面向目标识别的多特征图像融合技术综述

合集下载

图像识别中的多尺度特征融合方法探讨(五)

图像识别中的多尺度特征融合方法探讨随着计算机视觉技术的发展，图像识别已成为人们日常生活中不可或缺的一部分。

在图像识别过程中，多尺度特征融合方法的应用逐渐受到了重视。

本文将探讨多尺度特征融合方法的原理和应用。

首先，我们需要了解什么是多尺度特征融合。

它是一种将图像在不同尺度下提取的特征进行融合的方法。

在图像识别中，我们常常需要处理物体在不同尺度下的表现。

但是仅仅使用单一尺度的特征进行识别往往无法达到准确的效果。

因此，多尺度特征融合方法的提出就是为了解决这个问题。

多尺度特征融合方法的原理可以归纳为以下几个步骤。

首先，图像经过预处理，将其转化为灰度图像或者二值图像。

然后，在不同尺度下使用各种滤波器提取出一系列特征。

这些特征包括边缘、纹理、颜色等。

接下来，将不同尺度下提取出的特征进行组合和融合。

常见的多尺度特征融合方法包括加权融合、特征级融合和决策级融合。

最后，将融合后的特征输入到分类器中实现图像的识别和分类。

加权融合是最常用的多尺度特征融合方法之一。

其原理是给不同尺度下提取的特征设置不同的权重，通过加权求和的方式融合特征。

这种方法的优点是简单易懂，计算效率高。

但是，选择合适的权重是一个挑战。

不同权重的选择会对图像识别结果产生很大的影响。

特征级融合是另一种常见的多尺度特征融合方法。

在这种方法中，不同尺度下提取的特征首先被分别输入到不同的分类器中进行分类。

然后，将分类器的输出结果进行融合。

这种方法能够充分利用每个尺度下的特征信息，提高图像识别的准确性。

然而，特征级融合需要训练多个分类器，而且计算复杂度较高。

决策级融合是一种将不同尺度下的分类结果进行集成的方法。

在图像识别过程中，每个尺度下都会得到一个分类结果，然后通过投票、加权平均等方式将这些结果进行集成。

这种方法能够充分利用每个尺度下的分类信息，提高图像识别的鲁棒性。

然而，决策级融合需要额外的决策过程，对计算资源的要求较高。

总而言之，多尺度特征融合方法在图像识别中发挥着重要的作用。

图像识别中的多尺度特征融合方法探讨(六)

