信息融合技术在数字图像处理中的应用
信息融合技术在图像融合中的应用
信息融合技术在图像融合中的应用摘要：图像信息融合能够以软件手段把对同一目标或场景的不同图像综合成对同一目标或场景的全面、准确的描述, 它在医学、遥感、军事等领域有着较为广泛的应用。
良好的图像融合方法能够为后续的计算机自动化处理奠定坚实的基础。
本文介绍了图像融合的概念和层次划分，并重点分析了图像融合中所用到的信息融合方法。
关键词：信息融合，图像融合1．引言军事、医学、自然资源勘探、海洋资源管理、环境和土地利用管理、地形地貌分析、生物学等的应用需求有力地刺激了图像处理和图像融合技术的发展。
医学上, 图像融合技术被用来诊疗和制定手术方案。
商业和情报部门用图像融合技术来对旧照片、录像带进行恢复、转换等处理。
随着遥感技术的发展, 获取遥感数据的手段越来越丰富, 各种传感器获得的影像数据在同一地区形成影像金字塔, 图像融合技术实现多源数据的优势互补, 为提高这些数据的利用效益提供了有效的途径。
星载遥感用于地图绘制、多光谱、高光谱分析、数据的可视化处理、数字地球建设等, 图像融合是必不可少的技术手段。
2. 图像融合的概念图像融合技术是一种先进的综合多个源图像信息的图像处理技术。
所谓多源图像融合是对多个传感器采集到的关于同一场景或目标的多个源图像进行适当的融合处理, 以获取对同一场景的更为准确、更为全面、更为可靠的图像描述。
图像是二维信号, 图像融合技术是多源信息融合技术的一个重要分支, 因此,图像融合与多传感器信息融合具有共同的优点。
通过图像融合可以强化图像中的有用信息、增加图像理解的可靠性、获得更为精确的结果, 使系统变得更加实用。
同时,使系统具有良好的鲁棒性, 例如,可以增加置信度、减少模糊性、改善分类性能等。
目前, 将图像融合技术应用于数字图像处理的主要目的有以下几种:(1) 增加图像中有用信息的含量,改善图像的清晰度, 增强在单一传感器图像中无法看见/ 看清的某些特性;(2) 改善图像的空间分辨率, 增加光谱信息的含量, 为改善检测/ 分类/理解/ 识别性能获取补充的图像信息;(3) 通过不同时刻的图像序列融合来检测场景/ 目标的变化情况;(4) 通过融合多个二维图像产生具有立体视觉的三维图像, 可用于三维重建或立体摄影、测量等;(5) 利用来自其它传感器的图像来替代/ 弥补某一传感器图像中的丢失/ 故障信息。
多模态图像融合的算法与应用
多模态图像融合的算法与应用随着技术的不断进步，多模态图像成为了现代计算机视觉领域的一个热门研究方向。
多模态图像指的是不同传感器或不同特征提取方式所获得的图像数据，这些数据包含了更加丰富的信息，且相互之间具有一定的关联。
多模态图像融合的算法则是将这些数据整合并融合在一起，以提高图像处理的精确度和效率。
一、多模态图像融合的算法1. 融合模型多模态图像的融合一般采用融合模型进行处理。
常见的融合模型包括基于权重的融合模型、基于特征的融合模型、基于扩展融合模型等。
其中，最常用的是基于权重的融合模型。
基于权重的融合模型是指对于每个图像数据，给它分配不同的权重，再将不同权重的图像进行线性加权平均，以完成多模态图像的融合。
2. 数据融合多模态数据融合则是将多个数据源的信息整合在一起，形成更为全面和准确的数据。
数据融合的过程包括仿射变换、变换完备性和选择合适的融合规则等。
仿射变换的作用是尽可能地将不同数据进行标准化，在这个基础上运用变换完备性进行数据融合。
当然，在选择合适的融合规则时，也要考虑每种数据的特性以及重要性。
二、多模态图像融合的应用1. 监控领域在监控领域，多模态图像融合可以有效地提高图像处理和识别的准确度。
通过将不同摄像头获得的图像数据进行融合，可以形成更为全面且丰富的图像信息，使得对于类似目标的识别更加准确。
2. 医疗领域在医疗领域，多模态图像融合可以帮助医生更加准确地诊断患者的疾病。
例如，在乳腺癌诊断中，多模态图像融合可以将不同的乳腺检查方法进行整合，形成更为精准和准确的诊断结果。
3. 自动驾驶领域在自动驾驶领域，多模态图像融合可以协助车辆感知环境。
