【正文】 圖像的一種有效的代數(shù)特征描述。針對這個 問題本論文所應用的具體的奇異值分解（ SVD）的方法為：對整幅圖像進行奇異值分解，截取該向量的前 10個較大的奇異值組成一個新的向量，作為該圖像的整體特征向量；從而得到了該圖像的一個奇異值向量，并以此做為該圖像的全局特征向量。 1979年，Daliy[23]等人首先把雷達圖像和 LandsatMSS（ Multispectrai Scanner即多譜掃描儀）圖像的復合圖像應用于地質(zhì)解釋，其處理過程可以看作是最簡單的圖像融合。到 80年代末，人們才開始將圖像融合技術(shù)應用于一般圖像處理（可見光圖像、紅外圖像等）。尤其是近幾年，多傳感器（多源）圖像融合技術(shù)已成為計算機視覺、自動目標識別、機器人、軍事應用等領(lǐng)域的研究熱點問題。例如，美國于 1997年在火星著陸的 “ 火星探路者 ” 機器人身上安裝了 5個激光束投影儀、兩個 CCD攝像機、多個關(guān)節(jié)傳感器和加速度傳感器。火星探路者是多 傳感器融合應用的典型例子。 此外，多傳感器圖像融合技術(shù)在醫(yī)學、制造業(yè)等方面也具有巨大的應用潛力。在醫(yī)學上，圖像融合可通過 CT和核磁共振（ NMR）圖像的融合幫助醫(yī)生對疾病進行準確診斷，圖像融合還可用于計算機輔助顯本科畢業(yè)設(shè)計論文 （附錄 包含源代碼） 微手術(shù)。另外，圖像融合也可用于交通管理和航空管制。其中涉及圖像配準技術(shù)的研究，金字塔圖像融合技術(shù)、小波變換圖像融合技術(shù)、對比度調(diào)制技術(shù)、彩色空間變換融合技術(shù)以及整個融合系統(tǒng)的研究。 總的看來，無論國內(nèi)還是國外，都對圖像融合技術(shù)的研究予以極大的 興趣。 圖像融合是將相同目標源的多張圖像融合成一張圖像，它能提取比單一圖像更多的信息。另外，各幅圖像中有用信息之間是相關(guān)的，而干擾不具有這種關(guān)聯(lián)性，因此通過融合處理可以排除干擾。 根據(jù)融合處理的數(shù)據(jù)類型和應用場合，圖像融合系統(tǒng)可以分為以下三種形式 [25]： （ 1）時間融合：指對來自同一傳感器的、對同一目標或場景在不同時間的一系列圖像進行融合處理。 （ 3）時空融合：指在一段時間內(nèi)，對來自多個相同（空間位置不同）或不同傳感器的圖像進行融合處理。有效地提高圖像信息的利用率、系統(tǒng)對目標探測識別的可靠性及系統(tǒng)的自動化程度。與采用單一傳感器圖像相比，來自多個傳感器的圖像所提供的信息具有冗余性和互補性，因而具有以下優(yōu)點： （ 1）擴展了系統(tǒng)覆蓋范圍，能夠更準確地獲得被測對象或環(huán)境信息，并且具有比任何單一傳感器獲得的信息更高的精度與可靠性，提高了空間分辨率； （ 2）縮短了系統(tǒng)的響應時間，能以更少的時間，更少的代價獲得與單一傳感器系統(tǒng)相同的信息； （ 3）通過各傳感器性能的互補，獲得單一傳感器所不能獲得的獨立的特征 信息； （ 4）根據(jù)系統(tǒng)的先驗知識，通過融合處理可以實現(xiàn)分類、識別、決策等單一傳感器系統(tǒng)無法完成的任務； （ 5）提高了系統(tǒng)可靠性和魯棒性，因為數(shù)據(jù)是從多個（種）傳感器得到，系統(tǒng)的性能得到了提高，當一個或多個傳感器失效或出錯時，系統(tǒng)仍然能夠繼續(xù)工作，并本科畢業(yè)設(shè)計論文 （附錄 包含源代碼） 自動降到較低級別上進行處理。 （ 1）圖像配準技術(shù) 對于任何一種多傳感器融合，數(shù)據(jù)的關(guān)聯(lián)和配準都是融合的基礎(chǔ)。配準通常分為粗配準（宏 配準）和細配準（微配準），粗配準是對于不同傳感器的視場進行配準，細配準是在像素級基礎(chǔ)上的配準。目前，基于小波變換的算法己經(jīng)成為研究的主流，但并不是唯一的方法，伴隨著它發(fā)展的還有基于證據(jù)理論的圖像融合方法、偽彩色融合方法、彩色空間變換法、對比度調(diào)制技術(shù)等。 （ 3）偽彩色顯示技術(shù) 通常融合后的圖像采用灰度顯示；把灰度圖像中像素的灰度值與彩色空間中的各種顏 色建立起一一對應的函數(shù)關(guān)系，將灰度圖像轉(zhuǎn)換到彩色空間。圖像融合的信息源可以是多種圖像傳感器的組合，基本上幾乎所有的成像傳感器都可以作為圖像融合的信息源，所以圖像融合技術(shù)獲得了廣泛的應用，其應用領(lǐng)域包括醫(yī)學、遙感、夜視系統(tǒng)、目標識別和各類作戰(zhàn)系統(tǒng)等。但是，目前作為信息輸出源的各種傳感器的性能還不能完全滿足人們本科畢業(yè)設(shè)計論文 （附錄 包含源代碼） 的要求，這一方面是由于受到獲取技術(shù)本身發(fā)展水 平的限制，另一方面是因為任何一種獲取技術(shù)都有一定的精度和適用范圍且其信號都要受到周圍環(huán)境的干擾。這就產(chǎn)生了如何從多幅圖像中恢復原始圖像的問題，即圖像融合技術(shù)的問題。 從一般的角度出發(fā)，圖像融合就是圖像信息的綜合處理過程，即將來自不同源、不同媒質(zhì)、不同時間、不同表示方法的圖 像數(shù)據(jù)和圖像信息按照一定的準則，結(jié)合知識庫，分析、綜合為一個全面的情報，最后得到對被感知圖像的更為精確的描述，并在此基礎(chǔ)上為用戶提供需求信息，諸如決策、任務等。 高效的圖像融合方法可以根據(jù)需要綜合處理多源通道的信息，從而有效地提高圖像信息的利用率、系統(tǒng)對目標探測識別的可靠性及系統(tǒng)的自動化程度 [1,27]。 從融合算法角度來講，融合算法經(jīng)過了由簡單的合成方法到基于 Bayesian優(yōu)化方法的圖像融合再到基于多分辨率分析的圖像融合算法的過程 [28]。該方法直接在圖像域 上進行計本科畢業(yè)設(shè)計論文 （附錄 包含源代碼） 算，對于某些情況下的應用已經(jīng)足夠，但融合效果很差，往往丟掉了源圖像的重要細節(jié)特征，這是因為它沒有對圖像特征和視覺特性加以考慮，不能起到合并冗余信息，提取有用特征信息的作用。使用圖像數(shù)據(jù)和預先定義的融合結(jié)果的先驗模型來優(yōu)化一個能量函數(shù)。由于馬爾可夫隨機場與吉布斯隨機場的等價性，能量函數(shù)可以被表示為 所謂 clique potential的總和。 （ 3）基于多分辨率分析的圖像融合 在融合之前對圖像進行多分辨率分析是由融合的特點和目標來決定的。從主觀上來講，人的視覺系統(tǒng)對圖像特征的理解也是分級的，在大尺度上，人眼對大的圖像特征較敏感，在小尺度上，人眼對較小的圖像特征敏感。人眼的分析功能能 夠集中在原圖像上完成，正是由于人眼自身具有多分辨率分析的特點，能夠根據(jù)需要自動調(diào)節(jié)觀察尺度。 由于圖像多分辨率分析所具有的優(yōu)點非常適合融合的特點，現(xiàn)有的融合方法多是在此基礎(chǔ)上發(fā)展起來，如 DOLP（ Differenceoflowpass）金字塔融合算法、 ROLP（ Ratiooflowpass）金字塔融合算法、 Moiphological金字塔融合算法和小波金字塔（特殊類型）融合算法。 