基于NSST和改进SLIC的图像融合算法研究

发布时间：2024-06-10 20:18

　　图像融合是将多个传感器在不同时间条件下得到的关于同一目标场景的图像进行综合处理的一种技术,目的是使得融合图像含有更丰富的细节信息。图像融合的关键问题是如何有效提取各幅源图像中的特征信息并在不引入虚假错误信息的条件下进行有效融合。非下采样剪切波变换(Non-subsampled Shearlet Transform,NSST)是一种能够有效表示以及分析图像的多尺度分析方法,可以实现图像的“稀疏”表示,高效地提取图像的有用信息。图像经NSST分解后生成大量系数,对系数处理方法的有效性直接决定了融合图像的质量。针对该问题本文将改进的简单线性迭代(Simple Linear Iterative Clustering,SLIC)超像素分割方法用于NSST系数的融合中。改进的SLIC超像素分割方法可以有效地提取图像的局部信息且可以高效定位图像中的边界和物体,使得图像更易分析,将其应用于NSST高频系数的融合可有效提升融合质量。因此,本文对基于NSST和改进的SLIC的图像融合算法进行探索性研究,主要工作内容有:(1)详述了SLIC超像素分割方法的实现过程,并针对其存在的不足对其进行改进。重点介绍了...

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

图1-1像素级融合框架

融合分类融合的一般目的是最大化地将源图像中的有价值信息采集出来并且在融地显现。依据信息表示层次的差异，多传感器图像融合通常分为三个级别特征级以及决策级。像素级融合素级图像融合[13]中，是直接对多个传感器得到的原始图像进行融合处理，合。像素级图像融合的优点是：a.使原始数据最大....

图1-2特征级融合框架

缺点是：融合过程中信息会发生一定的失真。该级图像融合处理的框架如图1-2所示。图1-2特征级融合框架Fig.1-2Feature-levelfusionframework3．决策级融合决策级图像融合[15]实际是一种推理过程，即将不同的图像信息应用一定的数学知识作....

图1-3决策级融合框架

图1-2特征级融合框架Fig.1-2Feature-levelfusionframework3．决策级融合决策级图像融合[15]实际是一种推理过程，即将不同的图像信息应用一定的数学知作为支撑展开推理，是一种高层次融合。首先将各个传感器得到的图像依次对同一目形成一个初....

图1-4MGA图像融合算法结构图

于神经网络的图像融合前图像融合中应用较多的神经网络方法是脉冲耦合神经网络(PulseCoupNetwork，PCNN)。PCNN是一种新型的人工神经网络模型，它具有的脉冲耦限、产生同步脉冲和乘法调制等特性[25]，使得其在图像融合中应用比较广泛ioglu等人于2000....

本文编号：3991850