多传感器图象融合论文_杨静

导读:本文包含了多传感器图象融合论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:图象,传感器,理论,神经网络,图象处理,小波,准则。

多传感器图象融合论文文献综述

杨静^[1]（2003）在《遥感多传感器图象融合中若干问题的研究》一文中研究指出近年来，图象融合已成为图象理解和计算机视觉领域中一项重要而有用的技术。图象融合是指将自不同类型传感器获取的同一地区的各影象数据进行空间配准，然后采用一定的算法将配准后的各影象数据中所含的显着信息或互补信息有机地结合起来，产生新的影象数据，并对新数据进行解译。与单一信息源相比，这种新数据能最大限度地利用各种信息源提供的信息，减少或抑制对对象的解释中可能存在的多义性、不确定性和误差。本文以优化图象整体信息为目的的图象融合作为主要研究方向，研究对象为合成孔径雷达图象与多光谱图象的融合问题。研究内容主要为图象配准、图象融合以及融合效果的评价准则。图象配准是图象融合的基础。本文提出了基于线性不变矩的特征图象配准算法。该算法针对SAR图象与多光谱图象差异性较大的特点，采用图象边缘的线性不变矩作为特征矢量进行遥感图象配准。实验证明，当待配准图象特性差异较大时，采用该算法可以得到更优的性能。在系统地阐述了多源遥感图象融合的基本类型、处理模型、作用及应用的基础上，本文深入地研究了多种针对二维信号小波多分辨率分析算法的实现、特点和物理意义，并对基于不同小波分析技术的图象融合算法的特点进行了研究与分析，得出一些重要结论。本文提出了一种的基于非抽取提升小波变换的图象融合算法，其中包括一种新的将Mahalanobis距离与系数比率相结合的融合规则以及与之相应的融合算子。该算法将具有平移不变性的非抽取提升小波变换与IHS变换有机地结合起来。实验证明，在融合源图象特性差异较大的情况下，该算法与已有的基于小波分析的遥感图象融合算法相比较性能更优，具有运算速度快、减少光谱退化的特点，并能在一定程度上抑制相干斑噪声。本文提出了对图象融合效果进行定量评价的方法和准则，并利用这些评价准则对多种图象融合方法的性能进行了比较研究。本文给出了一系列的图象融合实验，并得出了一些有价值的结论。(本文来源于《中国科学院研究生院（西安光学精密机械研究所）》期刊2003-09-01）

