【文章內(nèi)容簡介】 DibHeadbiWidth,(int)m_DibHeadbiHeight)。}BOOL CDipView::MemToDib(LPVOID lmem){ Clear()。 m_DibHead=(LPBITMAPINFOHEADER)lmem。 SetPaletteSize(m_DibHeadbiBitCount)。 m_Image=(LPBYTE)m_ColorList+sizeof(RGBQUAD)*m_nPalette。 GetPalette()。 return TRUE。}BOOL CDipView::DibToDC(CDC *pDC, CSize size){ if(m_DibHead==NULL) return FALSE。 if(m_hPalette!=NULL) { HDC hdc=pDCGetSafeHdc()。 ::SelectPalette(hdc,m_hPalette,TRUE)。 } pDCSetStretchBltMode(COLORONCOLOR)。 ::StretchDIBits(pDCGetSafeHdc(),0,0, 0,0,m_DibHeadbiWidth,m_DibHeadbiHeight, m_Image,(LPBITMAPINFO)m_DibHead,DIB_RGB_COLORS, SRCCOPY)。 return TRUE。}BOOL CDipView::GetPalette(){ if(m_nPalette==0) return FALSE。 if(m_hPalette!=NULL) ::DeleteObject(m_hPalette)。 LPLOGPALETTE pTempPalette=(LPLOGPALETTE) new char[2*sizeof(WORD)+ m_nPalette*sizeof(PALETTEENTRY)]。 pTempPalettepalVersion=0x30。 pTempPalettepalNumEntries=m_nPalette。 LPRGBQUAD pRGBQuad=(LPRGBQUAD)m_ColorList。 for(int i=0。im_nPalette。i++) { pTempPalettepalPalEntry[i].peRed=pRGBQuadrgbRed。 pTempPalettepalPalEntry[i].peGreen=pRGBQuadrgbGreen。 pTempPalettepalPalEntry[i].peBlue=pRGBQuadrgbBlue。 pTempPalettepalPalEntry[i].peFlags=0。 pRGBQuad++。 } m_hPalette=::CreatePalette(pTempPalette)。 delete pTempPalette。 return TRUE。}BOOL CDipView::SetPalette(){ if(m_nPalette!=0) return FALSE。 CClientDC dc(this)。 CDC *pDC=amp。dc。 m_hPalette=::CreateHalftonePalette(pDCGetSafeHdc())。 return TRUE。}BOOL CDipView::ReadFile(CFile *pFile){ int nCount, nSize。 BITMAPFILEHEADER bmfh。 Clear()。 try { nCount = pFileRead((LPVOID) amp。bmfh, sizeof(BITMAPFILEHEADER))。 if(nCount != sizeof(BITMAPFILEHEADER)) { throw new CException。 } if( != 0x4d42) { throw new CException。 } nSize = sizeof(BITMAPFILEHEADER)。 m_DibHead = (LPBITMAPINFOHEADER) new char[nSize]。 m_nBmpallocate = m_nImageallocate = crtallocate。 nCount = pFileRead(m_DibHead, nSize)。 SetPaletteSize(m_DibHeadbiBitCount)。 GetPalette()。 m_Image = (LPBYTE) new char[m_ImageSize]。 nCount = pFileRead(m_Image, m_ImageSize)。 } catch(CException* tmpc) { AfxMessageBox(文件讀取錯誤)。 tmpcDelete()。 return FALSE。 } return TRUE。}void CDipView::Clear(){ if(m_hFile == NULL) return。 ::UnmapViewOfFile(m_lpvFile)。 ::CloseHandle(m_hMap)。 ::CloseHandle(m_hFile)。 m_hFile = NULL。 if(m_nBmpallocate == crtallocate) { delete [] m_DibHead。 } else if(m_nBmpallocate == heapallocate) { ::GlobalUnlock(m_hGlob)。 ::GlobalFree(m_hGlob)。 } if(m_nImageallocate == crtallocate) delete [] m_Image。 if(m_hPalette != NULL) ::DeleteObject(m_hPalette)。 if(m_Bmp != NULL) ::DeleteObject(m_Bmp)。 m_nBmpallocate = m_nImageallocate = None。 m_hGlob = NULL。 m_DibHead = NULL。 m_Image = NULL。 m_ColorList = NULL。 m_nPalette = 0。 m_ImageSize = 0。 m_lpvFile = NULL。 m_hMap = NULL。 m_hFile = NULL。 m_Bmp = NULL。 m_hPalette = NULL。}void CDipView::SetPaletteSize(int nBitCount){ if(m_DibHeadbiSize != sizeof(BITMAPINFOHEADER)) { throw new CException。 } m_ImageSize = m_DibHeadbiSizeImage。 