图像识别中的多尺度特征融合方法探讨随着计算机视觉技术的快速发展，图像识别已经成为了人工智能领域中的热门研究方向之一。

在图像识别任务中，多尺度特征融合方法的使用成为了提高识别准确率的关键技术之一。

本文将探讨图像识别中的多尺度特征融合方法。

一、多尺度特征融合的意义在图像识别任务中，使用单一尺度的特征往往难以获取全局和局部信息的充分表示。

而图像中的目标物体存在不同尺度的变化，因此，多尺度特征的融合可以有效地提取目标物体在不同尺度下的特征信息，从而提高识别准确率。

二、多尺度特征的提取方法多尺度特征的提取方法有很多种，其中常用的方法包括金字塔法、滤波法、深度金字塔法等。

金字塔法是一种基于多尺度图像金字塔的特征提取方法，它通过迭代地对原始图像进行上采样或下采样操作，生成一系列具有不同尺度的图像。

通过在这些图像上提取特征，可以获得多尺度的特征表示。

滤波法是一种基于滤波器的特征提取方法，它通过设计不同尺度的滤波器对原始图像进行滤波操作，从而获取多尺度的特征。

滤波法具有计算简单、易于实现的特点，被广泛应用于图像特征提取领域。

深度金字塔法是一种基于深度卷积神经网络的特征提取方法，它通过在网络中逐层增加滤波器尺寸或增加卷积层的深度，实现了对图像特征的多尺度表示。

深度金字塔法的优点是可以自动学习到不同尺度的特征表示，具有很强的表达能力。

三、多尺度特征的融合方法多尺度特征的融合方法有很多种，其中常用的方法包括特征级融合、决策级融合和模型级融合等。

特征级融合是一种将不同尺度的特征进行拼接或加权求和的方法。

在这种方法中，不同尺度的特征被认为是同等重要的，通过简单地拼接或加权求和可以得到最终的特征表示。

决策级融合是一种将不同尺度的分类决策结果进行集成的方法。

在这种方法中，不同尺度的分类器通过投票、加权平均等方式得到最终的分类结果。

模型级融合是一种将不同尺度的特征输入到不同的模型中，并最终将不同模型的结果进行集成的方法。

在这种方法中，不同模型对应不同尺度的特征，通过融合不同模型的结果可以得到更准确的分类结果。

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。

多模态融合技术在图像识别中的应用

多模态融合技术在图像识别中的应用引言随着图像处理和计算机视觉领域的不断发展，图像识别技术也日新月异。

多模态融合技术作为一种集多种信息融合为一体的技术，近年来在图像识别领域也得到了广泛的应用。

本篇文章将探讨多模态融合技术在图像识别中的应用。

第一部分：多模态融合技术概述多模态融合技术（Multi-modal fusion）是一种将多种信息整合在一起进行处理和分析的技术。

多模态系统通常由多个单一模态（如图像、语音、文本等）组成，其目的是提高识别的准确性和可靠性。

多模态融合技术在自然语言处理、计算机视觉和机器学习领域中得到了广泛的应用。

第二部分：多模态融合技术在图像识别中的应用图像识别是计算机视觉领域中的一个重要应用，多模态融合技术在图像识别中的应用也越来越受到重视。

多模态融合技术在图像识别中的应用主要分为以下几个方面。

1. 图像文本检索传统的图像检索通常基于图像的外观特征进行相似性计算，但是这种方法的局限性比较大。

而多模态融合技术则可以将语义信息和图像特征进行融合，从而提高检索的准确性。

例如，将每张图像和其对应的标注文本进行训练，并将它们的向量进行融合，生成图像的语义向量，最终将这些向量用于相似性计算，实现图像检索的效果。

2. 视频内容分析视频内容分析也是多模态融合技术在图像识别中的一个重要应用方向。

通过将视频的视觉特征和语义信息进行融合，可以提高视频的语义分析能力。

例如，在分析视频场景时，可以使用多个传感器（如摄像机、麦克风等）采集信息，然后将这些信息进行融合，从而更准确地了解视频内容。

3. 目标识别目标识别是图像识别中的一个重要任务，多模态融合技术也可以应用于目标识别中。

例如，在检测物体时，可以使用传感器（如相机和红外传感器）获取物体的多个特征，然后将这些特征进行融合，以提高检测准确度和鲁棒性。

4. 图像分割图像分割是将一张图像分成多个区域的过程，多模态融合技术可以通过融合图像、语音和文本等多种信息，提高图像分割算法的准确性和鲁棒性。

