片具有更全面、更丰富的信息。
在医学影像领域，图像融合可以用于将不同模态或不同成分拍摄的影像进行融合，以便于医生全面地观察病情。
在遥感影响领域，图像融合可以用于将多个波段或多个角度拍摄的遥感影响进行融合，以便于地理信息系统分析和应用。
2. 局部特征匹配算法局部特征匹配算法是一种常用的图像配准与融合方法。
该方法通过提取图像中的局部特征点，并计算特征点之间的相似性，从而实现图像之间的对齐和融合。
常用的局部特征匹配算法有SIFT、SURF、ORB 等。
SIFT（尺度不变特征变换）算法是一种基于尺度空间和梯度方向直方图的局部特征提取算法。
该算法通过在不同尺度和不同方向上搜索关键点，并计算关键点周围区域的梯度直方图，从而得到具有尺度不变性和旋转不变性的局部特征描述子。
基于多尺度跨模态特征融合的图文情感分类模型
基于多尺度跨模态特征融合的图文情感分类模型1. 内容综述随着深度学习技术的发展，计算机视觉领域中的情感分类模型已经取得了显著的成果。
现有的情感分类模型在处理跨模态数据时仍然面临一些挑战，例如文本和图像之间的语义不匹配、特征提取不足等问题。
为了解决这些问题，本文提出了一种基于多尺度跨模态特征融合的图文情感分类模型。
该模型首先将输入的文本和图像分别进行特征提取，然后通过多尺度特征融合的方式将不同尺度的特征进行整合。
本文采用了卷积神经网络(CNN)和循环神经网络(RNN)相结合的方式进行特征提取。
CNN 主要用于提取图像特征，而RNN则用于处理文本序列。
在特征融合过程中，本文采用了注意力机制(Attention Mechanism)来实现不同尺度特征之间的关联性。
通过一个全连接层将整合后的特征进行分类，得到最终的情感分类结果。
为了验证本文提出的模型的有效性，我们在多个公开的情感分类数据集上进行了实验，并与其他经典方法进行了比较。
实验结果表明，本文提出的基于多尺度跨模态特征融合的图文情感分类模型在各个数据集上均取得了较好的性能，有效解决了现有方法在处理跨模态数据时面临的问题。
1.1 背景与意义随着互联网的普及和多媒体技术的发展，图文信息在人们生活中占据了越来越重要的地位。
情感分析作为自然语言处理领域的一个重要分支，旨在识别和分析文本中的主观信息，对于理解用户需求、调整产品和服务以及维护用户关系具有重要意义。
传统的基于文本的情感分析方法往往忽略了图文之间的关联性，导致对情感的判断不够准确和全面。
为了解决这一问题，本文提出了一种基于多尺度跨模态特征融合的图文情感分类模型。
该模型通过结合文本和图像信息，充分利用跨模态特征，提高情感分类的准确性。
多尺度特征融合能够捕捉不同尺度下的信息，使得模型具有更强的表征能力。
本文的研究不仅有助于提高图文情感分析的性能，而且对于丰富和完善自然语言处理技术具有重要的理论意义和应用价值。
基于特征点匹配的图像配准与融合算法
基于特征点匹配的图像配准与融合算法作者：杨小青来源：《电脑知识与技术》2020年第34期摘要：图像重建技术是图像处理领域中的重要环节，将不同视角下的多重图像重建为高清完整全方位目标像需要进行图像配准、拼接以及融合，以最大限度保留原场景的完整性。
本文主要研究在拼接过程中的图像配准和融合算法，应用SIFT算法查找确定特征点、特征向量进行特征匹配，采用RANSAC算法直线拟合优化重叠区域较多的目标图像，同时对连接缝进行平滑处理，以人工湖图像拼接验证，算法实现良好融合效果。
关键词：图像拼接;SIFT算法;RANSAC算法;图像融合中图分类号： TP18 文献标识码：A文章编号：1009-3044（2020）34-0198-02在图像处理领域，将不同视角下的多重图像重建为全方位目标像是一个重要研究内容，要对不同目标像依次进行配准、融合，以最大限度保留原场景完整性，获得全视野图像。
图像重建[1]技术对多种行业发展起到重要作用，对图像拼接融合技术研究具有应用价值。