通过利用不同传感器所获得的图像数据，可以更加全面地感知路面、交通和气候等条件，从而更加精准地掌控汽车行驶。
总之，多模态图像融合的算法和应用具有广泛的应用前景。
随着计算机视觉技术的不断进步，相信多模态图像融合将会得到更加广泛的应用。
数字图像处理技术的应用综述--课程论文
《数字图像处理》课程论文题目：数字图像处理技术的应用综述1 绪论1.1数字图像处理简介数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。
数字图像处理的早期应用是对宇宙飞船发回的图像所进行的各种处理。
到了70年代，图像处理技术的应用迅速从宇航领域扩展到生物医学、信息科学、资源环境科学、天文学、物理学、工业、农业、国防、教育、艺术等各个领域与行业，对经济、军事、文化及人们的日常生活产生重大的影响。
1.2数字图像处理技术的基本特点1）处理信息量很大。
数字图像处理的信息大多是二维信息，处理信息量很大。
如一幅256×256低分辨率黑白图像，要求约64kbit的数据量；对高分辨率彩色512×512图像，则要求768kbit数据量；如果要处理30帧/秒的电视图像序列，则每秒要求500kbit～22.5Mbit数据量。
因此对计算机的计算速度、存储容量等要求较高。
2）占用频带较宽。
数字图像处理占用的频带较宽。
与语言信息相比，占用的频带要大几个数量级。
如电视图像的带宽约5.6MHz，而语音带宽仅为4kHz左右。
所以在成像、传输、存储、处理、显示等各个环节的实现上，技术难度较大，成本亦高，这就对频带压缩技术提出了更高的要。
3）各像素相关性大。
数字图像中各个像素是不独立的，其相关性大。
在图像画面上，经常有很多像素有相同或接近的灰度。
就电视画面而言，同一行中相邻两个像素或相邻两行间的像素，其相关系数可达0.9以上，而相邻两帧之间的相关性比帧内相关性一般说还要大些。
因此，图像处理中信息压缩的潜力很大。
4）无法复现三维景物的全部几何信息。
由于图像是三维景物的二维投影，一幅图象本身不具备复现三维景物的全部几何信息的能力，很显然三维景物背后部分信息在二维图像画面上是反映不出来的。
因此，要分析和理解三维景物必须作合适的假定或附加新的测量，例如双目图像或多视点图像。
在理解三维景物时需要知识导引，这也是人工智能中正在致力解决的知识工程问题。
人工智能与数字媒体技术的融合应用
人工智能与数字媒体技术的融合应用在当今数字化时代，科技的发展日新月异，人工智能（AI）和数字媒体技术作为其中的两大关键领域，正以前所未有的速度相互融合，并给我们的生活带来了深刻的变革。
数字媒体技术涵盖了图像、音频、视频等多种形式的信息处理和传播手段，而人工智能则为这些信息的生成、分析和优化提供了强大的智能支持。
这种融合不仅改变了数字媒体的创作和传播方式，还为用户带来了全新的体验。
在图像和视频处理方面，人工智能的应用使得图像处理变得更加高效和精准。
例如，通过深度学习算法，图像识别技术能够快速准确地识别和分类图像中的物体、人物和场景。
这在安防监控、自动驾驶等领域发挥着重要作用。
同时，基于人工智能的图像修复和增强技术，可以让老旧的照片或画质不佳的视频恢复清晰、鲜艳，为文化遗产保护和影视制作带来了极大的便利。
在音频处理领域，人工智能也有出色的表现。
语音识别技术让人们能够通过语音与计算机进行交互，实现语音控制、语音输入等功能。
语音合成技术则能够生成自然流畅的语音，应用于有声读物、智能客服等场景。
此外，通过对音频数据的分析，人工智能还可以实现音乐推荐、音效生成等创新应用。
数字媒体内容的创作是人工智能与数字媒体技术融合的另一个重要领域。
借助人工智能，创作者能够获得更多的灵感和工具。
例如，一些智能写作辅助工具可以根据给定的主题和关键词，生成文章的框架、提供相关的素材和参考，帮助作者提高写作效率和质量。
在视觉艺术创作中，人工智能生成的图像和动画能够为艺术家提供新的创意和思路。
而且，通过对大量优秀作品的学习，人工智能还可以模拟出特定风格的艺术作品，为创意产业注入了新的活力。
在数字媒体的传播和分发方面，人工智能的作用也不容忽视。
