數(shù)字圖像預(yù)處理與融合方法研究.pdf

1、隨著傳感器技術(shù)不斷發(fā)展，人們獲取圖像的途徑越來越多，使圖像融合處理的圖像種類也越來越多。傳統(tǒng)的融合方法已經(jīng)不能滿足需要，要求對不同的圖像數(shù)據(jù)融合問題提出有效的解決方法，而發(fā)展迅速的基于認(rèn)知的智能計算為許多問題找到了很好的解決辦法。本文研究的目的就是在深入討論圖像融合預(yù)處理基礎(chǔ)上，再結(jié)合神經(jīng)網(wǎng)絡(luò)理論、遺傳算法和統(tǒng)計理論等，為解決圖像融合問題提供有效方法。 本文研究主要包括兩大部分：第一部分為圖像融合預(yù)處理，包括圖像濾波、圖像分割和

2、圖像匹配。第二部分為圖像融合算法研究。研究主要圍繞圖像融合全過程而展開，完成的主要研究工作如下： 1、針對常規(guī)方法對降質(zhì)圖像恢復(fù)效果差的缺陷，設(shè)計了利用隱含Markov樹和小波變換的圖像恢復(fù)算法。在圖像經(jīng)過Wiener反卷濾波后，利用具有平移不變性的雙樹一復(fù)數(shù)小波變換進(jìn)行小波分解，而后在復(fù)數(shù)小波域中采用隱含Markov樹進(jìn)行去噪，最終實現(xiàn)受白噪聲干擾圖像的恢復(fù)，取得了良好的效果。 2、針對形變目標(biāo)分割計算量大、模型表達(dá)復(fù)

3、雜，采用了交叉熵及曲線進(jìn)化對圖像進(jìn)行分割。基于類間差異性最大的分割原則，利用交叉熵來構(gòu)造能量函數(shù)，將分割問題轉(zhuǎn)化為求能量函數(shù)最小化問題；通過最小化能量函數(shù)導(dǎo)出用水平集方法表示的曲線進(jìn)化方程，而后利用快速算法進(jìn)行求解，實現(xiàn)圖像的有效分割。 3、針對圖像配準(zhǔn)的速度與精度問題，改進(jìn)了基于小波分解和互信息的圖像配準(zhǔn)算法。采用分層配準(zhǔn)策略，加快了配準(zhǔn)的速度；利用Parzen窗來估計概率密度，采用二階梯度法求解配準(zhǔn)度量互信息的最優(yōu)值，提高了

4、配準(zhǔn)的精度和速度。該方法可以應(yīng)用于實時圖和參考圖之間有仿射變換的情況，并作為圖像匹配制導(dǎo)關(guān)鍵技術(shù)之一。 4、針對一般小波重構(gòu)復(fù)雜的缺點，采用了提升策略進(jìn)行自適應(yīng)小波變換。這種算法可以很自然地實現(xiàn)信號的完全重建而并不需要其它額外信息，將該方法應(yīng)用于圖像融合中，把圖像的近似信號進(jìn)行平均，細(xì)節(jié)信號選取較大的進(jìn)行融合。仿真實驗證明該方法能很好的提取圖像的細(xì)節(jié)分量，具有抗干擾能力，并可應(yīng)用于多傳感器遙感圖像融合中。 5、針對目前的

5、神經(jīng)網(wǎng)絡(luò)圖像融合方法的缺陷，提出了一種改進(jìn)的基于模糊核聚類和神經(jīng)網(wǎng)絡(luò)的圖像融合方法。采用小波變換進(jìn)行混合噪聲圖像的濾波，設(shè)計模糊核聚類算法進(jìn)行圖像聚類操作，提高了融合效果和實時性。通過仿真試驗，并與其它的神經(jīng)網(wǎng)絡(luò)圖像融合方法進(jìn)行比較，結(jié)果表明該方法是有效的。 6、針對基于神經(jīng)網(wǎng)絡(luò)以及模糊神經(jīng)網(wǎng)絡(luò)的圖像融合方法存在內(nèi)部結(jié)構(gòu)和參數(shù)難以調(diào)整的問題，提出了一種基于遺傳進(jìn)化模糊神經(jīng)網(wǎng)絡(luò)(FNN)的圖像融合方法。方法采用模糊神經(jīng)網(wǎng)絡(luò)(FNN

6、)作為單幅圖像的聚類算法，以融合后圖像的峰值信噪比為適應(yīng)度函數(shù)，利用遺傳算法調(diào)整模糊神經(jīng)網(wǎng)絡(luò)(FNN)的內(nèi)部參數(shù)，從峰值信噪比的角度，最大程度地提高了圖像融合效果。仿真試驗表明，與基于SOM網(wǎng)絡(luò)和基于模糊神經(jīng)網(wǎng)絡(luò)的圖像融合方法相比，這種方法是非常有效的。 7、針對傳統(tǒng)圖像融合方法魯棒性差的缺點，設(shè)計了一種基于估計理論期望值最大的圖像融合方法。從多感測器成像模型出發(fā)，設(shè)計出圖像的形成模型，分別基于圖像的模型以及期望值最大方法，推導(dǎo)