本文主要研究在拼接过程中的图像配准的算法以及图像拼接和融合的算法，主要应用尺度不变特征转换SIFT（Scale Invariant Feature Transform）算法[2]查找确定特征点、特征向量进行图像之间特征点匹配，以及随机抽样一致性RANSAC（Random Sample Consensus）算法[3]对重合区域较多的不同目标像进行直线拟合，消除无关点，精简高效实现图像配准与拼接。
1图像特征向量提取图像配准是将不同时间、视角、拍摄环境下获取到的两幅甚至多幅图像进行叠加、去重、匹配等过程处理，以得到单一目标像。
在图像数据信息中，特征点保留了图像关键信息，通过扫描搜索，根据特征性质查找提取待拼接图像的特征点，生成特征向量表，对比待匹配图像之间的特征集合，对提取的关键信息进行特征处理，同时借鉴其他信息符号，有利于提高算法匹配速度和效果，适用范围较广，增强了匹配准确性。
多模态图像配准与匹配技术研究
多模态图像配准与匹配技术研究图像处理是计算机科学的重要分支，主要用于人工智能、机器学习、视觉识别、医学图像分析和地球遥感等各个领域。
其中，图像配准和图像匹配是图像处理中的关键问题之一，旨在将多张图像对齐并在其上进行特征提取和分析。
近年来，随着各项技术的推进，多模态图像配准与匹配技术也在逐渐发展壮大。
多模态图像配准技术在图像处理中，多模态图像配准是指将具有不同成像特征的多张图像进行对齐，使得它们在同一空间坐标系下，具有一致性的几何变换关系。
常见的多模态图像包括：光学图像、红外图像、超声图像、CT 图像等。
多模态图像配准技术的主要目的是为了更好的提取各种图像信息并进行数据融合。
传统的多模态图像配准方法通常是通过寻找一个变换矩阵将两张图像对齐。
其中，最常见的配准方法是基于相似性度量的方法，包括互相关函数、归一化互相关函数、方差最小化方法和互信息法等。
互相关函数是一种基于点对应的方法，其主要思想是在两张图像之间建立相应关系，使得两张图像上的同一点具有相同的像素值。
归一化互相关函数在计算过程中加入了归一化比较，使得得到的结果更加稳定。
方差最小化方法则是利用方差的最小化来进行配准的，其中的关键是对均值的估计。
互信息法指的是在两张图像之间建立一种基于直方图的度量方法，它不仅考虑了像素之间的空间变换，还考虑了像素之间的像素值的变化。
现在，还有一些先进的多模态图像配准方法，如变形模板法、局部相似性匹配算法、角点匹配法等。
这些方法一般都结合了多种方法，可以更加完善的进行配准，并提高了图像配准的精度和鲁棒性。
多模态图像匹配技术与多模态图像配准技术不同，多模态图像匹配技术是指多张图像之间的相似性匹配。
多种图像信息是可以融合的，但是由于不同的成像特征、噪声干扰和图像质量等问题，多种图像之间也会存在着不同程度的差异，所以需要对多种图像进行匹配，以减少差异并提取更加具有代表性的特征信息。
多模态图像匹配技术常见的方法有相关随机域匹配算法、局部二值模式匹配算法、SIFT 特征点匹配法、深度学习等技术。
基于SIFT图像特征匹配的多视角深度图配准算法
基于SIFT图像特征匹配的多视角深度图配准算法一、引言介绍多视角深度图配准算法的意义及研究现状，阐述SIFT图像特征匹配在图像配准中的重要性。
二、SIFT图像特征提取介绍SIFT算法的基本原理及其实现方式，包括尺度空间构建、关键点检测、局部特征描述等。
三、基于SIFT的多视角深度图配准介绍基于SIFT图像特征匹配的多视角深度图配准算法，包括图像对齐、深度图对齐、三维点云生成等步骤。
四、实验与结果分析通过实验证明算法的有效性和准确性，采用定量和定性分析的方式比较不同方法的优劣，并讨论其应用场景。
五、结论与展望总结全文工作，归纳出本文的贡献和不足，并展望未来相关研究方向及改进措施。
随着计算机视觉和深度学习技术的快速发展，多视角深度图配准成为了一个研究热点。