最近鄰分類規(guī)則 特 征提取以后采用最近鄰分類器對提取的特征進行分類。 最近鄰分類器是以所有訓練樣本作為參考點，這類分類器以對樣本數(shù)據(jù)的參考點描述為基礎(chǔ)。最近鄰法的推廣是 NNk? ，即分類時按遞增選出 x 的 k 個最近鄰，看這 k 個近鄰中的多數(shù)屬于哪一類，就把 x 分到哪一類。由于 NNk? 實現(xiàn)簡單，常常被用來與其他分類器進行比較，以評價其他分類器的性能。 本科畢業(yè)設(shè)計論文 （附錄 包含源代碼） 最近鄰分類規(guī)則是模式識別非參數(shù)法中一個重要的方法，該方法簡單的說就是比較未知樣本和所有已知類別樣本之間的歐式距離，未知樣本與離它最近的樣本屬于同類 [31， 32]。 實驗結(jié)果及分析 本論文主要是利用串行融合算法 [32,33]對圖像的 Gabor 特征 與 奇異值特征 融合進行融合。 為了消除奇異值和 Gabor 幅值在數(shù)值和量綱上的非均衡性帶來的不利影響，在融合前，可先對兩組特征奇異值和 Gabor 幅值做如下標準化處理 [34,35]： AAAAA ???? （ ） PPPPP ???? （ ） 其中 )(AEA ?? ， )(PEP ?? 分別為奇異值和 Gabor 幅值的均值， A? ， P? 分別為奇異值和 Gabor 幅值的標準差。在 ORL 人臉庫中，有 400 幅分辨率為 92*112，具有不同表情、不同姿勢、稍許傾斜（不超過 20 度）、稍 許遮掩（眼鏡）以及不同光照的人臉，具體為 40 個人，每人有 10 幅不同的人臉圖片。因本科畢業(yè)設(shè)計論文 （附錄 包含源代碼） 此用 200 幅圖像做為訓練圖像集，將剩余的 200 幅圖像做為測試圖像集（訓練圖象集和測試圖像集沒有重疊）。 利用串行融合進行特征融合的基本步驟如下： （ 1） 單獨提取人臉圖像的奇異值特征進行人臉識別 單獨提取人臉圖像的奇異值特征進行人臉識別，其識別率如圖 所示： %%%%%%%%%%10 5 15 20 25采樣點（個）識別率（%）識別率 圖 提取人臉圖像的奇異值特征進行人臉識別的識別率 由圖表 可知，當采樣點的個數(shù)為 10 個的時，識別率為 %，優(yōu)于其他采用方法的識別率。 （ 3） 利用串行融合算法進行人臉識別 由以上兩個實驗我們可以得到，當采樣點的個數(shù)為：奇異值的前 10 個時識別率較高；當 Gabor 特征 為 40*30 時識別率較高，因此我們采用提取奇異值的前 10 個特征值與采用 40*30 的 Gabor 濾波器得到的 Gabor 特征 進行特征融合。其原因可歸結(jié)為：圖像的奇異值特征是人臉圖像在不同子空間上的 表征，僅僅采用奇異值特征進行識別的方法則完全損失了包含在兩個正交矩陣中的更為重要的有用信息；僅僅利用 Gabor 特征進行人臉識別時，雖然能夠保證原有圖像信息被有效保存，但并不一定有利于識別的進行；而本論文采用的特征融合算法在進行人臉識別時，既解決了僅僅采用奇異值特征進行識別時完全損失的包含在兩個正交矩陣中的更為重要的有用信息的問題，又有利于識別的進行，因此可以獲得更好的識別效果。人臉識別技術(shù)是生物特征識別技術(shù)的一種杰出代表。實驗結(jié)果表明該算法能夠?qū)崿F(xiàn)人臉圖像的 融合，且識別率較高。 本科畢業(yè)設(shè)計論文 （附錄 包含源代碼） 參 考 文 獻 [1]祝磊，朱善安 .