个性化推荐系统是一个典型的例子，它通过分析用户的浏览历史、兴趣爱好等数据，为用户精准推荐符合其需求的数字媒体内容。
这不仅提高了用户获取信息的效率，也增加了用户对平台的满意度和粘性。
同时，人工智能还可以用于优化广告投放，提高广告的效果和转化率。
基于数字图像处理技术的多传感器融合实现技术研究
基于数字图像处理技术的多传感器融合实现技术研究随着现代技术的不断进步，人们越来越依赖于数字图像处理技术。
数字图像处理是指利用计算机对数字图像进行处理，从中提取出所需的信息或进行特定的处理。
而在多传感器融合技术中，数字图像处理技术也扮演着重要的角色。
本文将讨论基于数字图像处理技术的多传感器融合实现技术研究。
一、多传感器融合技术的概念传感器是指能够获取某一特定信息的探测器。
多传感器融合技术是指利用多个传感器采集的数据，利用处理技术，将这些数据进行集成和整合，以获得更加准确和全面的信息。
在实际应用中，多传感器融合技术常常与数字图像处理技术相结合，以获得更加准确的数据和更加完整的信息。
二、数字图像处理技术在多传感器融合中的应用数字图像处理技术可以对传感器采集的数据进行处理，提取出其中的特定信息，并将其与其他传感器的数据进行融合。
具体地说，数字图像处理技术在多传感器融合中可以有以下应用：1. 图像配准不同传感器采集的图像往往具有不同的姿态和视角，因此需要将它们进行配准，以使得它们可以在同一坐标系下进行比较和融合。
数字图像处理技术可以对不同传感器采集的图像进行配准，从而得到高质量的融合结果。
2. 特征提取数字图像处理技术可以对不同传感器采集的图像进行特征提取，寻找出其中的共性和差异。
通过合理的特征提取算法，可以获得准确的信息，并在此基础上进行下一步的数据融合。
3. 数据融合数字图像处理技术可以将不同传感器采集的数据进行融合，获得更加全面和准确的信息。
具体地说，可以使用基于贝叶斯理论和卡尔曼滤波器等方法，对多个传感器采集的数据进行融合，并得到更加准确的结果。
三、数字图像处理技术在多传感器融合中的应用案例数字图像处理技术在多传感器融合中有着广泛的应用，以下举出几个应用案例来说明。
1. 构建三维模型利用不同传感器采集的图像和数据，可以构建出准确的三维模型。
比如说，在建筑领域，可以利用激光雷达和相机多传感器信息，快速构建出高精度的三维模型。
多模态学习与信息融合在图像检测中的应用
多模态学习与信息融合在图像检测中的应用第一章：引言（300字）随着人工智能的快速发展，图像检测技术逐渐成为计算机视觉领域的一个重要研究方向。
传统的图像检测方法主要基于单一模态的信息，只能通过图像进行检测和识别。
然而，单一模态的信息存在一些局限性，例如有些目标在图像中不明显或者被遮挡，单个模态的信息可能无法准确检测和识别这些目标。
为了克服这些问题，多模态学习与信息融合技术被引入到图像检测中，通过融合不同模态的信息，提高了目标检测和识别的性能和准确性。
第二章：多模态学习的基础（600字）多模态学习是一种通过融合来自不同模态的数据和信息来实现更全面、准确的学习和推断的方法。
在图像检测中，常用的模态包括语音、文本和图像等。
多模态学习通过同时对多个模态的数据进行学习，可以获得不同角度和不同维度的信息。
多模态学习算法通常包括数据预处理、特征提取和模型训练等步骤。
数据预处理是多模态学习的第一步，包括对不同模态数据的预处理和归一化。
例如，在图像检测中，可以对图像进行裁剪、缩放和灰度化等处理，使其适合于后续的特征提取和模型训练。
特征提取是多模态学习的关键步骤，它旨在从不同模态的数据中提取有代表性的特征。
对于图像数据，常用的特征提取方法包括卷积神经网络（CNN）、特征金字塔网络（FPN）和区域卷积神经网络（R-CNN）等。
对于其他模态的数据，也可以使用相应的特征提取方法。
特征提取后，可以得到多个不同模态的特征向量，将其送入模型训练。
模型训练是多模态学习的最后一步，目的是通过融合不同模态的特征向量，建立一个综合多模态信息的模型。
常用的模型包括混合模型、多任务学习模型和联合训练模型等。
这些模型可以通过样本数据进行训练和优化，从而实现目标检测和识别的任务。
