【正文】 融合。特征級融合是對實時處理有利的一種融合,這種方法既可以對客觀信息進行壓縮又可以保留足夠多的圖像信息。特征級融合首先提取來自傳感器的原始圖像中的特征,之后對于提取到的特征信息進行綜合的分析處理并進行融合。原因二是,相對于特征級圖像融合及決策級圖像融合,該融合有很多信息量需要處理,因此需要的時間比較長,而對圖像設備要求也較高。該融合稱為低層次融合,是因為其在信息處理層次中處于較低層,作為決策級圖像融合和特征級圖像融合的基礎,其應用是最為廣泛的。該融合主要是在圖像的基礎層面上進行的融合,多數(shù)是對多傳感器目標和背景要素的測量結果進行融合處理。像素級融合、特征級融合、決策級融合是圖像融合技術的處理過程的三個層次_。圖像融合技術是一種信息融合的有效工具,已廣泛應用于軍事偵查、紅外目標檢測、經(jīng)濟信息、智能機器人視覺、醫(yī)療診斷、遙感圖像處理、計算機城市規(guī)劃、交通管制、決策支持系統(tǒng)等領域。由于彩色圖像可視性更直觀更好,所以研究者開始致力于彩色圖像融合算法的研究,各國研究者主要是將可見光圖像和紅外圖像利用佶抗處理技術進行融合,有些研究者將原始圖像的特有部分和共有部分進行分析,從而研究出彩色映射法。隨著小波理論的不斷發(fā)張,在九十年代后期,離散小波技術逐漸應用于圖像融合技術中。Ajjimarangsee與Huntsberger于1988年將紅外和可見光圖像利用神經(jīng)網(wǎng)絡方法進行融合。之后,研究者Adelson使用拉普拉斯技術將焦距不同的出自同一相機的多張圖像制作成具有擴展景深的一幅融合圖像。圖像融合技術在1980年后開始被人們所關注的,在紅外圖像、可見光圖像、多聚焦圖像等方面,以及遠程遙感圖像的分析和處理過程中都應用了圖像融合技術。Daily等人于1979年率先研究出在地質(zhì)解釋中應用Landsat_MSS圖像和雷達圖像的復合圖像,最簡單的圖像融合由此產(chǎn)生。 隨著計算機技術的不斷發(fā)展,圖像處理技術已進入各行各業(yè),而在圖像處理技術中,圖像融合又是目前的研究熱點。得到質(zhì)量更高的圖像信息是圖像融合的最終目的。圖像融合的最終目標是得到質(zhì)量更高,信息更全的圖像信息,而經(jīng)過圖像融合后,原有的若干圖像可以互補,也可以去除部分冗余信息,可以更好的分析、理解場景,并能更好的檢測識別圖像或追蹤目標。而圖像融合的關鍵就是要選擇一種好的融合策略,使得融合后的圖像在臨界點上無拼接拼縫,過度平滑,實現(xiàn)無縫拼接。由于采集來的多張源圖像在亮度上差異比較大,如果直接進行簡單的拼接,得到的圖像就會在重合區(qū)域上比較模糊,甚至產(chǎn)生噪聲點或者是鬼影,在圖像的臨界點也可能出現(xiàn)拼縫。為了使圖像包括的信息更全面,更為準確,使用圖像融合技術是很好的一個選擇,這些優(yōu)點是單一源圖像所不具備的,經(jīng)過圖像融合技術融合的圖像將更加滿足人們的要求,圖像融合技術可以降低圖像的部分冗余信息,只保留我們主要關注的信息,所以經(jīng)過圖像融合技術融合后的信息,相對來說比源圖像的信息量要稍微少一點。這種檢測法精度很高,但對噪聲非常敏感,還不具有旋轉(zhuǎn)不變性,并且具有斜邊緣異常反應。這種檢測法的核心思想是:對具有較低分辨率的原始圖像,判斷某個核心點為角點的原則是計算過核心點的任意一條直線與USAN區(qū)域的交點的個數(shù)。SUSAN檢測法無需梯度運算,計算效率高,抗噪能力強,但計算量比較大。 對于圖像，當在點（x,y)處平移后的自相似性可以通過自相關函數(shù)給出： ()其中是以點為加權函數(shù)，既可以用常數(shù)表示，又可以用高斯加權函數(shù)表示根據(jù)泰勒展開，對圖像在平移后進行一階近似： ()公式中（2）中是圖像偏導數(shù)較為穩(wěn)定。