图像融合

像素级图像融合:主要是针对初始图像数据进行的,其主要目的是主要是图像加强、图像分割和图像分类,从而为人工判读图像或更进一步的特征级融合提供更佳的输入信息。像素级图像融合属于较低层次的融合,大部分研究集中在该层次上。融合以前首先要对图像进行预处理的工做,包括:降噪、几何校订、辐射校订、空问上精确配准等工做,若是图像具备不一样的分辨率,在融合前还须要做相应的映射处理。

特征级图像融合:是指从各个传感器图像中提取特征信息,并进行综合分析和处理的过程。提取的特征信息是像素信息的充分表示量或充分统计量,典型的特征信息有边缘、形状、轮廓、角、纹理、类似亮度区域等。经过特征级融合能够在原始图像中挖掘相关特征信息、增长特征信息的可信度、排除虚假特征、创建新的复合特征等。通过特征级融合处理后的结果是一个特征空间,数据量相比于原来的图像数据将大为减小,该处理进程将极大地提升数据处理和传输效率,有效地推进数据自动实时处理。特征级图像融合是中间层次上的融合,为决策级融合作准备。特征级融合对传感器对准要求不如像素级要求严格,所以图像传感器能够分布于不一样平台上。特征级融合的优势在于实现了可观的信息压缩,便于实时处理。目前,特征级数据融合的主要方法有:聚类分析方法、DemPster·shafer推理方法、贝廿卜斯估计方法、信息墒方法、加权平均方法、表决方法以及神经网络方法等。

决策级图像融合:是对来自多幅图像的信息进行逻辑推理或统计推理的过程。若是传感器信号表示形式差别很大或者涉及图像的不一样区域,那么决策级融合也许是融合多图像信息的惟一方法。用于融合的决策能够是源于系统中传感器提供的信息,也能够是来自环境模型或系统先验信息的决策。从传感器信息导出的决策表明了有关环境某个方面己作出的决策,一般是把传感器信息导出的特征与模型匹配来处理。于是,决策级融合是图像融合的最高层次,其最直接的体现就是通过决策级融合的结果能够直接做为决策要素来作出相应的行为,以及直接为决策者提供决策参考。决策级融合的主要优势可归纳为:(l)通讯及传输要求低,这是由其数据量少决定的;(2)容错性高。对于一个或若干个传感器的数据千扰,能够经过适当的融协力一法予以消除:(3)数据要求低,传感器能够是同质或异质,对传感器的依赖性和要求下降;(4)分析能力强,能全方位有效反映目标及环境的信息、,知足不一样应用的须要。因为对预处理及特征抽取有较高要求,因此决策级图像融合的代价较高。目前,经常使用的决策级图像融合的力一法主要有贝叶斯估计法、神经网络法、模糊聚类法及专家系统等。

 

本文分享自微信公众号 - 瓜大三哥（xiguazai_tortoise）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。