多视角深度图配准是指将来自不同视角的深度图或结构光扫描等信息融合在一起，生成三维模型或场景，以便进行三维重建、机器人导航、虚拟现实等应用。
在多视角深度图配准算法中，图像配准是其中一个非常重要的环节之一。
快速准确地对于多视角的深度图进行配准就可以产生高质量的三维场景。
目前，对于多视角深度图中的配准问题，已有许多相关研究和算法。
这些算法一般采用从应用程序中收集多个图像来进行拍摄的传统摄影的方法。
然而，在图像进行配准时存在许多困难，例如光照条件的变化、图像中存在重复的物体、不同视角的误差不同等。
因此，开发一种快速准确的图像配准算法仍然是一个具有挑战性的问题。
SIFT算法是一种基于图像特征的配准方法，常常被用来进行特征提取和匹配。
它通过对图像进行尺度空间分析，检测出关键点并生成其局部特征描述符，用于图像匹配和目标识别。
由于其对于尺度和旋转不变性以及对于干扰性和噪声的抵抗能力，SIFT算法被广泛应用于图像配准的领域。
其中，SIFT算法通过关键点的检测和局部描述符的生成，将图像从二维坐标空间转化到高维向量空间中，利用向量空间的距离度量法来计算两幅图像之间的相似度，从而获得图像的配准结果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第16卷 第3期强激光与粒子束Vol.16,No.3 2004年3月HIGH POWER LASER AND PARTIC LE BE AMS Mar.,2004 文章编号: 100124322(2004)0320281205基于多特征融合的图像匹配模式Ξ彭真明1,2, 张启衡2, 魏宇星2, 张覃平2(1.电子科技大学光电信息学院,四川成都610054;2.中国科学院光电技术研究所,四川成都610209) 摘 要: 常规图像匹配模式主要利用了像素的灰度信息和形状信息,而弱小目标检测与跟踪过程中,这两种信息都缺乏明显特征,难于满足高精度、稳定跟踪的要求。
提出一种新的匹配模式,即从图像数据里提取包括灰度、形状在内的多种特征信息。
寻找一种简单有效的信息融合手段,进而获取一种综合特征,利用“综合特征”进行相似度量来确定目标的最佳定位。
仿真计算结果表明,该方法是可行和有效的。
关键词: 图像处理; 多特征融合; K2L变换; 图像匹配; 弱目标检测 中图分类号: O413; T L56 文献标识码: A 图像匹配技术是决定图像中彼此对应的物体相似性度量的过程,即图像匹配总是使相似性度量最大。
图像匹配过程中至关重要的三个因素就是:匹配的数据类型、相似性的度量函数以及搜索方法。
这三个因素都是匹配技术必不可少的环节,每一种因素都有其深入研究的价值所在。
而本文讨论的重点将放在匹配的数据类型上。
从匹配数据类型上看,匹配可初步分为以下几种模式:基于灰度相关的匹配模式,基于特征的匹配模式,基于解释的图像匹配模式。
基于灰度相关的匹配就是逐像素地把一个以一定大小的实时图像窗口的灰度矩阵与参考图像的所有可能的窗口灰度矩阵按某种相似性度量方法进行搜索比较的匹配方法。
其优点是具有相对较小的计算量,易于硬件实现。
基于特征的匹配模式是首先提取反映图像重要信息的特征,而后以这些特征为模型进行匹配。
一般来说绝大多数都是指基于点、线和边缘的局部特征匹配。
而基于解释的图像匹配技术需要建立在图片自动判读的专家系统上,目前尚未取得突破性进展[1～3]。
成像跟踪系统中弱小目标的检测一直被认为是一个难题,主要表现在远距离、低对比度;目标形状为点状或模糊斑点状,点、角、边缘等特征不明显;甚至运动过程中出现目标闪烁、间断等现象。
不言而喻,针对这种灰度差异、几何特征不明显的断续目标的检测跟踪,利用上述的匹配检测模式是难于满足高精度、稳定跟踪的要求的。
为此,本文提出一种新的多特征融合的图像匹配模式。
即综合利用目标的灰度特性、几何特性以及图像中蕴藏的其他典型特性,然后经过一种数学变换,得到其融合特性,以此作为图像匹配的相似度量依据。