該算法屬于基于信號方法的點特征提取算法,因為在檢測過程中只是用到了灰度的一階差分以及濾波。Forstner檢測法的計算速度比較快而且計算的精度也比較高,但這種檢測法的計算過程中非常復雜。Moravec檢測法對斜邊緣的響應很強,對噪聲響應也較強。其次,我們將根據(jù)實際圖像來設定一個閥值,遍歷圖像中的每一個像素點,如果該點的興趣值大于該點的閥值,那么這個點就作為一個候選點出現(xiàn)。下面進行詳細研究。馬爾算子(LOG)馬爾算子經(jīng)常出現(xiàn)在雙邊緣像素邊界，對噪聲比較敏感，所以很少用它檢測邊緣，而是用來判斷邊緣像素位于圖像的明區(qū)還是暗區(qū)根據(jù)上表可以看出本實驗最好的檢測方法是用坎尼算子來進行邊緣檢測。該方法的有點在于使用兩種不同的閥值分別別檢測強邊和弱邊緣，并且僅當弱邊緣與強邊緣相連時，才將弱邊緣包含在輸出圖像中。這樣還能克服拉普拉斯算子對噪聲敏感的缺點，減少了噪聲的影響。不足之處是高斯濾波的零交叉點不一定全部是邊緣點,所以還需要進一步確定邊緣像素點的真?zhèn)?。二是使用高斯濾波器能夠同時在空域和頻域達到最佳。馬爾算子(LOG)馬爾算子(LOG)的核心思想是首先運用Gaussian函數(shù)平滑圖像,再運用拉氏算子根據(jù)二階導數(shù)過零點對圖像進行邊緣檢測。抑制噪聲和邊緣精確定位是無法同時得到足的，即邊緣檢測算法通過圖像平滑算子去除噪聲，勢必增加邊緣定位的不確定性；反之，提高邊緣檢測算子對邊緣的敏感性，同時也提高了對噪聲的敏感性。定位精確準則L為邊緣的定位精度，定義如下： （）其中和為和的一階倒數(shù)；L是對邊緣精確定位的度量，L越大定位精度越高。 3）單像素寬，要有很高的選擇性，對每個邊緣有唯一的響應?？材嵫芯苛俗顑?yōu)邊緣檢測器所需的特性，給出了評價邊緣檢測性能優(yōu)劣的三個指標： 1）高的準確性，在檢測的結果里應盡量多的包含真正的邊緣，而盡量少的包含假邊緣。此種算法能夠在邊緣檢測和噪聲抑制之間取得平衡。設是圖像灰度分布函數(shù)，是圖像邊緣的梯度值；是梯度方向。當圖像噪聲較低且在垂直方向與水平方向存在陸峭邊緣的情況下,該算法往往具有良好效果,可以比較準確的定位圖像邊緣。索貝爾算子是由兩個卷積與對原圖卷積運算得到的。此種算法在空間上易于實現(xiàn),可以比較準確的找出圖像邊緣,有一定抗噪能力。索貝爾算子(Sobel)索貝爾算子(Sobel)的核心思想是在圖像的任一像素點,用圖像亮度函數(shù)梯度值的近似值計算出圖像邊緣。例如:索貝爾算子(Sobel)、Roberts算子、Canny算子、馬爾算子(LOG)等。提取輪廓特征常用的方法為邊緣檢測法,使用該方法能夠檢測出比較清晰的圖像輪廓,從而提高圖像配準精度。在圖像配準中,可以使用的特征有很多,例如輪廓、角點、邊緣、高曲率點、區(qū)域特征等…],因此出現(xiàn)很多種基于特征的圖像配準算法。3. 3基于特征的圖像配準算法使用圖像中的特征信息來進行圖像配準工作是基于特征的圖像配準算法的核心思想。比值配準法比值配準法是在兩幅圖像的重疊區(qū)域內(nèi)找出兩列像素的相隔距離,將這兩列像素之間的比值作為配準模板,在第二幅圖像與第一幅圖像的重疊區(qū)域中找到對應位置,從而確定圖像配準位置。其原理也是通過以第一幅圖像的某個重疊區(qū)域作為模板,在第二幅圖像中尋找相同(或相似)數(shù)據(jù)的塊,在搜索過程中先進行粗配準,計算對應像素點RGB值在模板中差的平方和,在網(wǎng)格中找到最小值位置就是最佳配準的坐標,再以這個坐標為中心進行精確配準,最終得到圖像配準 最佳坐標。