基于树状小波分解的多传感器图像融合

提出了基于树状小波分解的多传感器图像融合方法 ,它能够在一定的能量准则下 ,自适应地根据图像特征进行子带分解和融合 .对可见光图像与红外图像、可见光图像与毫米波图像进行融合的实验结果表明 ,所提出的方法比传统的金字塔形小波分解具有更好的融合效果 .

多传感器图像融合技术及评价方法研究

对图像融合的主要研究内容和方法进行了探讨,对像素级多分辨图像融合的主流方法作了深入地分析和定性比较,对图像融合效果的客观评价准则进行了比较和总结。实验结果表明基于多分辨分析的融合方法在主观视觉质量和客观评价准则上均具有明显优势,文中最后对图像融合的未来发展前景进行了展望。

基于修正PCNN的多传感器图像融合方法

多传感器图像融合技术作为信息融合的重要分支和研究热点,已广泛应用在机器视觉、医疗诊断、军事遥感等领域。为了更好地进行多传感器图像融合,将在图像分割、目标识别等领域具有独特优势的脉冲耦合神经网络(pulse coupled neural network,PCNN)引入到多传感器图像融合领域中来,提出了一种基于修正PCNN的多源图像融合方法,该方法在区域分割的基础上,先提取区域特征,然后由特征指导融合过程;同时,从目标区域相对于背景的显著性出发,提出了一种反映目标区域突出性的新特征,并针对传统PCNN参数无法自动设定的难题,提出了基于修正PCNN的参数自动设定方案。实验结果表明,该方法无论在主观视觉效果,还是客观评价参数上均优于基于多分辨分析的融合算法,且克服了传统像素级融合方法中融合图像模糊、对噪声敏感等不足,尤其适用于图像不能严格配准的应用场合。这对于拓宽PCNN的理论研究和实际应用具有一定价值。

一种基于空频域特征的多传感器图像融合方法

提出了一种基于多分辨率小波分析和高斯 -马尔可夫随机场理论的边缘图像融合方法。在图像的多分辨率小波分析的基础上 ,基于高斯 -马尔可失随机场理论 ,在不同图像的对应区域 ,用回归分析的方法分别提取一组统计参数 ,这些参量表征了图像的局部结构特征 ,计算其相似性测度 ,最后由输入图像及其特征的相似性矩阵生成融合后的边缘图像。实验证明 ,这种融合方法具有较强的适应性和可靠性 ,即使在图像信噪比较低的情况下 ,也能取得较好的融合效果。

多传感器图像融合方法及应用综述

概述了多传感器图像融合的基本概念,总结了基于像素级和特征级图像融合的常用方法及发展,在对融合方法进行分类的基础上,详细列举了融合算法的特点。并简要归纳融合图像的质量评价标准,介绍了近几年国内外研究的最新进展。

用于井下行人检测的可见光和红外图像融合算法

矿用智能车辆的工作环境光照条件复杂,在进行井下行人检测时可以通过融合可见光和红外图像,将红外线反射信息和细节纹理信息融合于可见光图像中,改善目标检测效果。传统的可见光和红外图像融合方法随着分解层数增多,会导致图像边缘和纹理模糊,同时融合时间也会增加。目前基于深度学习的可见光和红外图像融合方法难以平衡可见光和红外图像中的特征,导致融合图像中细节信息模糊。针对上述问题,提出了一种基于多注意力机制的可见光和红外图像融合算法(IFAM)。首先采用卷积神经网络对可见光和红外图像提取图像特征;然后通过空间注意力和通道注意力模块分别对提取出来的特征进行交叉融合,同时利用特征中梯度信息计算2个注意力模块输出特征的融合权值,根据权值融合2个注意力模块的输出特征;最后通过反卷积变换对图像特征进行还原,得到最终的融合图像。在RoadScene数据集和TNO数据集上的融合结果表明,经IFAM融合后的图像中同时具备了可见光图像中的背景纹理和红外图像中的行人轮廓特征信息;在井下数据集上的融合结果表明,在弱光环境下,红外图像可以弥补可见光的缺点,并且不受环境中其他光源的影响,在弱光条件下融合后的图像中行人轮廓依旧明显。对比分析结果表明,经IFAM融合后图像的信息熵(EN)、标准方差(SD)、梯度融合度量指标(Q AB/F)、融合视觉信息保真度(VIFF)和联合结构相似性度量(SSIMu)分别为4.9013,88.5214,0.1693,1.4135,0.8062,整体性能优于同类的LLF−IOI,NDM等算法。

基于生物视觉特性的红外与可见光图像融合方法

脉冲耦合神经网络PCNN以其在图像分割、目标识别等领域的独特优势而成为当前的研究热点。本文对其在红外与可见光图像融合领域的应用进行了研究,并针对传统脉冲耦合神经网络参数无法自动设定的难题,提出了基于修正PCNN的参数自动设定方案。针对可见光与红外图像融合的大量实验结果表明,本文方法无论在主观视觉效果还是客观评价参数上均明显优于基于多分辨分析的融合算法,对于拓宽PCNN的应用领域有一定价值。

面向目标识别的多特征图像融合技术综述

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;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,指出了现有算法的不足之处,并对今后研究中的发展方向和挑战提出了预测性的看法和建议。

一种基于Markov过程和证据理论的多源图像融合分割方法

文章从多传感器图像的属性研究出发,提出图像分割的新概念,建立图像邻域系统的Markov过程和基于Markov过程的Dempster-Shafer融合分割模型。并充分利用象素间的空间邻接关系,用证据理论描述图象分类的不确定性,较好地解决了传感器图像分割信息不全的问题,实现了景物图像的准确分割。

应用复值独立分量分析实现特征融合识别

介绍了复值独立分量分析(Complex ICA)的基本原理和算法,提出了基于复值独立分量分析的目标识别方法并将其应用于多传感器融合的目标识别中。该方法首先利用快速独立分量分析算法(FICA)对目标训练集图像进行ICA分解,然后分别提取基于独立分量的训练集和测试集目标特征,采用线性判据对训练集目标特征进行分类训练,找到合理的分类阈值,最后对测试集图像进行分类识别。在本文的实验条件下,提出的方法获得了92.1%的识别准确率,远优于传统ICA方法的78.1%和PCA方法的76.2%。

一种基于小波多分辨率分解的图像融合新算法

提出了一种新的基于小波多分辨率分解的图像融合方法。该方法先利用小波变换将图像分解为不同分辨率、不同方向的分量,然后利用方向对比度和基于区域标准差最大化的融合规则得到融合图像的小波系数;最后通过逆小波变换得到融合图像。实验结果表明,本方法是十分有效的。

基于小波帧变换的图像融合方法

图像融合的目的是将来自同一场景的不同源图像信息互补合成一幅新的图像,提供比源图像更丰富的视觉信息。采用了一种基于金字塔形小波帧变换(PDWFT)的图像融合方法,首先将配准好的源图像进行PDWFT分解,然后采用原始图像灰度的活跃度作为小波系数选取的参考标准,最后采用加权平均的融合方法并进行一致性验证得到最终的融合图像。实验结果表明,无论是在视觉效果上还是在定量指标上,该方法融合效果均明显优于单一小波基的图像融合方法。