图像融合研究综述
基于傅里叶变换的图像融合算法研究
基于傅里叶变换的图像融合算法研究图像融合是一种将多幅图像进行融合，以获得更加细节丰富和信息完整的图像的技术。
它在计算机视觉、图像处理和模式识别等领域中扮演着重要角色。
基于傅里叶变换的图像融合算法在图像处理领域得到了广泛应用，并取得了一定的研究结果。
本文将对基于傅里叶变换的图像融合算法进行深入研究，探讨其优势、局限性以及未来发展方向。
傅里叶变换是用来分析信号的频域特性的重要数学工具，其本质是将一个信号分解为各个频率的正弦函数和余弦函数的线性组合。
基于傅里叶变换的图像融合算法主要利用了图像在频域上的特性，将不同图像的频率信息进行融合，从而得到融合后的图像。
首先，基于傅里叶变换的图像融合算法具有良好的频域特性分析能力。
通过傅里叶变换，可以将图像从空域转换到频域，从而更好地分析图像的频率特性。
基于傅里叶变换的图像融合算法可以对图像的低频和高频信息进行分析和提取，从而更好地捕捉图像的细节和边缘特征。
其次，基于傅里叶变换的图像融合算法可以实现图像的无损融合。
由于傅里叶变换的线性性质，图像的频域信息可以进行加权融合，从而实现图像的无损融合。
这样，在融合后的图像中，可以同时呈现原始图像的所有细节和特征，增强了图像的信息量和可读性。
然而，基于傅里叶变换的图像融合算法也存在一些局限性。
首先，傅里叶变换无法处理非平稳信号，而图像中的某些区域可能是非平稳的，例如边缘和纹理等。
这就导致基于傅里叶变换的图像融合算法在处理这些区域时可能会出现信息丢失或者伪影的问题。
其次，基于傅里叶变换的图像融合算法对图像分辨率的要求较高。
基于傅里叶变换的图像融合算法需要对原始图像进行频率域的分解和融合，这就要求原始图像的分辨率较高，以保证融合后的图像仍然能够保留较好的细节和特征。
所以，未来基于傅里叶变换的图像融合算法需要在以下几个方面进行改进和发展。
首先，可以结合其他图像处理技术，例如小波变换和局部对比度增强，进一步提升融合算法对非平稳信号的处理能力，以减少信息丢失和伪影的问题。
基于多尺度分解的红外与可见光图像融合算法研究
基于多尺度分解的红外与可见光图像融合算法研究基于多尺度分解的红外与可见光图像融合算法研究摘要：随着红外与可见光图像在各个领域中的应用越来越广泛，红外与可见光图像融合技术成为研究的热点之一。
本文针对红外与可见光图像融合算法的研究进行了综述，并重点详细介绍了基于多尺度分解的红外与可见光图像融合算法。
通过将红外与可见光图像进行小波分解，并融合低频分量和高频分量，达到优化融合结果的目的。
实验结果表明，该算法可以更好地保留红外图像的热点目标信息和可见光图像的目标细节信息，具有较好的融合效果。
1.引言随着红外与可见光技术的进步与发展，红外与可见光图像在军事、安防、医疗和航天等领域得到了广泛的应用。
由于红外与可见光图像的特性有所不同，需要将两者融合，以提高目标检测、跟踪和识别等应用的效果。
因此，红外与可见光图像融合技术成为研究的热点之一。
2.红外与可见光图像融合算法综述目前，红外与可见光图像融合算法主要包括像素级融合、特征级融合和决策级融合等方法。
像素级融合方法是将两个图像的对应像素进行加权平均；特征级融合方法是提取两个图像的特征，然后将特征进行融合；决策级融合方法是根据各个图像的决策结果进行融合。
这些方法各有优缺点，无法完全满足应用需求。
因此，本文重点研究基于多尺度分解的红外与可见光图像融合算法。
3.基于多尺度分解的红外与可见光图像融合算法基于多尺度分解的红外与可见光图像融合算法主要包括以下步骤：（1）对红外与可见光图像进行小波分解。
首先，将红外与可见光图像进行小波分解，得到各个尺度的低频分量和高频分量。
通过小波变换可以将图像在时域和频域同时进行分析，较好地保留了图像的空间和频率信息。
（2）对低频分量进行融合。
将红外与可见光图像的低频分量进行融合，可以保留红外图像的热点目标信息和可见光图像的目标细节信息。
（3）对高频分量进行融合。
将红外与可见光图像的高频分量进行融合，可以提取出更多的边缘和纹理信息。
（4）重构融合后的图像。
基于视觉显著性的图像融合研究
基于视觉显著性的图像融合研究随着计算机技术的不断发展，图像处理技术已经成为了一个不可忽视的领域。
其中，图像融合技术在许多领域都得到了广泛的应用，如监控、遥感以及医学图像等领域。