采用塊配準法時,當模板數(shù)據(jù)較大時算法的配準精度會很高,但同時計算量也將增大。此類算法包括:塊配準法、網(wǎng)格配準法和比值配準法。該算法的原理是基于不同圖像中景物的相對位置一般不變的情況下,根據(jù)局部的對應關系能夠確定全局的對應關系。對不存在復雜變換的圖像進行拼接時,通常會采用基于區(qū)域的圖像配準算法,例如待配準圖像只存在平移變換。另一類是基于特征的圖像配準算法,這類算法主要是通過提取圖像特征,進行圖像之間特征的匹配,匹配后按匹配關系來構建圖像間的變換關系,此類算法只需要提取圖像的部分信息,從而能縮減計算時間。對圖像配準算法 展研究,首先要依據(jù)實際應用背景,確定圖像的成像方式,規(guī)劃出圖像配準的類型及相關性能指標,然后按照規(guī)劃好的指標參數(shù)設計圖像配準所需的特征空間和搜索空間,最后遵循最優(yōu)的搜索策略分析計算出能夠使相似性度量值最大的最優(yōu)變換參數(shù)模型。在圖像配準時通常運用的搜索策略一般包含以下幾種:黃金分割法、多尺度搜索、松馳算法、Brent法、窮盡搜索、分層搜索、線性規(guī)劃、三次插值法、廣義變換、模擬退火算法、奴群算法、遺傳算法和神經(jīng)網(wǎng)絡等。有效的搜索策略能夠確保圖像之間經(jīng)過變換后具有最大相似性。搜索策略搜索策略的目的是在搜索空間中找出圖像之間進行旋轉(zhuǎn)、平移等變換的最優(yōu)配準參數(shù)。圖像變換方式一般可分成線性和非線性變換兩種類型,其中線性變換包含剛體變換、仿射變換、投影變換等模型。局部變換主要是指變換參數(shù)對位置可以存在依賴性,也就是說,在不同位區(qū)域內(nèi),變換參數(shù)模型可以不同。搜索空間搜索空間就是指用于圖像配準的圖像進行變換時的范圍及方式。通過研究得出的經(jīng)典相似性度量包括:自相關函數(shù)、互相關函數(shù)、歸一化積相關函數(shù)與距離函數(shù)。選取合適的特征空間可以保證圖像配準的性能,因為合適的特征空間可以減小噪聲,降低搜索空間,減少圖像配準中不確定性因素對圖像配準算法的影響。為了能夠使圖像配準算法達到精度高、速度快、魯棒性強的效果,國內(nèi)外許多研究者針對不同類型的圖像,提出了很多的圖像配準方法主要包含四個組成元素:特征空間 特征空間是由進行圖像配準的圖像特征所組成的,而圖像的特征有很多種形式,比較常見的有:圖像的輪廓、線交叉點、圖像邊緣、灰度特征、統(tǒng)計特征、閉合區(qū)域、顯著特征、高層結構描述與句法描述等等。圖像配準算法圖像拼接能否成功主要取決于圖像配準精度,所以說圖像配準是圖像拼接技術的核心和關鍵。圖像配準是整個圖像拼接的核心,圖像配準的準確性則成為能否拼接成功的關鍵性因素,同時還對拼接運行速度有著至關重要的影響。 圖像配準是指將某一場景下的多幅圖像按一定的算法對比找出圖像之間相五重疊的區(qū)域及精確坐標的技術。圖像增強技術有多種方法，反差展寬、對數(shù)變換、密度分層和直方圖均衡等都可用于改變圖像灰調(diào)和突出細節(jié)。 增強 對圖像中的信息有選擇地加強和抑制，以改善圖像的視覺效果，或?qū)D像轉(zhuǎn)變?yōu)楦m合于機器處理的形式，以便于數(shù)據(jù)抽取或識別。這種方法比較簡單，可推導出最小二乘法維納濾波器。圖像復原的代數(shù)方法是以最小二乘法最佳準則為基礎。實際應用時，由于H(u，v)隨離開uv平面原點的距離增加而迅速下降，為了避免高頻范圍內(nèi)噪聲的強化，當u2+v2大于某一界限值W娿時，使M(u，v)等于1。