人臉識別的一種新的特征提取方法 [J].計算機學報， 2021， 34（ 6）：1221251 [2]何東風，凌捷 .人臉識別技術(shù)綜述 [J].計算機學報， 2021， 13（ 12） 7578 [3]陳才扣，王正群，楊靜宇，楊健 .一種用于人臉識別的非線性鑒別特征融合方法 [J].電子學報， 2021， 26（ 5 ）： 793797 [4]何國輝，甘俊英 .PCALDA算法在性別鑒別中的應用 [J].中國圖像圖形學報，2021， 32（ 19）： 208211 [5]王聃，賈云偉，林福嚴 .人臉識別系統(tǒng)中的特征提取 [J].自動化學報， 2021， 21（ 73）： 5355 [6]張儉鴿，王世卿，盛光 磊 .基于小波和 DFBPCA 的人臉識別算法研究 [J].自動化學報， 2021， 23（ 21）： 253255 [7]曹林，王東峰，劉小軍，鄒謀炎 .基于二維 Gabor 小波的人臉識別算法 [J].電子學報， 2021， 28（ 3） 490494 [8]焦峰，山世光，崔國勤，高文，李錦濤 .基于局部特征分析的人臉識別方法 [J].自動化學報， 2021， 15（ 1）： 5358 [9]Wangmeng Zuo， Kuanquan Wang， David Zhang， Hongzhi Zhang. Combination of two novel LDAbased methods for face recognition[C].Proceedings of the IEEE， 2021：735742 [10]徐倩，鄧偉 .一種融合兩種主成分分析的人臉識別方法 [J].計算機學報， 2021，43（ 25）： 195197 本科畢業(yè)設(shè)計論文 （附錄 包含源代碼） [11]劉貴喜，楊萬海 .基于小波分解的圖像融和方法及性能評價 [J].自動化學報，2021， 28（ 6）： 927934 [12]周嬪，馬少平，蘇中 .多分類器合成方法綜獻 [J].自動化學報， 2021， 28（ 1）：122124 [13]王蘊紅，范偉，譚鐵牛 .融合全局與局部特征的子空間人臉識別算法 [J].電子學報， 2021， 28（ 10）： 16571662 [14]莊哲民，張阿妞，李芬蘭 .基于優(yōu)化的 LDA算法人臉識別研究 [J].中國圖像圖形學報， 2021， 29（ 9）： 20472049 [15]鐘向陽 .基于 Gabor小波的人臉識別系統(tǒng)的實現(xiàn) [J].中國圖像圖形學報， 2021，23（ 3）： 7478 [16]張燕昆，劉重慶 .一種新穎的基于 LDA的人臉識別方法 [J].自動化學報， 2021，22（ 5）： 327330 [17]Nojun Kwak. Feature extraction for classification problems and its application to face recognition[C].Proceedings of the IEEE， 2021： 17011717 [18]Rajkiran Gottumukkal， Vijayan improved face recognition technique based on modular PCA approach[C].Proceedings of the IEEE， 2021： 429436 [19]荊曉遠，郭躍飛，楊靜宇 .基于奇異值特征的圖像預處理及人臉識別 [J].信息與控制， 1999（ 2）： 116120 [20]Yunhu