仿真计算结果表明,该方法是可行和有效的,尤其适用于低对比度弱小目标的检测与跟踪。
1 多特征提取 特征也称为目标特性,通常是指不同传感器获取的反映同一目标的图像数据,它直接携带的是目标的灰度信息以及点、角点、边缘特征等。
由于图像数据获取过程中的各种干扰,它可能会受到各种畸变,甚至是不可恢复的扭曲。
所以单一特性作为目标识别检测的度量会带来计算结果的不可靠性。
对图像数据进行各种数学变换获取的信息同样可以从侧面反映物体或目标的几何形态、运动学特征和统计学特征,它们也的确蕴藏在图像数据之中,是间接的目标特性。
大量的理论和实践表明,在直接特征不明显的情况下,辅于其间接特征,进而寻找一种综合目标特性,是解决问题的根本,同时也是当代信息技术领域数据融合的重要思想。
通过反复实验验证,这些有效间接特征包括时频特征、分形特征和突变特征。
1.1 时频特征 根据图像信息在时、频域的分布情况,可知能量集中点在频率轴和时间轴的截距分别是信号的主频和群延迟。
信号在时频域中的能量密度函数可表示为ε(t,f)=|u(t)||u(f)|e i[φ(f)-θ(t)+2πft](1)Ξ收稿日期:2003204223; 修订日期:2003210229基金项目:国家863计划项目资助课题作者简介:彭真明(1966—),男,博士后,副研究员,主要从事信号处理、图像处理与成像跟踪技术研究;E2mail:pypzm@。
式中:u (t )=x (t )+i y (t )=|u (t )|e i θ(t )(2)h (f )=|u (t )|e-i φ(f )(3)这样,只需求得ε(t ,f )的能量集中点,就可以得到信号的时频特征。
而在实际应用中t 和f 都是网格化的。
如果某一网格点上的ε值比它周围的8个点的值都大,那么该点就可以认为是能量集中点,能量集中点处的频率值即为主频率,能量最大值点所对应的瞬时相位、瞬时振幅值即为主相位、主振幅值。
1.2 分形特征 在传统理论感到困惑的地方,分形理论往往能运用自如,在越混乱、越无规则、越复杂的领域,分形理论往往越有效。
描述分形的定量参数叫做分形维数或分维数,按不同的计算方法和几何意义可分为计盒维、关联维、信息维、Hurst 指数等,其大小反映了序列的复杂程度。
下面以计盒维为例说明求取图像数据分形特征的基本原理。
M 维欧氏空间上的有界集合X 是自相似的,如果X 是由N 个互不重叠的,由X 经放大或缩小δ倍后所形成的单元构成的,那么集合X 的分形维数D 由D =-lim δ→0lg N (δ)lg δ(4)给出。
实际计算中采用毯子覆盖法,即把图像数据看作是一个三维空间,可用边长为δ的小正方体(盒子)去覆盖波门里的图像数据,可得到完全覆盖需要的盒子的最小个数N (δ)。
然后改变δ,又可得到另一个N (δ)。
重复这一过程,就可得到一张lg N (δ)-lg δ图,用最小二乘法进行直线拟合,其斜率的负值即为图像数据的计盒维数。
1.3 突变特征 目标的边缘本身可看作是一个信息的突变元,它相当于梯度信息,但它比梯度特性更具有广泛的意义。
因此,利用突变理论来研究图像的边缘特征,进行目标复杂性探索是比较切合实际的。
首先对波门内图像数据按行和按列分别进行累加生成(AG O ),得到水平和垂直方向上的新的数据集合X和Y 。
设原图像为(x ,y ),那么经AG O 生成后的新的图像为x ′={x ′1,x ′2,…,x ′k ,…,x ′n }和y ′={y ′1,y ′2,…,y ′k ,…,y ′n },其中x ′k =∑kj =1x j ,y ′k =∑k j =1y j, k ≤n(5)以水平方向为例,将序列x ′k 化成尖点突变模型的标准形式x ′=14Z 4+12aZ 2+bZ +c (6)式中:Z 为状态量;a ,b 为控制变量;c 为剪切项。