其中，基于视觉显著性的图像融合是当前研究的热点之一。
一、视觉显著性的概念和特征视觉显著性是指场景中与众不同的、引人注目的部分。
在人的视觉系统中，视觉显著性是通过底层特征和高层特征进行计算的。
底层特征指的是色度、亮度等基本的图像特征。
高层特征则是指图像的纹理、形状等高级特征。
而视觉显著性的计算则是通过这些特征综合得出的。
二、基于视觉显著性的图像融合技术基于视觉显著性的图像融合技术通过计算图像各部分的视觉显著性，从而实现对不同输入图像的融合。
这种算法的核心是图像区域的加权，以保持图像的平滑过渡。
该技术的应用非常广泛，如监控、遥感以及医学图像等领域。
三、基于“视觉热力图”的图像融合技术在视觉显著性的基础上，又出现了基于“视觉热力图”的图像融合技术。
这种技术可以给出一个与输入图像大小相同的视觉显著性热力图，这个热力图可以精确地区分图像中的显著部分和不显著部分。
该技术因其高效和精度而备受关注。
四、基于机器学习的图像融合技术除了视觉显著性之外，机器学习技术也被应用于图像融合领域。
机器学习技术可以自主学习图像特征，根据特征将各个图像区域分为显著和不显著。
这种技术的优点是可以应用于各种场景和各种类型的图像，与传统技术相比，融合效果更加自然、准确。
五、基于深度学习的图像融合技术深度学习技术在图像融合领域也得到了广泛的应用。
深度学习技术可以学习输入图像的特征，并以不断迭代的方式自主学习图像融合的过程。
深度学习技术可以在不看先前的图像融合结果的情况下自主进行图像融合，从而大大提高了融合效果和自主性。
六、结语基于视觉显著性的图像融合技术是目前图像处理领域中的热点之一。
不同于传统的图像融合技术，视觉显著性技术可以有效的保留图像的细节和显著部分，从而使得融合效果更加自然、准确。
多模态图像融合算法综述
多模态图像融合算法综述多模态图像融合能最大限度地提取各模态的图像信息，同时减少冗余信息。
文章提出一种新的图像融合算法的分类体系，在分析新体系的基础上，阐述了各体系下的代表性算法，论述图像融合的研究背景及研究进展，最后提出了未来趋势的新目标。
标签：图像融合；像素级；特征级；决策级；图像融合算法引言不同模态传感器关于同一场景所采集到的图像数据经过相关技术处理相融合的过程称为多模态图像融合，本文站在新的角度，提出一种新的分类体系，同时阐述各体系下的代表性算法，论述图像融合领域的发展现状。
1 图像融合的体系根据融合的对象，图像融合一般分为三个等级：像素级、特征级及决策级[1]。
像素级的处理对象是像素，最简单直接，特征级建立在抽取输入源图像特征的基础上，决策级是对图像信息更高要求的抽象处理，本文在此基础上提出一种不同的的分类体系，即直接融合和间接融合。
1.1 直接图像融合算法直接图像融合算法分基于像素点和基于特征向量的融合方法，基于像素点的融合主要针对初始图像数据而进行[2]，是对各图像像素点信息的综合处理[3]。
1.2 间接图像融合算法类间接图像融合算法是指对图像进行变换、分解重构或经神经网络处理后，通过逻辑推理来分析多幅图像的信息。
2 直接图像融合算法类直接图像融合算法分基于像素点和基于特征向量的图像融合算法。
2.1 基于像素点的直接图像融合算法设待融合图像X、Y，且X（i，j）、Y（i，j）为图像X、图像Y在位置（i，j）的灰度值，则融合后的图像Z（i，j）=x X（i，j）+y Y（i，j），x、y是加权系数且x+y=1。
算法简单、融合速度快，但减弱了图像的对比度[4]。
2.2 基于特征向量的直接图像融合算法图像特征包括颜色、纹理、形状、空间关系等，从多模态图像提取特征信息[2]，并对其归纳和分析处理，可剔除虚假特征、构建新的复合特征。
2.2.1 特征的串行融合算法样本空间Ω上的随意样本ξ∈Ω，且在Ω上定义两个特征空间A和B[5]，同时构建两个特征向量α∈A和β∈B，则ξ的串行组合特征可以定义为γ=（α，β）。
多视角图像融合算法综述
多视角图像融合算法综述图像融合是一种将多幅图像融合成一幅结果图像的技术。
随着科技的发展和人们对图像质量的要求不断提高，多视角图像融合算法成为了研究热点。
本文将对多视角图像融合算法进行综述，分析其各种方法和应用。
1. 引言多视角图像融合算法的研究与应用涉及多个领域，包括计算机视觉、图像处理、机器学习等。
其主要目标是能够合成一幅更加清晰、更具信息丰富性的图像，并能够从多个视角中获取更多的细节。