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。

多模态图像融合与目标检测技术研究

多模态图像融合与目标检测技术研究摘要：多模态图像融合与目标检测技术在计算机视觉领域具有重要的应用价值。

随着人工智能技术的不断发展，多模态图像融合与目标检测技术能够提供更加全面和准确的视觉信息，对于图像分析、目标识别等任务具有重要意义。

本文将对多模态图像融合与目标检测技术的研究现状、关键技术以及应用前景进行综述。

一、引言多模态图像融合是指将来自不同传感器或不同模态的图像数据进行有效融合，得到更为丰富和全面的视觉信息。

目标检测是计算机视觉领域的一个核心任务，旨在从图像或视频中准确地识别出感兴趣的目标。

多模态图像融合与目标检测技术相结合，可以提高目标检测的准确率和鲁棒性，进而应用于物体识别、智能监控等领域。

二、多模态图像融合技术1. 传感器融合传感器融合是多模态图像融合的一种常用方法。

通过将来自不同传感器的图像数据进行融合，可以提高信息的可靠性和准确性。

常见的传感器包括红外传感器、激光雷达、摄像头等。

传感器融合可以通过图像配准、特征融合等技术实现。

2. 特征融合特征融合是多模态图像融合的关键技术之一。

通过提取不同模态图像的特征信息，并将其融合在一起，可以得到更加准确和全面的特征表示。

常见的特征融合方法包括加权融合、决策级融合、特征层级融合等。

特征融合方法的选择与不同任务的需求和数据特点密切相关。

三、多模态目标检测技术1. 目标检测算法目标检测算法是多模态目标检测技术的核心。

目前常用的目标检测算法包括基于深度学习的方法，如Faster R-CNN、YOLO、SSD等。

这些算法在多模态图像融合中使用时，可以通过多任务学习、特征融合等方法进一步提高检测性能。

2. 数据集构建数据集的构建对于多模态目标检测技术的研究具有重要意义。

多模态图像融合涉及到不同模态的图像数据，因此需要构建包含多模态图像和对应标注的数据集。

数据集的标注可以采用人工标注或半自动标注的方式，以保证标注结果的准确性。

四、多模态图像融合与目标检测应用1. 图像分析多模态图像融合与目标检测技术可以应用于图像分析任务中，如图像分类、目标识别等。

特征融合综述-概述说明以及解释

特征融合综述-概述说明以及解释1.引言1.1 概述在特征融合的研究领域中，特征融合是指将来自不同数据源、不同特征空间或不同特征提取算法得到的特征信息进行整合、融合，以提高模式分类、识别、检测等任务的性能。

特征融合在计算机视觉、模式识别、人工智能等多个领域都有着广泛的应用。

随着深度学习技术的兴起，特征融合也得到了更多的关注和研究。

本篇文章将系统地综述特征融合的定义、背景、发展历程、方法与技术、优势与挑战以及未来发展趋势。

通过对已有研究成果的总结和分析，将全面展示特征融合在各个领域的应用情况和未来发展方向，为相关研究人员提供有益的参考和启示。

1.2文章结构文章结构本文主要包括三个部分：引言、正文和结论。

在引言部分，将对特征融合进行概述，介绍文章的结构和目的。

在正文部分，将详细介绍特征融合的定义和背景，包括特征融合的概念和意义、在不同领域的应用以及发展历程。

接着将介绍特征融合的方法与技术，包括传统特征融合方法、深度学习在特征融合中的应用以及其他新兴特征融合技术。

最后，将探讨特征融合的优势与挑战，包括其优势、挑战以及未来发展趋势。

在结论部分，将对文章进行总结和展望，强调特征融合的重要性，并提出结论和展望未来发展方向。

文章的目的是对特征融合这一技术进行深入探讨和综述，系统地总结特征融合的定义、背景、方法与技术、优势与挑战以及未来发展趋势。

通过对特征融合在不同领域的应用进行分析和总结，探讨其在实际问题中的作用和意义。

同时，文章旨在展示特征融合的重要性，帮助读者更好地理解和应用这一技术，促进相关领域的发展和创新。

最终目的是为读者提供一个全面、清晰的了解特征融合的综合资料，激发读者对特征融合的兴趣，推动其在实际应用中的广泛应用。

请编写文章1.3 目的部分的内容2.正文2.1 特征融合的定义和背景特征融合是指将来自多个信息源的特征结合在一起，以提高数据处理和分析的效果。

在数据科学和机器学习领域，特征融合被广泛应用于分类、回归、聚类等任务中。

图像识别中的多尺度特征融合方法探讨(四)