if(m_ImageSize == 0) { DWORD dwBytes = ((DWORD) m_DibHeadbiWidth * m_DibHeadbiBitCount) / 32。 if(((DWORD) m_DibHeadbiWidth * m_DibHeadbiBitCount) % 32) { dwBytes++。 } dwBytes *= 4。 m_ImageSize = dwBytes * m_DibHeadbiHeight。 } m_ColorList = (LPBYTE) m_DibHead + sizeof(BITMAPINFOHEADER)。 if((m_DibHead == NULL) || (m_DibHeadbiClrUsed == 0)) { switch(nBitCount) { case 1: m_nPalette = 2。 break。 case 4: m_nPalette = 16。 break。 case 8: m_nPalette = 256。 break。 case 16: case 24: case 32: m_nPalette = 0。 break。 default: ASSERT(FALSE)。 } } else { m_nPalette = m_DibHeadbiClrUsed。 } ASSERT((m_nPalette = 0) amp。amp。 (m_nPalette = 256))。 }第3章 分析VC環(huán)境下的圖像融合 融合的介紹圖像融合（Image Fusion）是指將多源信道所采集到的關(guān)于同一目標的圖像數(shù)據(jù)經(jīng)過圖像處理和計算機技術(shù)等，最大限度的提取各自信道中的有利信息，最后綜合成高質(zhì)量的圖像，以提高圖像信息的利用率、改善計算機解譯精度和可靠性、提升原始圖像的空間分辨率和光譜分辨率，利于監(jiān)測。 圖像融合技術(shù)是指將多源信道所采集到的關(guān)于同一目標的圖像經(jīng)過一定的圖像處理，提取各自信道的信息，最后綜合成同一圖像以供觀察或進一步處理。一般情況下，圖像融合由低到高分為三個層次：數(shù)據(jù)級融合、特征級融合、決策級融合。數(shù)據(jù)級融合也稱像素級融合，是指直接對傳感器采集來得數(shù)據(jù)進行處理而獲得融合圖像的過程，它是高層次圖像融合的基礎(chǔ)，也是目前圖像融合研究的重點之一。這種融合的優(yōu)點是保持盡可能多得現(xiàn)場原始數(shù)據(jù)，提供其它融合層次所不能提供的細微信息。 像素級融合中有空間域算法和變換域算法，空間域算法中又有多種融合規(guī)則方法，如邏輯濾波法，灰度加權(quán)平均法，對比調(diào)制法等；變換域中又有金字塔分解融合法，小波變換法。其中的小波變換是當前最重要，最常用的方法。 在特征級融合中，保證不同圖像包含信息的特征，如紅外光對于對象熱量的表征，可見光對于對象亮度的表征等等。 決策級融合主要在于主觀的要求，同樣也有一些規(guī)則，如貝葉斯法，DS證據(jù)法和表決法等。 融合算法常結(jié)合圖像的平均值、熵值、標準偏差、平均梯度；平均梯度反映了圖像中的微小細節(jié)反差與紋理變化特征，同時也反映了圖像的清晰度。目前對圖像融合存在兩個問題：最佳小波基函數(shù)的選取和最佳小波分解層數(shù)的選取。 融合圖像的條件增強圖象中的有用信息，它可以是一個失真的過程，其目的是要改善圖像的視覺效果，針對給定圖像的應(yīng)用場合，有目的地強調(diào)圖像的整體或局部特性，將原來不清晰的圖像變得清晰或強調(diào)某些感興趣的特征，擴大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使之改善圖像質(zhì)量、豐富信息量，加強圖像判讀和識別效果，滿足某些特殊分析的需要。 圖像增強可分成兩大類：頻率域法和空間域法。前者把圖像看成一種二維信號，對其進行基于二維傅里葉變換的信號增強。采用低通濾波（即只讓低頻信號通過）法，可去掉圖中的噪聲；采用高通濾波法，則可增強邊緣等高頻信號，使模糊的圖片變得清晰。具有代表性的空間域算法有局部求平均值法和中值濾波（取局部鄰域中的中間像素值）法等，它們可用于去除或減弱噪聲。圖像平滑是指用于突出圖像的寬大區(qū)域、低頻成分、主干部分或抑制圖像噪聲和干擾高頻成分，使圖像亮度平緩漸變，減小突變梯度，改善圖像質(zhì)量的圖像處理方法。 　　圖像平滑的方法包括：插值方法，線性平滑方法，卷積法等等。這樣的處理方法根據(jù)圖像噪聲的不同進行平滑，比如椒鹽噪聲，就采用線性平滑方法圖像配準(Image registration)就是將不同時間、不同傳感器(成像設(shè)備)或不同條件下(天候、照度、攝像位置和角度等)獲取的兩幅或多幅圖像進行匹配、疊加的過程，它已經(jīng)被廣泛地應(yīng)用于遙感數(shù)據(jù)分析、計算機視覺、圖像處理等領(lǐng)域。圖像配準的方式可以概括為相對配準和絕對配準兩種：相對配準是指選擇多圖像中的一張圖像作為參考圖像，將其它的相關(guān)圖像與之配準，其坐標系統(tǒng)是任意的。絕對配準是指先定義一個控制網(wǎng)格，所有的圖像相對于這個網(wǎng)格來進行配準，也就是分別完成各分量圖像的幾何校正來實現(xiàn)坐標系的統(tǒng)一。本文主要研究大幅面多圖像的相對配準，因此如何確定多圖像之間的配準函數(shù)映射關(guān)系是圖像配準的關(guān)鍵。通常通過一個適當?shù)亩囗検絹頂M合兩圖像之間的平移、旋轉(zhuǎn)和仿射變換，由此將圖像配準函數(shù)映射關(guān)系轉(zhuǎn)化為如何確定多項式的系數(shù)，最終轉(zhuǎn)化為如何確定配準控制點（RCP）。 圖像拼接技術(shù) 圖像拼接的概念圖像拼接技術(shù)就是將數(shù)張有重疊部分的圖像(可能是不同時間、不同視角或者不同傳感器獲得的)拼成一幅大型的無縫高分辨率圖像的技術(shù)。圖像配準和圖像融合是圖像拼接的兩個關(guān)鍵技術(shù)。圖像配準是圖像融合的基礎(chǔ),而且圖像配準算法的計算量一般非常大,因此圖像拼接技術(shù)的發(fā)展很大程度上取決于圖像配準技術(shù)的創(chuàng)新。早期的圖像配準技術(shù)主要采用點匹配法,這類方法速度慢、精度低,而且常常需要人工選取初始匹配點,無法適應(yīng)大數(shù)據(jù)量圖像的融合。圖像拼接的方法很多,不同的算法步驟會有一定差異,但大致的過程是相同的。一般來說,圖像拼接主要包括以下五步: 　　a)