多视角图像融合算法可应用于许多领域，如遥感图像、医学影像等。
2. 多视角图像融合算法的分类2.1 基于传统图像处理的方法传统的图像处理方法主要包括像素级融合、变换域融合和区域级融合三种。
2.1.1 像素级融合像素级融合是一种将多个图像的像素进行简单叠加或加权求和的方法。
这种方法简单直观，易于实现，但容易导致图像失真和信息丢失。
2.1.2 变换域融合变换域融合是基于图像的频域变换，如小波变换和离散余弦变换（DCT）。
通过对不同图像进行变换域分析和合成，可以达到多视角图像融合的目的。
然而，变换域融合方法对不同图像的频谱分量有一定假设，因此可能导致失真。
2.1.3 区域级融合区域级融合方法是基于图像的区域分割和匹配，将不同图像中相似的区域进行融合。
这种方法能够更好地保留图像的细节和结构，但需要进行复杂的图像分割和匹配，计算复杂度较高。
2.2 基于深度学习的方法近年来，深度学习在图像处理领域取得了重大突破。
多视角图像融合算法也开始采用基于深度学习的方法。
2.2.1 卷积神经网络（CNN）卷积神经网络是一种可以自动学习图像特征的神经网络。
通过训练大量的图像数据，CNN可以学习到图像中的细节和结构，并将多个视角的图像进行融合。
2.2.2 生成对抗网络（GAN）生成对抗网络是一种通过两个神经网络进行对抗训练的模型。
其中一个网络为生成器，负责生成合成图像；另一个网络为判别器，负责判断生成的图像是否真实。
通过不断迭代训练，GAN可以生成更加真实且细节丰富的多视角图像。
多源遥感图像融合技术综述
多源遥感图像融合技术综述摘要：本文针对遥感图像分析的具体实践需要,论述了几种常用的基于像素级遥感图像融合方法的原理、特点、作用及限制条件,描述了其主要步骤,进行了定性分析,归纳并阐明了遥感数据融合效果定量评价指标及其意义,展望了遥感图像融合方法的发展与应用前景。
关键词：遥感图像融合、像素级、主成份分析法、小波变换分析法Abstract：According to the analytical practice of remotely sensed image, the paper introduces some popular fusion methods based on pixel-level, mainly discusses the principals,features, functions, conditions, qualitatively analyses the steps of the methods,generalizes and illustrates quantitative appreciation of the fusion effects, and explainthe development of image fusion techniques for remote sensing application, as well asit’s foregrounds in application.Key words: remote sensing image fusion, pixel-level,principal components analysis, wavelets analysis.0.引言遥感平台和传感器的发展，使得遥感系统能够为用户提供同一地区的多空间分辨率、多光谱分辨率、多时间分辨率的海量影像资料。
一般来说，多光谱图像的光谱分辨率较高，但空间分辨率比较低，即空间的细节表现能力比较差；全色图像具有较高的空间分辨率，但光谱分辨率较低。
浅谈高光谱图像融合方法
浅谈高光谱图像融合方法1. 引言1.1 背景介绍随着遥感技术的不断发展，高光谱图像和多光谱图像已经成为遥感领域的重要数据来源。
高光谱图像能够提供丰富的光谱信息，但分辨率较低；而多光谱图像具有较高的空间分辨率，但光谱信息相对较少。
将高光谱图像和多光谱图像结合起来，可以充分利用它们各自的优势，实现更细致的地物分类和识别。
高光谱图像融合方法具有重要的理论和实际意义。
通过将高光谱和多光谱图像融合，可以提高遥感数据的综合信息量，进一步提高遥感图像的分析和应用能力。
研究高光谱图像融合方法不仅有助于丰富遥感技术的应用范围，还可以为环境监测、资源管理、灾害预警等领域提供更加精准的数据支持。
