【正文】 應(yīng)體系。實(shí)驗(yàn)結(jié)果表明，該體系建立了融合結(jié)果與用戶需要之間的有機(jī)聯(lián)系，融合過程中無需人為參與，圖像融合的自動化程度得到了加強(qiáng)。 首先研究了基于空間域的異源圖像融合方法。實(shí)驗(yàn)結(jié)果表明，基于 KL變換的自動加權(quán)融合算法的效果優(yōu)于現(xiàn)有的常用空間域融合算法。實(shí)驗(yàn)結(jié)果表明，使用該方法得到的融合圖像清晰自然，適合人眼觀察，其融合效果優(yōu)于現(xiàn)有的小波變換法等變換域融合算法。實(shí)驗(yàn)結(jié)果表明，該方法可對圖像融合質(zhì)量進(jìn)行全面、準(zhǔn)確的評價，在很大程度上克服了單純由人眼判決產(chǎn)生的主觀性和單因素客觀評價指標(biāo)的片面性。為了驗(yàn)證模型的有效性，選擇加權(quán)平均融合法、小波變換融合法、Contourlet融合法和 NSCTPCNN融合法為算法集進(jìn)行融合實(shí)驗(yàn)。 將異源圖像中具有代表性的紅外圖像和可見光圖像作為研究對象，結(jié)合紅外技術(shù)、圖像處理與人工智能理論，分析、吸收國內(nèi)外關(guān)于圖像融合的成功經(jīng)驗(yàn)，設(shè)計(jì)了基于空間域和變換域的兩類新型異源圖像融合算法，并建立了一種新型的融合圖像質(zhì)量綜 合評價標(biāo)準(zhǔn)，在此基礎(chǔ)上，建立了閉環(huán)式圖像自適應(yīng)融合體系，可由系統(tǒng)自動選擇符合用戶需求的融合方案，其分層式處理結(jié)構(gòu)保證了融合算法的快速性和準(zhǔn)確性，增強(qiáng)了圖像融合的自動化程度。它保持了現(xiàn)有的加權(quán)平均融合法的快速實(shí)用性，通過主成分分析，將源圖像中的有用信息集中到相 互獨(dú)立的新主成分矩陣中，由此確定加權(quán)平均融合方法中源圖像的加權(quán)系數(shù)，以實(shí)現(xiàn)更加理想的融合效果。在此之上，重點(diǎn)討論了各向異性多尺度分析融合法，以 NSCT（ Nonsampled Contourlet Transform，非下采樣 Contourlet變換）為主要工具，給出了該方法在圖像融合中應(yīng)用的特點(diǎn)，并以此為基礎(chǔ)，設(shè)計(jì)了全新的融合規(guī)則，提出了一種基于 NSCT 和 PCNN（ Pulse Couple Neural Network，脈沖耦合神經(jīng)網(wǎng)絡(luò)）的異源圖像融合方法，充分利用了 NSCT 的各向異性、多方向性和平移不變性，消除了以往多尺度分解帶來的頻率混疊現(xiàn)象，又結(jié)合了 PCNN 的全局耦合特性，利用其特有的生物學(xué)背景，提高融合圖像的整體視覺效果。并在此基礎(chǔ)上，提出了一種基于 FNN（ Fuzzy Neural Network，模糊神經(jīng)網(wǎng)絡(luò)）的圖像融合質(zhì)量綜合評價方法，結(jié)合了模糊邏輯推理的結(jié)構(gòu)性知識表達(dá)能力和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能 力，將多種典型的圖像融合客觀評價指標(biāo)進(jìn)行模糊化，以主觀評價結(jié)論作為先驗(yàn)知識，通過網(wǎng)絡(luò)學(xué)習(xí)自動生成評價指標(biāo)權(quán)重等相關(guān)參數(shù)，并通過動量因子提高了網(wǎng)絡(luò)的學(xué)習(xí)效率。此外，模型內(nèi)的算法可靈活添加，具有很好的可擴(kuò)展性。該技術(shù)從多信息的視角進(jìn)行處理，可綜合各圖像之 間的互補(bǔ)信息和冗余信息，擴(kuò)大傳感器的工作范圍，增加置信度、改善系統(tǒng)的可靠性和可維護(hù)性，降低對單一傳感器的性能要求，可更為準(zhǔn)確、可靠、全面地獲取對目標(biāo)或場景的信息描述，不僅可以使處理后的圖像更適合人的視覺觀察，而且可以為進(jìn)一步的圖像處理提供更有效的信息。在此基礎(chǔ)上，提出了一種基于 KL 變換（ KarhunenLoeve Transform）的自動加權(quán)融合算法。