基于多尺度與子空間的圖像融合和識別研究.pdf

1、圖像融合與識別一直是圖像處理領域的研究熱點。圖像的獲取方式多樣,具有豐富的信息,圖像間的關系復雜,通常包含不同的內容,也可能包含相同的內容,但呈現(xiàn)不同的形態(tài)。本文以多尺度技術和子空間為基礎,結合機器學習算法,研究它們在圖像融合和識別環(huán)節(jié)中應用,以提高處理結果的可靠性和準確性。
　　結合分水嶺分割和半監(jiān)督算法,提出了兩種基于局域特征的半監(jiān)督圖像多對象分割。通過空間域多尺度分水嶺分割把圖像分割成若干獨立的封閉區(qū)域,以這些區(qū)域作為基本單

2、元參與分割。在半監(jiān)督聚類分割中,構建目標函數(shù),提高標識數(shù)據權值,求解目標函數(shù)最優(yōu)解來分割圖像。在Multiwaycut分割中,建立節(jié)點層次圖,構建帶權無向網絡,引入類終端節(jié)點,采用兩個分水嶺分割閾值預分割圖像,以實現(xiàn)由粗到精的分割。
　　鑒于全局配準和特征配準容易導致誤配準和漏配準,提出了基于SIFT(尺度不變變換)特征點配準和邊緣配準的自適應局部配準。擴展SIFT特征點配準,設計了尺度不變邊緣配準,選取配準可信度高的候選SIFT

3、特征點和邊緣角點,計算圖像間隱藏的多個變換關系。該方法對光照、旋轉、尺度、噪聲、形變等不敏感,能夠提供更多的配準信息,并減少錯誤配準。
　　提出了基于SIFT特征密度的非參考圖像質量評估和基于相對特征差分布圖和特征增強趨勢分布圖的圖像融合。大量實驗表明,圖像經過經鄰域增強、二倍尺寸內插值放大后,SIFT特征密度隨著噪聲、模糊和塊效應的增大而減小,特征密度能夠準確地反映圖像的質量。圖像的相對特征差分布圖描述了兩幅待融合圖像像素點的局

4、域圖像質量差異,根據差值把圖像分為三類不同區(qū)域,對絕對差值較大的區(qū)域,選取質量高的對應區(qū)域作為融合結果,對差值趨于零的區(qū)域,按照特征增強趨勢分布圖融合。特征增強趨勢分布圖的建立基于圖像的配準SIFT特征點和配準邊緣,目的是保留更多的配準信息,描述了圖像像素的取值趨勢。融合方法使得共同信息得到增強,干擾信號得到抑制,能夠獲得更多的有用信息。
　　提出了基于子空間與SIFT的圖像識別與基于增量減量子空間學習的圖像識別。子空間識別是一種

5、全局特征識別方法,能夠實現(xiàn)圖像的快速識別,但是會忽略圖像的細節(jié)特征。SIFT識別根據圖像的細節(jié)局部特征實現(xiàn)配準,通過特征點配準投票識別圖像,但不能進行圖像的批量處理,兩者的結合能夠在保證運算速度的前提下有效提高識別的準確性。增量減量子空間學習解決了樣本庫動態(tài)變化時子空間特征的提取問題,樣本可能增加,也可能減少,不需要對所有樣本重新學習,以樣本投影方差為標準選擇特征向量,建立近似的增量減量學習公式,以提高運行速度、降低特征向量維數(shù)為目的,