图像识别中的多尺度特征融合方法探讨随着计算机视觉技术的发展，图像识别已经成为一个热门的研究领域。

在图像识别中，多尺度特征融合方法被广泛应用，以提高准确性和鲁棒性。

本文将探讨多尺度特征融合方法的原理、应用以及存在的问题。

1. 多尺度特征融合方法的原理多尺度特征融合方法的核心思想是将不同尺度下提取的特征进行融合，以获取更全面和准确的图像信息。

常用的多尺度特征融合方法包括：金字塔结构、多尺度卷积神经网络（CNN）和多尺度池化等。

金字塔结构是一种层叠的图像表达方式，每一层都是通过缩小上一层得到的。

通过金字塔结构，我们可以在不同尺度上提取图像的特征，并将其融合起来。

多尺度卷积神经网络（CNN）是一种能够自动学习特征的神经网络结构，通过卷积层和池化层的堆叠，可以提取出不同尺度下的特征。

通过将不同尺度下提取的特征进行融合，可以获得更准确的图像识别结果。

多尺度池化是一种将图像划分为不同尺度的池化区域，并对每个区域进行特征提取的方法。

通过多尺度池化，我们可以获得不同尺度下的特征，并将其融合起来。

2. 多尺度特征融合方法的应用多尺度特征融合方法在图像识别中有广泛的应用。

例如，在目标检测任务中，多尺度特征融合可以帮助定位和识别不同大小的目标。

在人脸识别任务中，多尺度特征融合可以提高对不同尺度人脸的检测和比对能力。

在图像分类任务中，多尺度特征融合可以增加对图像细节的感知和理解。

多尺度特征融合方法的应用不仅可以提高图像识别的准确性，还可以增加系统的鲁棒性。

通过融合不同尺度下的特征，可以在不同情况下获得更全面和稳定的图像信息。

3. 多尺度特征融合方法存在的问题虽然多尺度特征融合方法在图像识别中有广泛应用，但仍存在一些问题。

首先，多尺度特征融合方法通常需要大量的计算资源和存储空间，导致算法的复杂性和开销增加。

其次，多尺度特征融合方法可能会引入冗余信息，影响系统的鲁棒性和实时性。

此外，多尺度特征融合方法对图像的预处理要求较高，需要对输入图像进行尺度归一化和去噪等操作。

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)。

征，这些特征的求取方法简便，并在图像处理的很
像寮级像融合ｃ
图像融
＾
¨
Ｉ埘标识别
ｆＦ标跟踪１特征级图像融合来自多领域获得了广泛的应用。目前面临的问题有：一是如何选择有效的数学工具将各种特征融合；二是如何寻找特征间的相关关系对识别效果的定量影
ｍｕｔｌｖｌａｄｃｍｐｅｅｓｖｔｏｎｉｆｒｔｎｐｏｅｓｎｄｓｎｅｉｉｇＯｗｅｃｎｇｔｍｏｅａｃｒｔｄｍｏｅｒｌｂｅｌ —ｅｅｉｎｏｒｈｎｉｅｍｅｈｄｉｎｏｍａｉｒｃｓｉｇａｙｔｓｎ，Ｓａｅｒｃｕａｅａｒｅｉｌｏｎｈｚｎａ