根據(jù)退化機理確定退化函數(shù)后，就可從此關系式求出F(u，v)，再用傅里葉反變換求出f(x，y)?；镜膹驮夹g是把獲取的退化圖像g(x，y)看成是退化函數(shù)h(x，y)和理想圖像f(x，y)的卷積。在實際應用中常常發(fā)生圖像退化現(xiàn)象。此外，有時應用空間頻率域帶通濾波方法。常用的平滑方法有中值法、局部求平均法和k 近鄰平均法。 圖像平滑 消除圖像中隨機噪聲的技術。例如對于光照不可控的遙感圖片，灰度直方圖的歸一化對于圖像分析是十分必要的。圖像的某些性質(zhì)，例如物體的面積和周長，本來對于坐標旋轉(zhuǎn)來說就具有不變的性質(zhì)。隨機誤差如飛行器姿態(tài)和高度變化引起的誤差，難以用模型表示出來，所以一般是在系統(tǒng)誤差被糾正后，通過把被觀測的圖和已知正確幾何位置的圖相比較，用圖中一定數(shù)量的地面控制點解雙變量多項式函數(shù)組而達到變換的目的。 幾何變換 用于改正圖像采集系統(tǒng)的系統(tǒng)誤差和儀器位置的隨機誤差所進行的變換。當取樣周期等于或小于原始圖像中最小細節(jié)周期的一半時，重建圖像的頻譜等于原始圖像的頻譜，因此重建圖像與原始圖像可以完全相同。為了使數(shù)字圖像能重建原來的圖像,對M、N和b值的大小就有一定的要求。 數(shù)字化 一幅原始照片的灰度值是空間變量（位置的連續(xù)值）的連續(xù)函數(shù)。圖像預處理的主要目的是消除圖像中無關的信息，恢復有用的真實信息，增強有關信息的可檢測性和最大限度地簡化數(shù)據(jù)，從而改進特征抽取、圖像分割、匹配和識別的可靠性。有的學者就提出了利用圖像處理包括圖像預處理，圖像配準，圖像融合等。但由于一般的超聲探頭很小,對于大的組織器官以及大范圍病變難以直接進行判斷,利用圖像拼接技術就可以將探頭探測的區(qū)域?qū)崟r的拼接成大視野的全景圖,顯示出完整的“現(xiàn)場”,為診斷提供可靠的依據(jù)。最典型的應用就是天氣預報,通過拼接多條軌道的衛(wèi)星云圖得到氣候變化的重要走向信息。遙感圖像的處理隨著航空技術的發(fā)展,衛(wèi)星或航空遙感能夠?qū)崿F(xiàn)獲得目標的高分辨率圖像,不同傳感器的多幅圖像可以通過拼接得到大視野的全景影像圖。主要應用下下面幾個方面視頻與視頻監(jiān)控在日常生活當中,圖像拼接技術適用于視頻監(jiān)控系統(tǒng),它由多個攝像點獲取監(jiān)控圖像合成全景圖,分辨率高,便于監(jiān)控,這樣就不需要去分別監(jiān)控每一路視頻。圖像處理一般指數(shù)字圖像處理。圖像處理技術的主要內(nèi)容包括圖像壓縮，增強和復原，匹配、描述和識別3個部分。在全自動影像測量儀來獲取圖片從而達到測量的目的。 根據(jù)上面論述本課題主要研究影像測量儀下的大尺寸零件的測量故應選擇非接觸式測量方法。非接觸測量的優(yōu)點有以下幾點：使用冷光源系統(tǒng)，可以避免容易變形的工件在測量是因為熱而變形所產(chǎn)生的誤差。其測量精度可以達到μm非接觸式測量儀利用CCD采集變焦鏡下樣品的影像,再配合XYZ軸移動平臺及自動變焦鏡，運用影像分析原理，通過計算機處理影像信號，對科研生產(chǎn)零件進行精密的幾何數(shù)據(jù)的測量，并可進行CPK數(shù)值的分析。其中，光學非接觸式測量是非接觸式測量中主要采用的方法。隨著各種高性能器件如半導體激光器LD、電荷耦合器件CCD、CMOS圖像傳感器和位置敏感傳感器PSD等的出現(xiàn)，新型三維傳感器不斷出現(xiàn)，其性能也大幅度提高，光學非接觸測量技術得