第三章：信息融合的方法（900字）信息融合是多模态学习中的关键环节，它旨在有效地结合不同模态的信息，提高图像检测的性能和准确性。
常用的信息融合方法包括特征级融合、决策级融合和知识融合等。
图像处理中的多特征融合与目标识别技术研究
图像处理中的多特征融合与目标识别技术研究摘要：图像处理技术在计算机视觉、模式识别、人工智能等领域有广泛的应用。
多特征融合与目标识别是图像处理中的重要研究方向。
本文将从多特征融合的意义、目标识别技术以及融合方法等方面进行综述，并探讨当前的研究热点和未来的发展方向。
1. 引言图像处理技术是指对图像进行优化、重建、分割、特征提取等处理的一系列方法和算法。
随着数字图像在各个领域的广泛应用，图像处理技术得到了快速发展。
多特征融合与目标识别技术则是图像处理技术中的重要方向之一。
2. 多特征融合的意义多特征融合是指将图像中的多个特征信息进行有效整合，以提高图像处理和目标识别的准确性和鲁棒性。
在图像处理中，多特征融合的意义主要包括：1. 提高特征的鲁棒性：通过融合不同特征，可以弥补某些特征的不足，提高特征的鲁棒性，从而提高目标识别的准确性。
2. 丰富图像的表达能力：不同特征可以从不同层面对图像进行描述，通过融合多个特征，可以更全面、准确地展示图像的信息。
3. 降低特征维度：某些特征可能具有高维度的问题，通过融合不同特征，可以将特征维度降低到更合理的范围内，减少计算量和存储空间。
3. 目标识别技术目标识别是图像处理中的一个重要任务，其目标是在图像中准确地识别和定位特定的目标。
目标识别技术与多特征融合密切相关，常用的目标识别技术包括：1. 特征提取与描述：通过提取和描述图像中的局部特征，如边缘、纹理、颜色等，以实现对目标的识别和描述。
2. 分类器设计与训练：通过训练分类器，将提取到的特征与目标进行匹配和分类，以实现目标的识别和分类。
3. 目标定位与跟踪：在识别目标的基础上，对目标进行定位和跟踪，以实现对目标位置的精确定位和实时跟踪。
4. 多特征融合的方法多特征融合的方法主要包括特征级融合和决策级融合两种。
1. 特征级融合：将不同特征进行有效组合，得到新的特征向量表示图像，常用的特征级融合方法包括加权求和、特征连接、特征映射等。
如何利用图像处理技术进行多视角图像融合
如何利用图像处理技术进行多视角图像融合图像融合是计算机视觉领域中的重要技术之一，它能够将多个视角的图像信息融合为一个更为准确和完整的图像。
图像融合技术在许多应用领域具有广泛的应用，例如航空航天、地质勘探、医学影像等。
其中，利用图像处理技术进行多视角图像融合是一种常见且有效的方法。
本文将介绍如何利用图像处理技术进行多视角图像融合。
多视角图像融合的基本原理是通过对多幅图像进行配准和融合，从而得到更为准确和全面的图像信息。
图像配准是指将多幅图像进行对齐，使得它们在相对位置和尺度上保持一致。
图像融合是指将多幅配准后的图像进行加权或融合，得到一幅综合的图像。
下面将逐步介绍多视角图像融合的具体过程。
第一步是图像配准。
图像配准可以采用特征点匹配的方法，通过检测图像中的特征点，并找出它们之间的对应关系。
常用的特征点包括角点、斑点、边缘等。
一旦找到了特征点的对应关系，就可以通过应用几何变换，如仿射变换或投影变换，将图像进行对齐。
图像对齐后，它们的尺度、旋转和平移关系将一致，为后续的图像融合奠定基础。
第二步是图像融合。
在图像融合过程中，可以采用像素级融合或特征级融合的方法。
像素级融合是指通过调整图像的亮度、对比度和颜色等属性，使得它们在空间上平滑过渡，并融合为一幅全新的图像。
常用的像素级融合方法包括加权平均、Laplace金字塔融合和小波变换融合等。
特征级融合是指将图像中的特征提取出来，再进行融合。
常用的特征级融合方法包括特征加权融合、特征匹配融合和特征拼接融合等。
在进行图像融合时，还需要考虑到图像质量的评估和优化。
图像质量评估是指通过一些客观的指标，如均方误差、峰值信噪比和结构相似性指标等，对融合后的图像进行质量评估。
根据评估结果，可以对融合过程进行优化，以得到更好的图像融合效果。