（．ｈｎｔｎｌｒｎｕｉａｄｏＥｅｔｎｃｓａｃｓｔｔＳａｇｉ０２３Ｃｈｎ；１ＣｉａＮａｉａｏａｔｌｏＡｅｃＲａｉｌｃｒｉｓｏＲｅｅｒｈＩｔｕｅ，ｈｎＨａ０３，ｉａｎｉ２
２Ａｍｖｔｎｅｒｓｎａｖｆｃ，ｅｅｌｔ，Ｌ，ｈｎＨｉ０２３Ｃｉａ．ｒｙｉｉｐｅｅｔｉｅｆｅＧｎｒａＰＡＳａｇａ２０３，ｈｎ）ＡａｏＲｔｏｉａＳｆ
数，特征提取的过程同时也是特征融合的过程，即
所谓的提取融合特征，它是特征空间融合模型的重点和难点，也是现阶段特征融合研究的热点。这种
方法得到的特征往往是复数或者多元数据，这就需
要使用常用的并行、串行或者其他的融合方法重新组合特征，以利于进一步识别。
人们对选用什么样的特征进行特征关联融合方面
缺乏统一的理论指导，融合的理论工具并没有完全构建出来。特征级的融合较决策级融合和像素级融合的研究成果较少，目前还在积极探索之中，应用
范围也有待进一步拓展，因此是一个很有应用前景和挑战性的研究方向。２１特征融合分类．
在特征级融合中，通常根据具体的应用场合、精度指标、处理器情况选择传感器类型、数量、
像融合 …。通过特征级图像融合不仅可以增加从图像中提取的特征信息，进行综合分析及融合处理，
还可能获得一些有用的复合特征，最大程度降低训练学习的复杂性，提高算法的自适应能力。
［摘要］目标识别是计算机视觉领域重要的研究课题。图像融合由于能对信息进行多级别、多层次以及多方
面的处理与综合，因此可以获得更为精确和更为可靠的信息。近年来，基于多特征融合的目标识别方法由于无
需精密的图像配准，计算简便的优点得到研究者的重视。本文首先简要介绍了特征融合的基本原理和基本框架；
Ｊｎ０１ｏ．ｕｅ１Ｖ１２Ｎｏ２（ｒｌ．４２４．ｓｉＮｏ１）ｅａ４
航空电子技术
Ａ１ＮＩＳＴＣ０ＬＶ０ＣＥＨＮ０ＧＹ
面向目标识别的多特征图像融合技术综述
王大伟，陈定荣，何亦征
（，中国航空无线电电子研究所，上海２０３；２１０２３，总参陆航部驻上海地区军事代表室，上海２０３）０２３
面向目标识别的多特征图像融合技术综述
王大伟等
２１年６月第４０１２卷第２期（总第１４期）４
单一特征进行目标的检测、识别和跟踪就很容易造
成误匹配。因此获得目标全面的、稳健的、区分能力强的特征就成为重要的研究课题。已有文献论述了采用特征级图像融合方法描述所识别性能要优于像素级图像融合和决策级图
ＡｂｔａｔＴｅｏｊｃｒｃｇｉｏｎｉｏｔｎｓａｃｐｃｉｅｆｌｆｏｕｅｉｏ．ｗｅｅ，ｍａｅｆｓｎｉｔｅｓｒｃ：ｈｂｅｔｅｏｎｔｎｉａｉｓｍｐｒｔｅｅｒｈｔｉｎｔｅｏｍｐｔｒｓｎＨｏｖｒｉｇｉｓｈａｒｏｈｉｄｃｖｉｕｏ
ＡＳｕｒｅｆＦｅｔｅ— ｖｅｍａｅＦｕｓｏｓｄｏｖｙｏａｕｒ－ｅｌＩｌｇｉｎＢａｅｎＴａｇｔＲｅｏｎｔｏｒｅｃｇｉｉｎ
ＷＡＮＧ－ｉ，ＣＨＥＮｎｒｎＨＥ．ｈｅｇＤａｗｅＤｉｇ．ｏｇ，Ｙｉｚｎ