對變換域中典型的多尺度分析理論進(jìn)行了論述，對其中具有代表性的小波變換技術(shù)及其在圖像融合中的應(yīng)用做出了詳細(xì)說明，結(jié)合具體的實(shí)驗(yàn)，討論了不同小波基、不同分解層數(shù)和不同融合規(guī)則對融合效果的影響，分析了小波變換融合法的優(yōu)勢和局限性。在介紹了現(xiàn)有主、客觀圖像評價方法的基礎(chǔ)上，對已有的多種評價指標(biāo)進(jìn)行了分類，討論了不同融合目的下的指標(biāo)選取規(guī)則以及單個評價指標(biāo)的局限性；而后，重點(diǎn)研究了現(xiàn)有的多評價指標(biāo)綜合化方法，比較了幾種典型方法的優(yōu)缺點(diǎn)?；谏弦徽轮薪o出的圖像融合綜合評價方法，建立了一種閉環(huán)式的自適應(yīng)圖像融合模型，以融合算法的復(fù)雜度為標(biāo)準(zhǔn)進(jìn)行分層，將多種特性不同的圖像融合算法進(jìn)行串行排列，由系統(tǒng)自動選取符合用戶需求的融合方案，克服了開環(huán)融合系統(tǒng)靈活性差的缺 點(diǎn)。 異源圖像融合是協(xié)同使用不同類型的圖像傳感器，并將各種圖像信息有效地結(jié)合起來，形成高性能感知系統(tǒng)來獲取對同一目標(biāo)的一致性描述的過程。對現(xiàn)有的空間域融合方法進(jìn)行了分析，如加權(quán)平均融合法、灰度極值法等，通過融合實(shí)驗(yàn)，比較了各自的優(yōu)缺點(diǎn)。 重點(diǎn)研究了基于變換域的異源圖像融合方法。 研究和分析了異源圖像融合質(zhì)量的綜合評價方法。 研究了異源圖像融合自適應(yīng)體系。實(shí)驗(yàn)結(jié)果表明，該體系建立了融合結(jié)果與用戶需要之間的有機(jī)聯(lián)系，融合過程中無需人為參與，圖像融合的自動化程度得到了加強(qiáng)。 首先研究了基于空間域的異源圖像融合方法。實(shí)驗(yàn)結(jié)果 表明，基于 KL變換的自動加權(quán)融合算法的效果優(yōu)于現(xiàn)有的常用空間域融合算法。實(shí)驗(yàn)結(jié)果表明，使用該方法得到的融合圖像清晰自然，適合人眼觀察，其融合效果優(yōu)于現(xiàn)有的小波變換法等變換域融合算法。實(shí)驗(yàn)結(jié)果表明，該方法可對圖像融合質(zhì)量進(jìn)行全面、準(zhǔn)確的評價，在很大程度上克服了單純由人眼判決產(chǎn)生的主觀性和單因素客觀評價指標(biāo)的片面性。為了驗(yàn)證模型的 有效性，選擇加權(quán)平均融合法、小波變換融合法、Contourlet融合法和 NSCTPCNN融合法為算法集進(jìn)行融合實(shí)驗(yàn)。 將異源圖像中具有代表性的紅外圖像和可見光圖像作為研究對象，結(jié)合紅外技術(shù)、圖像處理與人工智能理論，分析、吸收國內(nèi)外關(guān)于圖像融合的成功經(jīng)驗(yàn)，設(shè)計(jì)了基于空間域和變換域的兩類新型異源圖像融合算法，并建立了一種新型的融合圖像質(zhì)量綜合評價標(biāo)準(zhǔn)，在此基礎(chǔ)上，建立了閉環(huán)式圖像自適應(yīng)融合體系，可由系統(tǒng)自動選擇符合用戶需求的融合方案，其分層式處理結(jié)構(gòu)保證了融合算法的快速性和 準(zhǔn)確性，增強(qiáng)了圖像融合的自動化程度。它保持了現(xiàn)有的加權(quán)平均融合法的快速實(shí)用性，通過主成分分析，將源圖像中的有用信息集中到相互獨(dú)立的新主成分矩陣中，由此確定加權(quán)平均融合方法中源圖像的加權(quán)系數(shù)，以實(shí)現(xiàn)更加理想的融合效果。在此之上，重點(diǎn)討論了各向異性多尺度分析融合法，以 NSCT（ Nonsampled Contourlet Transform，非下采樣 Contourlet變換）為主要工具，給出了該方法在圖像融合中應(yīng)用的特 點(diǎn)，并以此為基礎(chǔ)，設(shè)計(jì)了全新的融合規(guī)則，提出了一種基于 NSCT 和 PCNN（ Pulse Couple Neural Network，脈沖耦合神經(jīng)網(wǎng)絡(luò)）的異源圖像融合方法，充分利用了 NSCT 的各向異性、多方向性和平移不變性，消除了以往多尺度分解帶來的頻率混疊現(xiàn)象，又結(jié)合了 PCNN 的全局耦合特性，利用其特有的生物學(xué)背景，提高融合圖像的整體視覺效果。