除了基本的图像处理技术，还有一些高级的技术可以用于多视角图像融合。
例如，通过深度学习方法，可以学习图像的特征表示和融合权重，以得到更准确和自然的图像融合结果。
- 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)。
L
丄 丄 tz _L 丄 tz
丄 丄
16 丄 J_ 丄
L 2_ 4一 2— tL
2
丄
（a ）
图1两个3 3平滑（均值）滤波器掩膜
信息融合技术在数字图像处理中的应用
摘要：信息融合技术是近年来飞速发展的一门学科，
其应用领域广泛，主要应用于目标识别，
战场监视，自动飞行器导航与控制，机器人，复杂工业过程控制，遥感，医疗诊断，图像处 理，模式识别等领域。
本文通过实际编程实现信息融合在数字图像处理中的应用， 而且改善
了图像获取中由于图像传感器自身差异而带来的误差和噪声， 实现了单一传感器采集到更理
想的图像的目标。
关键词：信息融合技术 图像处理 图像融合
1引言
随着社会的快速发展，图像处理已经随处可见，应用前景广阔。
达到探索宇宙奥秘，小 到家居实用。
很多笔记本配备人脸识别，各种基于图像识别的安防系统，工业生产线等等。
而信息融合技术也因其应用前景广阔，
而备受青睐。
信息融合技术在图像处理中的应用更是
一大研究趋势。
本文着重讨论信息融合技术在数字图像处理中的应用。
2研究背景
本文使用图像传感器采集图像， 但由于传感器自身精度以及环境光线的影响， 因而获得 的图像质量不是很理想， 故而希望借助信息融合技术来实现对源图像较好的估计， 以期获得 较好更适于后续处理的图像。
3实现方法
3.1平滑线性滤波器
信息融合技术使用的前提条件是传感器采集到的信息尽可能的接近真是值。
否则进行信
息融合没有意义。
所以在使用采集的图像信息时先对采集的信息进行平滑滤波。
平滑线性空间滤波器的输出（响应）是包含在滤波掩膜邻域内像素的简单平均值， 因此
又叫均值滤波器，也属于低通滤波器。
平滑滤波器的概念非常直观。
它用滤波掩膜邻域内像素的平均值来代替这一掩膜内图像 的每一个像素值，这样处理减小了图像灰度的
“尖锐”变化。
由于典型的随机噪声由灰度级
的尖锐变化组成，因此，常见的平滑处理应用就是减噪。
所以均值滤波处理还是存在着不希望的边缘模糊的发面效应。
常用的平滑滤波掩膜有以下几种:
然而由于图像边缘（几乎总是一副图像希望有的特征）
也是由图像尖锐变化带来的特性,
(b)
设图像的像素掩膜为:
图2图像像素掩膜
那么均值滤波后的输出为：
w = (w1 w2 w3 w4 w5 w6 w7 w8 w9) - 9 (公式1) w = (w1 2w2 w3 2w4 4w5 2w6 w7 2w8 w9) -T6 (公式2)公式1是掩膜(a)与图像掩膜的结果，公式2为掩膜(b)与图像掩膜得到的结果。
比较可
以看出掩膜(b)更为重要一些。
这个掩膜叫做加权平均，是指用不同的系数乘以像素，这样，从权值上看，一些像素比另一些像素更为重要。
本实验使用掩膜(a),因为dsp做乘法运算花
费时间多。
3.2使用信息融合技术融合两幅图像
信息融合技术有多种方法，包括卡尔曼滤波，贝叶斯估计，D_S证据理论，模糊论和神
经网络等。
具体问题具体对待，由于要硬件实现，所以算法不能过难。
因而采用加权平均的思想。
通过对滤波平滑后的两幅图像加权平均，最后得到希望的结果。
这个方法的难点在于合理选择两幅图像的权值，这就要对两幅图像进行更深层次的识别，可以采集多幅图像取平均，这样得到的图像更为接近真实情况。
4实验结果
4.1图像获取
由于整个系统运行的平台是dsp，所以采集的是灰度图像，而且图像的像素不能过大，太大则会超过dsp芯片本省的片上存储器容量。
故采集的图像尺寸为100 95 256像素。
采集的图像是使用标准的BMP格式图像，BMP( Bitmap-File )文件是Windows采用的
图形文件格式，bmp图像文件由文件头、文件信息头、调色板和图像数据组成。
文件头14个字节，由文件头可以获得该文件的类型、大小及第1个像素的偏移地址。
文件信息共40字节，调色板是由256色4组成的。