中像素级融合虽然处理开销大，实时性差，但是其精度高，融合结果直观，也利于进一步进行图像分
析和理解，因而成为了图像融合最早开展的研究方向；决策级融合是高层次的融合，其任务是完成局部决策的融合处理，已经提出了贝叶斯推断，＿且ＤＳ
１引言
在军用航空电子领域为获得有效信息，摒弃重
复信息，减少处理数据量和操作人员负担，需要利
图像融合技术诞生的源泉。随着传感器性能的不断
增强、信息技术的不断进步，在航空侦察、场景监测、协助驾驶、人机交互、靶场跟踪、导弹制导等
位置、精度（分辨率，装调精度，像元尺寸，靶面大小），然后提出合理的融合系统结构。面向目标识别的特征级图像融合的系统结构大致可以分为
以下两类：
（）特征空间融合模型引１。这种模型往往采用多元数据的统计方法进行特征提取，通过分析组合数据的关系，找到最有利于识别的特征投影系
ｖｉｗｓａｄｓｇｅｔｏ．ｅｕｇｓｉｎｓｎ
Ｋｅｏｄｓａｇｔｅｏｎｔｎｍｕｌ—ｅｓｒｉｇｕｉｎｆａｕｅｌｖｌｕｓｏｙｗｒ：ｔｒｅｃｇｉｏ；ｒｉｔｓｎｏｉｍａｅｆｓｏ；ｅｔｒ－ｅｅｉｎｆ
ｉｆｒａｉｎＩｅｅｔｅｒ，ａｇｔｅｏｉｏａｅｎｍｕｔ－ｅｔｒｕｉｎａｔａｔｎｅｅｃｅｓａｅｔｎｂｃｕｅｏｉｏｎｏｍｔ．ｎｒｃｎａｓｔｅｃｇｔｎｂｓｄｏｌｆａｕｅｆｓｏｔｃｓｍａｙｒｓａｈｒ ’ ａｎｉｅａｓｆｔｌｗｏｙｒｒｎｉｉｒｒｏｓｉｇｅｉｔｔｎｐｅｉｉｎａｄｔｅｓｍａｅｒｇｓｒｉｒｃｓｏｎｈｉｌｏｕａｉｎＷｅｆｓｌｔｏｕｅｔｅｂｓｃｐｉｃｐｅｎａｅｒｆｆａｕｅｆｓｏａｏｍｐｅｃｍｐｔｔｏ．ｒｔｉｒｄｃａｉｒｉｌｓａｄｆｍｗｏｋｏｅｔｒｉｎ；ｉｙｎｈｎｒｕ
ｔｅｅｉｗｈｍｐｒｎｅｔｒ — ｖｌｆｓｏｔｏｓＦｎｌ，ｆｒｔｅｓｍｍａｙａｄａａｙｉｏｒｖｏｓｗｏｋａｄｏｒｃｒｅｔｈｎｒｖｅｔｅｉｏａｔｆａｅｌｅｕｉｎｍｅｈｄ．ｉａｌａｔｈｕｔｕｅｙｅｒｎｌｓｓｆｐｅｉｕｒｕｕｒｎｎｎｗｏｋ，ｏｎｕｅｉａｅｕｃｅｆｅｅｉｉｇａｇｒｈｓｐｅｉｔｔｅｆｔｒｅｅｃｉｅｔｎａｄｃａｌｎｅ，ｄｇｖｏｒｓｗｅｐｉｔｏｔｈｄｑａｉｓｏｘｓｎｌｏｔｍ，ｒｄｃｕｅｒｓａｈｄｒｃｉｈｌｇｓａｉｅｓｍｅｔｎｈｔｔｉｈｕｒｏｎｅｎ
响。２２特征级图像融合的应用现状．
层
Ｉ联合目标汉别
ｆ几睦标踪
次
决策级蹦像融合Ｉ联合标识别
ｌ态势评估
图１各层次图像融合及其主要应用方向
特征级图像融合是中间层的融合处理过程。特
征级图像融合既保留了参与融合的多特征的有效
２特征融合原理与应用现状
通常，按照融合系统中数据抽象的层次，图像融合可以划分为像素级融合、特征级融合和决策级融合三个级别。图１出了各层次图像融合分类示
及其主要应用方向。从数据处理代价和获得融合性能角度考量，这三个级别的融合各有优缺点。这其
然后梳理了特征融合的几类重要方法；最后，经过对前人工作的总结和分析，结合我们的工作，指出了现有算