并在此基礎(chǔ)上，提出了一種基于 FNN（ Fuzzy Neural Network，模糊神經(jīng)網(wǎng)絡(luò)）的圖像融合質(zhì)量綜合評價方法，結(jié)合了模糊邏輯推理的結(jié)構(gòu)性知識表達(dá)能力和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，將多種典型的圖像融合客觀評價指標(biāo)進(jìn)行模糊化，以主觀評價結(jié)論作為先驗(yàn)知識，通過網(wǎng)絡(luò)學(xué)習(xí)自動生成評價指標(biāo)權(quán)重等相關(guān)參數(shù)，并通過動量因子提 高了網(wǎng)絡(luò)的學(xué)習(xí)效率。此外，模型內(nèi)的算法可靈活添加，具有很好的可擴(kuò)展性。該技術(shù)從多信息的視角進(jìn)行處理，可綜合各圖像之間的互補(bǔ)信息和冗余信息，擴(kuò)大傳感器的工作范圍，增加置信度、改善系統(tǒng)的可靠性和可維護(hù)性，降低對單一傳感器的性能要求，可更為準(zhǔn)確、可靠、全面 地獲取對目標(biāo)或場景的信息描述，不僅可以使處理后的圖像更適合人的視覺觀察，而且可以為進(jìn)一步的圖像處理提供更有效的信息。在此基礎(chǔ)上，提出了一種基于 KL 變換（ KarhunenLoeve Transform）的自動加權(quán)融合算法。對變換域中典型的多尺度分析理論進(jìn)行了論述，對其中具有代表性的小波變換技術(shù)及其在圖像融合中的應(yīng)用做出了詳細(xì)說明，結(jié)合具體的實(shí)驗(yàn)，討論了不同小波基、不同分解層數(shù)和不同融合規(guī)則對融合效果的影響，分析了小波變換融合法的優(yōu)勢和局限性。在介紹了現(xiàn)有主、客觀圖像評價方法的基礎(chǔ)上， 對已有的多種評價指標(biāo)進(jìn)行了分類，討論了不同融合目的下的指標(biāo)選取規(guī)則以及單個評價指標(biāo)的局限性；而后，重點(diǎn)研究了現(xiàn)有的多評價指標(biāo)綜合化方法，比較了幾種典型方法的優(yōu)缺點(diǎn)。基于上一章中給出的圖像融合綜合評價方法，建立了一種閉環(huán)式的自適應(yīng)圖像融合模型，以融合算法的復(fù)雜度為標(biāo)準(zhǔn)進(jìn)行分層，將多種特性不同的圖像融合算法進(jìn)行串行排列，由系統(tǒng)自動選取符合用戶需求的融合方案，克服了開環(huán)融合系統(tǒng)靈活性差的缺點(diǎn)。 《《《特別提醒》》》：正文內(nèi)容由 PDF文件轉(zhuǎn)碼生成，如您電腦未有相應(yīng)轉(zhuǎn)換碼，則無法顯示正文內(nèi)容，請您下載相應(yīng)軟件，下載地址為 。??4)=r宵 ?i?]j彺帖 B3锝檡骹 笪 yLrQ?0鯖 l壛枒 l壛枒 l壛枒 l 壛枒 l壛枒 l 壛枒 l壛枒 l 壛枒 l壛枒 l 壛枒 l壛枒 l 壛 渓 ?擗?? € 綫 G劌 K 芿 ${` ? ? ~??Wa 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 皗 E|?pDb 癳 $[Fb 癳 $[Fb 癳$[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb癳 $[Fb 癳 $[F?責(zé)鯻 0 橔 C,f 薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵 秾腵薍秾腵 % ?秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍 G??螪 t俐 猻覎 ? 烰 :X=[勢 } ) [趯飥 ?媂 ^s 劂/ x?矓 w豒庘 q?唙 ?鄰爖媧 \ㄤ A|Q 趗擓 蒚 ?緱 ^ ~鱔嗷 P?笄 nf( 鱂匧 叺 9 就菹 $