所以图像内容是由14+40+1024=1078字节开始读取的。
Bmp图像数据是按逆序存储的，即数据是从下到上，从左到右读取。
因此常采用顺序读取，逆序显示的方法。
本实验用程序将图像读入dsp中，进行后续处理。
C语言读取文件的程序
如下：
void readimage( un sig ned char *pimage,char *file name,i nt w,i nt h) {
int j;
un sig ned char *pwork;
FILE *fp;
if(fp=fope n(file name,"rb"))
{ fseek(fp,1078L,SEEK_SET);
pwork=pimage+(h-1)*w; //bmp 数据按逆序存储
for(j=0;j<h;j++,pwork_=w)
{
fread(pwork,w,1,fp);
}
fclose(fp);
}
}
图3采集的原始图像(带噪声) 图4经过滤波掩膜(a)后的滤波效果图
4.2图像滤波
由于这幅图像混有较大的低频噪声，因而对其进行平滑线性滤波，采用前面所述的滤波
掩膜(a)，滤波后的结果如图4所示。
可以看出经过图像滤波处理的图像相比于原图噪声小了很多，但是由于平滑线性滤波器(又称均值滤波)的原理，即用掩膜邻域内的像素均值来代替这个像素域中的每一个像素值，防止图像灰度的“尖锐”变化。
必然会导致图像模糊，边界不清楚。
4.3图像融合结果
融合采用简单的加权平均融合算法。
因为这种算法运算量不至特别复杂，能够硬件实现，而且也能得到较好的结果，因此选用加权平均的算法。
采集下一幅图像，如图5所示
由于图5采集的图像较之图3采集的图像有了很大的改善，为了节省软件成本，直接使
用图5采集的图像和图1经过滤波后的图像图4进行融合，为了方便说明，图5叫做A图，图4叫做B 图。
采用不同的权值得到不同的结果。
图6为A 0.5 B 0.5时的融合结果。
可以看来比图3和图5任何一个图像效果都要好。
图7为A 0.3 B 0.7时的融合结果。
图8为A 0.4 B 0.6时的融合结果。
图9 为A 0.7 B 0.3时的融合结果。
图10为A 0.8 B 0.2时的融合结果。
图5采集的第二幅图像图6权值为0.5时的图像的融合结果
图7 A 0.3 B 0.7时的融合结果图8 A 0.4 B 0.6时的融合结果
图9 A 0.7 B 0.3时的融合结果图10 A 0.8 B 0.2时的融合结果显然，相比原始输入图像，融合后的结果越来越接近真实值。
由于原来图像的任一个。
5结论
实现了由两幅不理想的图像融合出较为理想的图像。
在做的过程中发现，融合的结果与权重的大小有关，而权重大小又依赖于得到图像的精确度，因而从源头上解决图像采集的
精度是一个办法。
其次要采用更加有效的融合算法。
本实验采用的融合算法过于简单，因而也制约着融合结果。
作为要硬件实现的算法，在计算量上的简介程度决定着其的适用范围，从仿真中明显能表现出算法运行所需的时间长短。
因此寻找更优化更简洁计算量更小的算法
也是解决方法之一。
参考文献
[1] 冈萨雷斯•数字图像处理(第二版)[M].北京：电子工业出版社，2003,91~105.
[2] 谭浩强.C程序设计(第三版)[M].北京：清华大学出版社，2005,91~130.
[3] 文贡坚，王润生• 一种稳健的直线提取算法[J].软件学报，2001,11(11):1660-1665.
[4] 陈亮，丁国辉，郭雷•基于直方图互确认的图像阈值化分割[J].红外与毫米波学报，2011,1(30):80~84.
⑸童诗白，华成英•模拟电子技术基础[M].北京：高等教育出版社，2009,185~214.
⑹王雪梅•基于改进的提升小波变换的图像融合算法[J].2012,2(29):237~240.
[7] 李军,吴洁明• 一种改进图像拼接算法的仿真研究[J].计算机仿真，2012,2(29):273~276.
[8] 王巍，刘瑶，安友伟，冯世娟，王岳生•基于小波变换的红外图像融合算法研究[J].光电技
术应用,2011,1(33):120~123.。