李树涛^[2]（2001）在《多传感器图象信息融合方法与应用研究》一文中研究指出近年来，多传感器图象信息融合技术在机器视觉、遥感、军事、交通、医学、生物学等领域得到了广泛的关注。多传感器图象信息融合是指对多个传感器采集的关于同一目标或场景的图象进行适当的处理，充分利用多传感器成像间存在的冗余性和互补性，提高图象信息利用效率的技术。例如，在医学上CT图象具有很高的分辨力，骨骼成像非常清晰，对病灶的定位提供了良好的参照，但对病灶本身的显示较差。而MRI图象虽然空间分辨力比不上CT图象，但是它对软组织成像清晰，有利于病灶范围的确定。如果把它们之间的互补信息综合在一起，那么就能为医学诊断、人体的功能和结构的研究提供更充分的信息。随着遥感技术的发展，光学、热红外和微波雷达等大量不同传感器对地观测的应用，获取的同一地区的多种遥感影象数据（多时相、多光谱、多分辨率）越来越多。与单源遥感影象数据相比，多源遥感影象数据所提供的信息具有冗余性和互补性。将多源遥感影象数据合理地进行融合，能够产生比单一信源更精确、更完全、更可靠的估计和判断，能够提高影象的空间分辨率和清晰度，提高平面测图精度、分类的精度与可靠性，增强解译和动态检测能力，有效提高遥感影象数据的利用率。一般认为图象信息融合分为叁个层次，即像素级融合、特征级融合和决策级融合。像素级融合是作用于图象的像素点的最底层的融合，其优点是保留了尽可能多的信息，具有最高的精度。其缺点是处理信息量大、费时、实时性差，并且要求传感器是同质的，即传感器产生的数据具有相同的单位。特征级融合是中等水平的融合，它首先将各参与融合的图象进行特征提取，产生特征矢量，而后将这些特征矢量进行融合。其缺点是比像素级融合的精度差。决策级融合是最高水平的融合，它首先对各传感器图象进行特征提取和识别，而后将各自产生的结果进行融合，得到最终的融合结果。其优点是实时性好，对传感器性质没有严格要求，但融合精度最差。本文主要研究了像素级图象融合的方法及其应用。论文在第一章介绍了图象信息融合的概念、融合的优点、通用融合结构以及目前常用的像素级图象融合方法，包括算术平均、彩色映射、非线性组合、马尔可夫随机场、神经网络、金字塔变换（梯度金字塔、比率低通金字塔、形态学金字塔等）和小波变换等，在第一章还介绍了像素级图象融合的应用。本文在第二章提出了叁种新颖实用的图象去噪算法。第一种是改进型的中值滤波器，即使图象的噪声污染很严重（80W90％）时，该滤波器依然能够很好地恢复有用的图象信号。第二种是基于模糊神经网络的混合滤波器，主要滤波器模块有十字型中心加权中值滤波器、交叉型中心加权中值滤波器和9点中值滤波器，信号经过叁种滤波器处理后送入一个训练好的模糊神经网络进行融合处理，得到最终的滤波结果。第叁种滤波器是基于神经网络学习的模糊滤波器，传统摸糊滤波器的阈值根据人的经验确定，本文提出通过神经网络来学习以得到最优阈值。实验结果表明所提出的滤波器优于传统的模糊滤波器。光学传感器（如数码相机）在某一场景进行成像时，由于场景中不同目标与传感器的距离可能不同，这时想使所有目标都成像清晰是很困难的，而采用图象融合技术，即针对不同的目标，得到多幅成像，经过融合处理，提取各自的清晰信息综合成一幅新的图象，能够使图象中的目标都很清晰。在第叁章中，论文提出了基于神经网络的多聚焦图象融合方法。具体实现过程概述如下：首先将两幅（或多幅）配准图象进行分块处理，提取两幅图象中对应块的能反映图象清晰度的叁种特征，即空间频率、可见度和边缘，将特征归一化后送入训练好的神经网络进行识别，根据得到的结果依据“谁清晰谁保留”的原则构成融合的图象。实验结果表明，该方法对图象配准没有严格要求，即使图象间有一定的像素位移如果图象中目标没有重迭，也能取得很好的融合结果，该方法 n h具有很高的实时性。近年来，基于小波变换的多传感器融合得到了广泛的关注与研究。但小波变换由于其变换过程中存在2取1的抽样过程，使得小波变换不具备移不变特性。当输入信号有轻微的移动时，所产生的小波变换系数会有很大的变化，这在图象融合领域是不希望发生的。而小波帧变换没有抽样过程，所以它具有移不变的特性。论文在第四章提出了基于小波帧变换及其变种小波帧包变换和树状小波帧变换的多传感器图象融合方法。具体讨论了变换系数活跃度测量、变换系数融合方法、变换系数验证、帧变换分解深度等问题。实验结果表明，在多源图象没有严格地配准、图象间目标有轻微的移动或成像传感器本勇有一定的移动等情况下，小波帧变换仍然能够取得优于小波变换的融合结果。在图象处理的实际应用中?(本文来源于《湖南大学》期刊2001-03-01）