在当前的研究领域中，高光谱图像融合方法已经成为研究热点之一。
通过不断改进和创新，将可以更好地发挥高光谱和多光谱图像的优势，为遥感领域的发展带来新的突破。
1.2 研究意义高光谱图像融合方法的研究意义在于提高遥感图像的分析与应用效率和精度。
随着遥感技术的不断发展，高光谱和多光谱图像在农业、环境监测、城市规划等领域得到了广泛应用。
单独利用高光谱或多光谱图像存在信息不足或信息重复的问题，无法充分表达地物的特征。
高光谱图像融合方法的研究可以克服单一图像的局限性，实现对地物特征的更准确、更全面的描述。
通过融合高光谱和多光谱图像，可以提高地物分类与识别的精度，为环境监测、资源调查、城市规划等领域提供更可靠的依据。
高光谱图像融合方法还有助于减少数据量，提高图像处理的效率，为大数据时代下的遥感应用提供支持。
研究高光谱图像融合方法具有重要的实际意义和应用前景。
1.3 研究现状高光谱图像融合是当前遥感图像处理领域的热点之一，对于提高图像质量、增强信息提取能力具有重要意义。
目前，关于高光谱图像融合方法的研究已经取得了一定的进展。
在传统的融合方法中，基于像素级和特征级的融合方法被广泛采用，通常是通过将高光谱图像和多光谱图像进行简单的加权平均或者特征变换来实现信息融合。
基于深度学习的图像融合技术研究
基于深度学习的图像融合技术研究深度学习是一种人工智能技术，它的出现使得计算机能够学习并处理更加复杂的问题。
在图像处理方面，深度学习算法中的人工神经网络可以识别图像特征并对其进行融合，从而产生更加高质量的图像。
当前，基于深度学习的图像融合技术正受到越来越多的关注。
这种技术可以将不同感兴趣区域（ROI）内的图像融合为一幅完整的图像，同时保留最重要的信息。
在很多领域中，这种技术的应用非常广泛，比如医学诊断、无人驾驶汽车控制、安全监控等等。
大量的研究表明，深度卷积神经网络（DCNN）是实现图像融合的一项非常有前途的技术。
DCNN通常由多个卷积层和池化层组成，这些层可以对特征进行抽取和匹配。
在图像融合任务中，通过研究深度学习模型中的DCNN和深度学习架构，可以找到一种有效的方法来提高图像的融合质量。
除了DCNN外，GAN（生成式对抗网络）也是实现图像融合非常有效的技术。
GAN由两个互相对抗的网络组成，生成器和鉴别器。
生成器的任务是生成逼真的图像，而鉴别器的任务是判别生成器生成的图像是否真实。
通过不断地训练，GAN可以更加逼真地生成图像，从而实现更好的融合效果。
不管是DCNN还是GAN，它们需要大量的训练数据来训练模型。
在训练过程中，需要使用数据增强技术和正则化技术来防止过拟合。
同时，还需要对超参数进行调整和优化，以便得到最佳的融合质量。
总之，基于深度学习的图像融合技术具有广泛的应用前景。
通过研究不同的深度学习模型和算法，我们可以找到更加有效的方法来实现高质量的图像融合。
随着深度学习技术的不断发展，我们相信未来将会出现更加先进的图像融合方案。
- 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)。
域,设计合理有效的融合算法是图像融合
研究的重点。
3.2 像素级图像融合的研究方法
现有的像素级图像融合方法可以归纳
成 三 个 阶 段:传 统 的 简 单 融 合 方 法 、基 于 塔
式分解和重建的融合方法以及基于小波变
换 的 图 像 融 合 方 法 。小 波 变 换 可 以 将 图 像
分解成一个最低层逼近和不同尺度不同方
技 术 创 新
后的图像才能进行有效的融合,而且图像
配 准 的 质 量 将 直 接 影 响 融 合 的 结 果 [7]。
3.1.4 图 像 的 融 合
图 像 经 过 预 处 理 ,配 准 等 前 期 工 作 之
后,就 可 以 进 行 融 合 处 理 了 。这 一 步 是 图 像
融合的核心,如何针对不同的融合应用领
目前,图像融合技术在自动目标识别、 遥 感 、机 器 人 、医 学 图 像 处 理 以 及 军 事 应 用 等 领 域 都 表 现 出 巨 大 的 应 用 潜 力 。例 如 ,红
外图像与可见光图像的融合可以帮助飞行 员 进 行 导 航 ;CT与 核 磁 共 振 MRI图 像 的 融 合有利于医生对疾病进行准确的诊断等。 因此,对图像融合技术展开深入的研究,对 于国民经济的发展和国防事业的建设均有 重要的意义。
