图像融合的若干关键技术研究

发布时间：2017-05-30 06:09

  本文关键词：图像融合的若干关键技术研究，由笔耕文化传播整理发布。

【摘要】：图像融合是模式识别与图像处理中一个重要的研究领域,由于具体任务的多样性,没有一种融合方法能够适合于各种图像,这也给图像融合领域的研究带来了诸多挑战。本文从脉冲耦合、稀疏表示、模糊系统、隐马尔科夫模型几方面对图像融合相关算法及其改进方法进行了相关研究,并从视觉效果和客观评价指标上进行了深入比较和分析。本文的主要工作包含如下几个方面。(1)针对双通道脉冲耦合神经网络图像融合方法中参数选取不易确定之挑战,提出了一种基于进化学习的自适应双通道脉冲耦合图像融合方法。通过引入自适应学习能力的进化学习算法和构建新的优化目标对双通道脉冲耦合神经网络模型参数来进行优化,提出的新算法能够有效地找到双通道脉冲耦合神经网络模型的近似最优参数,克服了经典双通道脉冲耦合神经网络图像融合方法需要人工交互穷举尝试不同参数来获取较优参数之缺点。(2)针对脉冲耦合神经网络图像融合模型对含噪声图像敏感和融合时间效率不高之问题,通过引入目前在模式识别和图像处理领域研究的压缩感知技术对传统模型进行改造,提出了一种融入压缩感知技术的新型快速脉冲耦合图像融合方法。该方法不仅能够弥补传统脉冲耦合模型抗噪声能力不强之缺陷,还可以实现含噪声图像去噪和图像融合同步完成,有效地克服了传统去噪融合方法中人为将去噪过程和融合过程分开而造成的信息不一致等问题,在一定程度上大大提高了新方法的融合效果和时间效率。(3)图像融合中所处理的图像往往并不局限于两幅,而对应的多通道模型目前却存在鲜有涉及之困境。采用目前被广泛应用的双通道脉冲耦合神经网络图像融合模型处理三张及以上图像的融合,需解决图像融合的先后顺序之问题。研究表明不同的融合顺序对融合结果的影响较大。据此,提出了一种新的多通道脉冲耦合神经网络图像融合方法。同时,针对无现成多通道脉冲耦合链路权重计算方法可以使用之难题,提出了一种新的基于灰度能量矩阵的多通道模型链路权重计算方法。该链路计算方法不仅可以实现各通道间的融合协作,尽量减少信息损失,而且还能有效地避免拉普拉斯算子和重复计算之问题,从而大大提高了算法时间效率。(4)针对传统稀疏表示图像融合超分模型中对于LL(Low-low Frequency)、LH(Low-high Frequency)、H(High Frequency)三部分等比例加权,不能突出重点信息之不足,本文提出一种香农熵多视角加权稀疏表示同步超分图像融合方法。该方法引入香农熵加权技术,针对LL、LH、H三部分根据图像特征进行加权,突出重点频率段的影响,从而提高了图像融合的效果。(5)针对图像融合领域内监督学习少有涉及、先验知识不能加以利用之不足,提出了一种新的有监督学习图像融合框架。该方法能够有效利用以往图像融合过程中得到的经验知识(如质量较高的融合图像)构造有用的标准图像融合学习图像库,进而通过选用相关经典有监督学习模型对上述标准库样本进行训练形成学习模型,最终利用该学习所得模型指导新的图像融合过程。(6)专门针对图像融合领域内难于对先验知识加以利用的问题在模糊系统研究领域提出一种全新的有监督TSK(Takagi Sugeno Kang)模糊系统图像融合方法。该方法通过引入TSK模糊系统构建标准图像融合图像库进行学习,将学习准则记录下来形成融合模型,并指导新的图像融合过程。在融合图像质量和适用范围方面表现出一定的优势。(7)传统图像融合领域中各点融合孤立进行,以至造成的负面影响使得较难能够达到最佳融合效果之问题,提出了一种新的HMM(Hidden Markov Model)医学和多聚焦图像融合方法。该方法能够有效利用均值和平均梯度信息构造发生概率,再通过BP(Back Propagation)算法进行优化,最终得到融合图像。该方法较之传统方法,具备能够尽量照顾到每个像素点周边邻域的信息的特点,具体可表现为融合效果的改善。相关实验结果亦表明了本文方法的上述特点。
【关键词】：图像融合 脉冲耦合神经网络 进化学习 香农熵 多视角加权 稀疏表示 模糊系统 隐马尔可夫
【学位授予单位】：江南大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要3-5
• Abstract5-10
• 第一章 绪论10-26
• 1.1 研究背景及意义10
• 1.2 研究现状10-23
• 1.3 研究内容及方案23-26
• 1.3.1 研究目标23
• 1.3.2 研究内容及创新23-24
• 1.3.3 论文的组织结构24-26
• 第二章 粒子群进化学习的自适应双通道脉冲耦合神经网络图像融合方法研究26-50
• 2.1 问题提出26
• 2.2 双通道脉冲耦合神经网络图像融合及存在的问题26-32
• 2.2.1 双通道脉冲耦合神经网络（DC-PCNN）图像融合模型26-28
• 2.2.2 双通道脉冲耦合神经网络图像融合方法存在的问题28-32