这样就建立了目标信号的水平方向的灰色尖点突变模型,按同样的步骤可以得到垂直方向上的突变模型。
在此基础上提取的突变次数反映了图像数据中目标幅值的相对变化。
2 特征压缩与融合 数据融合技术是随雷达信息处理及C 3I 系统的发展而发展起来的。
它对各种数据源进行综合、过滤、相关、识别和融合,得出战场态势图、进行态势威胁与判别,制定出作战行动方案,供指挥员决策参考。
数据融合的过程就是各种信息源处理、控制及决策的一体化过程[4]。
可以看出融合思想就是一种综合分析的思想,因此,对于同源数据的多种特征进行综合分析、评判和决策处理也是某种意义上的融合方式。
而对于作为图像相似度量的数据信息同样可以从以上提取的各种特征中,通过融合得出一种贡献最大、最为典型的综合特征。
融合的方法很多,如加权平均法、表决规则法、线性分类器、人工神经网络模拟等。
本文采用离散K arhunen 2Loeve (以下简称K 2L )变换,对提取的多种特征进行信息压缩,找到最大特征值对应的经过变换的“特征”。
从某种意义上来说,K 2L 变换也是一种信息的自适应融合。
K 2L 变换实际上可理解为对大量数据的统计性质用其均值向量和协方差矩阵来表征,然后对其进行正交282强激光与粒子束第16卷展开。
设X 为N 维随机向量,则X 的K 2L 展开可表示为Y =TX (7)式中:T 为一正交变换矩阵,其元素由X 的协方差矩阵的特征向量组成,即T =(<1,<2,…,<N )=<1<21…<N 1<12<22…<N 2…………<1N <2N …<NN (8)X 的协方差矩阵记作∑x =E{(X - X )(X - X )T }(9)X =E (X )=( X 1, X 2,…, X N )代表均值向量,则存在关系式∑x <i =λi <i (10)式中:λ1>λ2>…>λN ≥0是∑x 的特征值;<i 为对应的特征向量。
对于已经获取的若干组特征数据,首先做归一化处理,然后进行K 2L 展开,得到若干组新的特征数据,其中每个特征点均是原来N 个特征的线性组合,然后在其中选出前K 个数据组成一个子集来刻画被处理对象的特性。
虽然特征个数由N 个降为K 个,但在这K 个特征中,均包含了原N 个特征的影响。
K 2L 变换是一种在均方误差准则下的最优正交变换,具有保熵性、保能量性、去相关性以及能量重新分配和集中等优点。
通过K 2L 变换,既实现了特征的压缩,同时也实现了特征的融合。
3 实验结果与分析 根据以上阐述的方法和思路,对外场采集的实际图像进行了仿真计算。
采集实验数据是典型的弱、小、低对比度目标,具体表现为,目标在成像平面上只占几个像元,成边缘模糊、残缺的斑点状,目标与背景幅值差异小于6个ADU (模拟数字转换单元);其次,背景周围存在杂乱的高频随机噪声,序列图像连续帧间出现目标闪烁、间断、亮度变化大等现象。
图1为连续场景中某帧原始图像数据(128×64),图中的闪烁亮斑为要检测和跟踪的目标,图像信噪比约为4dB 。
图2为原始图像的灰度变化曲面,目标灰度特征微弱,几乎淹没于噪声之中。
外场实际跟踪过程中,目标提取相当困难,常规方法无法实现稳定闭环跟踪。
采用本文方法的主要步骤如下:Fig.1 One of the image sequences for dim target 图1 弱小目标图像序列的某帧原始数据Fig.2 G ray curve of initial image for Fig.1图2 原始图像(图1)的灰度变化(1)针对单帧图像做高通滤波、非线性对比度增强处理;(2)取连续3帧数据且在包含目标的16×16大小的窗口内,加权平均确定初始模板,提取模板数据的上述各种特征属性,对多种特征以及窗口内平均灰度值进行K 2L 变换,取K 2L 变换后λ1(最大特征值)对应的特征数据作为后续相似度量的目标“综合特征”(3)整个区域或限定区域内,对模板“综合特征”的最佳搜索定位,进而确定目标的最佳位置。