IEEE图 像 处 理 会 议 和 相 关 的 期 刊 中 ,并 研 制 出 了 一 些 实 用 的 处 理 系 统 和 软 件 。国 内 对图像融合技术研究起步较晚,主要有一 些研究机构和大学从事这一领域的研究和 探 讨 ,例 如 中 科 院 遥 感 所 、中 科 院 上 海 技 术 物 理 研 究 所 等 单 位 。从 目 前 的 发 展 水 平 来 看,国内的研究与世界水平还存在一定差 距,大都局限在理论研究的初始阶段,还没 有商品化的成熟软件或系统平台推出。 1.2 图像融合技术发展状况
3.1.1 图 像 的 除 噪 对来自同一场景的多幅带有不同噪声 的或者来自不同传感器的图像,如果直接 进行融合,必然使噪声融入到融合图像中, 这是图像数据融合结果不够理想的主要原 因 [6]。所 以 ,在 进 行 图 像 融 合 之 前 ,必 须 要 对 每 一 幅 图 像 进 行 预 处 理 。首 先 要 分 析 和 研 究图像的特点,然后针对各自的特点采用 合适的方法进行图像的噪声去除(滤波),即 把每一幅被污染的图像数据通过预处理恢 复到一个比较好的结果。 3.1.2 图 像 的 边 缘 提 取 图像的边缘是图像的特征之一,它是 图像配准和基于特征的图像融合的前期工 作 。边 缘 表 示 了 信 号 的 突 变 ,能 勾 画 出 区 域 的形状,包含了图像中大量的信息,边缘检 测 是 图 像 分 析 的 重 要 内 容 。边 缘 信 息 的 提 取是进行下一步图像处理的基础。 3.1.3 图 像 的 配 准 如果描述同一场景的图像来自不同的 传感器,由于传感器之间存在着角度以及 视景范围的不同,图像会产生一些差异,表 现是图像不完全对准,即这幅图像的第一 行\列像素对应到另一幅图像中并不是相 同 的 行 \列 。例 如 人 的 左 眼 和 右 眼 看 到 的 视 景范围是不同的,但大脑在处理两只眼睛 捕 获 的 图 像 时 有 一 个 配 准 的 过 程 。图 像 配 准是图像融合的基本环节,只有经过配准
点进行加权叠加。如果 Ak (i, j ) 为n幅图像 Ak
决策级融合的数据量少,对通信及传 输 要 求 低 。在 融 合 过 程 中,能 够 对 数 据 的 干 扰通过适当的融合方法予以消除,并能够 全方位地反映目标及环境的信息,满足不 同应用的需要。
三个层次的图像融合都有各自的优缺 点,在实际应用中,要根据具体的需要和不 同层次融合的特点进行选择,以获得最优 的 融 合 结 果 。在 表 1 中 对 三 种 融 合 层 次 作 了 比较。
信息融合正是为了满足这种需求而发 展 起 来 的 一 种 新 技 术 。多 传 感 器 信 息 融 合 是指对来自多个传感器的信息进行多级 别 、多 方 面 、多 层 次 的 处 理 与 综 合 ,从 而 获 得 更 丰 富 、更 精 确 、更 可 靠 的 有 用 信 息 。图 像融合技术是多传感器信息融合的一个重 要的分支,近二十年来,引起了世界范围内 的 广 泛 关 注 和 研 究 [2]。
1 图像融合研究现状
1.1 图像融合概述 图像融合是指将2个或2个以上的传感
器在同一时间(或不同时间)获取的关于某 个具体场景的图像或者图像序列信息加以 综合,生成一个新的关于这一场景的解释, 这一解释是从单一传感器获得的信息中无 法 得 到 的 [3]。
目 前 , 美 国 、德 国 、日 本 等 国 家 都 在 开 展图像信息融合研究,在不同层次上开展 了大量的模型和算法研究,相关的研究内 容大量出现在美国三军数据融合年会、
图像融合是采用某种算法对两幅或多 幅不同的源图像进行综合处理,形成一幅 新 的 图 像 。根 据 融 合 处 理 所 处 的 阶 段 不 同 , 图像的融合处理通常可以在三个不同层次 上 进 行 : 像 素 级 ( P i x e l - l e v e l ) 、特 征 级 (Feature-level)和决策级(Decision-level) [2]。 图1示意了在图像处理的全过程中,图像融 合所处的位置与层次。 2.1 像素级图像融合
像素级图像融合是在严格配准的条件 下,对各传感器输出的图像信号,直接进行 信 息 的 综 合 与 分 析 。像 素 级 图 像 融 合 直 接 在原始数据层上进行融合,主要任务是对 多传感器目标和背景要素的测量结果进行