• 2.3 粒子群进化学习双通道脉冲耦合神经网络图像融合方法32-38
• 2.3.1 粒子群寻优(PSO)33-34
• 2.3.2 双通道脉冲耦合图像融合进化学习多准则优化目标构造34-36
• 2.3.3 粒子群进化学习自适应双通道脉冲耦合神经网络图像融合方法36-38
• 2.4 仿真实验及分析38-47
• 2.4.1 评价指标和实验设置38-39
• 2.4.2 多聚焦图像仿真实验及分析39-43
• 2.4.3 医学图像仿真实验及分析43-45
• 2.4.4 参数敏感性分析45-46
• 2.4.5 复杂真实图像融合仿真实验46-47
• 2.5 本章小结47-50
• 第三章 融入压缩感知的新型快速脉冲耦合图像融合方法研究50-64
• 3.1 问题提出50-51
• 3.2 相关工作51-53
• 3.2.1 压缩感知51-52
• 3.2.2 脉冲耦合神经网络52-53
• 3.2.3 脉冲耦合神经网络图像融合模型存在的问题53
• 3.3 融入压缩感知的脉冲耦合神经网络图像融合方法53-56
• 3.3.1 理论分析53-54
• 3.3.2 模型框架54
• 3.3.3 方法实现54-56
• 3.4 仿真实验56-62
• 3.4.1 融合质量评价指标与方法简称56
• 3.4.2 与其他去噪脉冲耦合图像融合方法比较实验56-62
• 3.4.3 实验分析小结62
• 3.5 本章小结62-64
• 第四章 多通道脉冲耦合图像融合方法研究64-76
• 4.1 问题提出64-65
• 4.2 多通道脉冲耦合神经网络模型65-66
• 4.3 链接权重计算方法66-67
• 4.4 多通道脉冲耦合神经网络图像融合方法67-69
• 4.4.1 方法框架67-68
• 4.4.2 方法实现（M-PCNN）68
• 4.4.3 讨论68-69
• 4.5 仿真实验及分析69-75
• 4.5.1 图像融合评价指标和比较方法70
• 4.5.2 与双通道脉冲耦合神经网络图像融合方法比较实验70-73
• 4.5.3 和其他脉冲耦合和非脉冲耦合神经网络图像融合方法比较实验73-75
• 4.6 本章小结75-76
• 第五章 香农熵加权稀疏表示图像融合方法研究76-98
• 5.1 问题引出76
• 5.2 稀疏表示76-77
• 5.3 香农熵多视角加权稀疏表示同步超分图像融合方法77-85
• 5.3.1 问题提出77-78
• 5.3.2 香农熵多视角加权78-81
• 5.3.3 方法框架81
• 5.3.4 字典学习81-83
• 5.3.5 方法实现83-85
• 5.4 仿真实验及分析85-96
• 5.4.1 评价指标和比较方法简称85-86
• 5.4.2 不同类型图像仿真实验86-93
• 5.4.3 与LL、LH、H等比例加权融合效果对比分析93-95
• 5.4.4 LH、H字典分离学习、合并学习对比分析95-96
• 5.5 本章小结96-98
• 第六章 有监督学习医学图像融合方法研究98-112
• 6.1 问题提出98-99
• 6.2 有监督学习模型99-102
• 6.2.1 TSK模糊系统99-100
• 6.2.2 RBF神经网络100-101
• 6.2.3 SVR回归模型101-102
• 6.3 有监督学习图像融合方法102-104
• 6.3.1 融合框架102-103
• 6.3.2 方法描述103-104
• 6.4 仿真实验及分析104-111
• 6.4.1 评价指标105
• 6.4.2 实验105-107
• 6.4.3 分析107-111
• 6.5 本章小结111-112
• 第七章 基于监督学习的Takagi Sugeno Kang模糊系统图像融合方法研究112-120
• 7.1 问题提出112
• 7.2 TSK模糊系统图像融合方法112-115
• 7.2.1 方法框架112-113
• 7.2.2 实现过程113-115
• 7.2.3 方法实现及分析115
• 7.3 仿真实验及分析115-118
• 7.3.1 特定类型学习图像融合实验115-116
• 7.3.2 无限定图像类型学习融合实验116-117
• 7.3.3 分析117-118
• 7.4 本章小结118-120
• 第八章 基于Hidden Markov Model的医学和多聚焦图像融合方法研究120-130
• 8.1 问题提出120
• 8.2 随机场120-124
• 8.2.1 随机场的原理121-123
• 8.2.2 优化方法123-124
• 8.2.3 随机场图像融合的计算124
• 8.3 算法构造124-126
• 8.4 仿真实验126-130
• 第九章 总结与展望130-134
• 9.1 总结130-131
• 9.2 展望131-134
• 致谢134-136
• 参考文献136-150
• 附录150