多传感器图象融合论文开题报告

（1）论文研究背景及目的

此处内容要求：

首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。

写法范例：

近年来，多传感器图象信息融合技术在机器视觉、遥感、军事、交通、医学、生物学等领域得到了广泛的关注。多传感器图象信息融合是指对多个传感器采集的关于同一目标或场景的图象进行适当的处理，充分利用多传感器成像间存在的冗余性和互补性，提高图象信息利用效率的技术。例如，在医学上CT图象具有很高的分辨力，骨骼成像非常清晰，对病灶的定位提供了良好的参照，但对病灶本身的显示较差。而MRI图象虽然空间分辨力比不上CT图象，但是它对软组织成像清晰，有利于病灶范围的确定。如果把它们之间的互补信息综合在一起，那么就能为医学诊断、人体的功能和结构的研究提供更充分的信息。随着遥感技术的发展，光学、热红外和微波雷达等大量不同传感器对地观测的应用，获取的同一地区的多种遥感影象数据（多时相、多光谱、多分辨率）越来越多。与单源遥感影象数据相比，多源遥感影象数据所提供的信息具有冗余性和互补性。将多源遥感影象数据合理地进行融合，能够产生比单一信源更精确、更完全、更可靠的估计和判断，能够提高影象的空间分辨率和清晰度，提高平面测图精度、分类的精度与可靠性，增强解译和动态检测能力，有效提高遥感影象数据的利用率。一般认为图象信息融合分为叁个层次，即像素级融合、特征级融合和决策级融合。像素级融合是作用于图象的像素点的最底层的融合，其优点是保留了尽可能多的信息，具有最高的精度。其缺点是处理信息量大、费时、实时性差，并且要求传感器是同质的，即传感器产生的数据具有相同的单位。特征级融合是中等水平的融合，它首先将各参与融合的图象进行特征提取，产生特征矢量，而后将这些特征矢量进行融合。其缺点是比像素级融合的精度差。决策级融合是最高水平的融合，它首先对各传感器图象进行特征提取和识别，而后将各自产生的结果进行融合，得到最终的融合结果。其优点是实时性好，对传感器性质没有严格要求，但融合精度最差。本文主要研究了像素级图象融合的方法及其应用。论文在第一章介绍了图象信息融合的概念、融合的优点、通用融合结构以及目前常用的像素级图象融合方法，包括算术平均、彩色映射、非线性组合、马尔可夫随机场、神经网络、金字塔变换（梯度金字塔、比率低通金字塔、形态学金字塔等）和小波变换等，在第一章还介绍了像素级图象融合的应用。本文在第二章提出了叁种新颖实用的图象去噪算法。第一种是改进型的中值滤波器，即使图象的噪声污染很严重（80W90％）时，该滤波器依然能够很好地恢复有用的图象信号。第二种是基于模糊神经网络的混合滤波器，主要滤波器模块有十字型中心加权中值滤波器、交叉型中心加权中值滤波器和9点中值滤波器，信号经过叁种滤波器处理后送入一个训练好的模糊神经网络进行融合处理，得到最终的滤波结果。第叁种滤波器是基于神经网络学习的模糊滤波器，传统摸糊滤波器的阈值根据人的经验确定，本文提出通过神经网络来学习以得到最优阈值。实验结果表明所提出的滤波器优于传统的模糊滤波器。光学传感器（如数码相机）在某一场景进行成像时，由于场景中不同目标与传感器的距离可能不同，这时想使所有目标都成像清晰是很困难的，而采用图象融合技术，即针对不同的目标，得到多幅成像，经过融合处理，提取各自的清晰信息综合成一幅新的图象，能够使图象中的目标都很清晰。在第叁章中，论文提出了基于神经网络的多聚焦图象融合方法。具体实现过程概述如下：首先将两幅（或多幅）配准图象进行分块处理，提取两幅图象中对应块的能反映图象清晰度的叁种特征，即空间频率、可见度和边缘，将特征归一化后送入训练好的神经网络进行识别，根据得到的结果依据“谁清晰谁保留”的原则构成融合的图象。实验结果表明，该方法对图象配准没有严格要求，即使图象间有一定的像素位移如果图象中目标没有重迭，也能取得很好的融合结果，该方法 n h具有很高的实时性。近年来，基于小波变换的多传感器融合得到了广泛的关注与研究。但小波变换由于其变换过程中存在2取1的抽样过程，使得小波变换不具备移不变特性。当输入信号有轻微的移动时，所产生的小波变换系数会有很大的变化，这在图象融合领域是不希望发生的。而小波帧变换没有抽样过程，所以它具有移不变的特性。论文在第四章提出了基于小波帧变换及其变种小波帧包变换和树状小波帧变换的多传感器图象融合方法。具体讨论了变换系数活跃度测量、变换系数融合方法、变换系数验证、帧变换分解深度等问题。实验结果表明，在多源图象没有严格地配准、图象间目标有轻微的移动或成像传感器本勇有一定的移动等情况下，小波帧变换仍然能够取得优于小波变换的融合结果。在图象处理的实际应用中?

（2）本文研究方法

调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。

实证研究法：依据现有的科学理论和实践的需要提出设计。

定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。

定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。

跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。

模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。