科技创新导报 Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ
１１
科技创新导报 ２０１１ ＮＯ．１３ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ
融合处理,它的融合准确性最高,能够提供 其它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 分 析 处 理 。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 [3 ]。但 是 与 其 它 两 个 层 次 的 融 合 相 比,像素级融合需要处理的信息量大,处理 时 间 长,对 设 备 的 要 求 也 比 较 高 。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 中最为复杂且实施难度最大的融合。
像素级融合能提供其它融合层次所不 能 提 供 的 细 微 信 息 。但 也 有 以 下 缺 点 :处理 的 数 据 量 大 、时 间 长 、效 率 低 ,对 图 像 的 要 求 高 、数 据 源 难 获 取 ,抗 干 扰 能 力 差 。 2.2 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 等 )进 行 综 合 [3]。特 征 级 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 。它 使 用 参 数 模 板 、统 计 分 析 、模 式 相 关 等 方 法 完 成 几 何 关 联 、特 征 提 取 和 目 标 识 别 等 功 能,以 利 于 系 统 判 决 。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 大限度给出决策分析所需要的特征信息。 虽 然 在 模 式 识 别 、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,但这一问题至 今仍是计算机视觉领域的一个难题,有待 于从融合角度进一步研究和提高。
Hale Waihona Puke 细介绍了像素级图像融合的算法,对算法进行了比较分析,然后对融合后图像的评价做了介绍。最后对图像融合研究做出了展望。
关键词:图像融合 小波变换 融合效果评价
中 图 分 类 号 :TP391
文献标识码:A
文 章 编 号 :1674-098X(2011)05(a)-0011-03
序言
当 今 ,在 计 算 机 、电 子 信 息 等 科 学 技 术 迅速发展的同时,也带动了传感器技术的 飞 速 发 展 。多 传 感 器 使 系 统 获 得 的 信 息 量 急剧增加并且呈现多样性和复杂性,以往 的信息处理方法已无法满足这种新的情 况,必须发展新的方法和技术来解决我们 所 面 临 的 新 问 题 [1]。
3 像素级图像融合
在学习了图像融合的方法后,我们得 出 结 论 :像 素 级 图 像 融 合 是 最 基 本 、最 重 要 的图像融合方法,同时,它也是获取信息量 最 多 ,检 测 性 能 最 好 ,适 用 范 围 最 广 ,实 施 难 度 最 大 的 一 种 融 合 方 法 [5]。
像素级图像融合的主要目的是使融合 后 的 图 像 包 含 更 全 面 、更 精 确 、更 突 出 、更 可靠的信息,使获得的图像更符合人或机 器的视觉特性,更利于对其作进一步的分 析 、理 解 以 及 目 标 的 识 别 或 跟 踪 。 3.1 像素级图像融合的一般步骤
技 术 创 新
科技创新导报 ２０１１ ＮＯ．１３
Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ
图像融合研究综述
王春华 (苏州工业园区服务外包职业学院 江苏苏州 215123)
摘 要:本文介绍了图像融合的发展过程,以及国内外发展状况。并对图像融合的层次进行了分析,对各层做了详细介绍并做了对比。详
向的细节,是目前图像融合领域的主流方
法 。但 在 高 维 情 况 下,小 波 分 析 不 能 充 分 利
用 图 像 本 身 的 几 何 特 征 ,并 不 是 最 优 和“ 最
稀 疏 ”的 函 数 表 示 方 法 。