【参考文献】

中国期刊全文数据库 前10条

1 文成林;郭超;高敬礼;;多传感器多尺度图像信息融合算法[J];电子学报;2008年05期

2 吴晓军;李峰;马悦;辛云宏;;均匀搜索粒子群算法的收敛性分析[J];电子学报;2012年06期

3 冯鑫;王晓明;党建武;沈瑜;;基于Shearlet变换的红外与可见光图像融合[J];光电子.激光;2013年02期

4 张波;薛正辉;任武;李伟明;盛新庆;;采用粒子群算法的频率选择表面优化设计[J];电子学报;2013年03期

5 张成;杨海蓉;程鸿;韦穗;;基于压缩感知的超分辨率图像重建[J];光电子.激光;2013年04期

6 尹雯;李元祥;周则明;刘世前;;基于稀疏表示的遥感图像融合方法[J];光学学报;2013年04期

7 蒋亦樟;邓赵红;王士同;;0阶L2型TSK迁移学习模糊系统[J];电子学报;2013年05期

8 邓苗;张基宏;柳伟;梁永生;;基于全变分的权值优化的多尺度变换图像融合[J];电子与信息学报;2013年07期

9 延翔;秦翰林;刘上乾;杨廷梧;杨智杰;薛灵芝;;基于Tetrolet变换的图像融合[J];光电子.激光;2013年08期

10 沈瑜;党建武;王阳萍;冯鑫;罗维薇;;一种新的基于多尺度几何分析的图像融合方法[J];光电子.激光;2013年12期

中国博士学位论文全文数据库 前2条

1 罗晓清;多传感器图像融合理论及其应用研究[D];江南大学;2010年

2 常兴治;数学形态学方法与随机场图像分割研究[D];东北大学;2007年

  本文关键词：图像融合的若干关键技术研究，，由笔耕文化传播整理发布。

本文编号：406536