多传感器图象信融合方法与应用研究.pdf

摘 要 f l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 阃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三个层次，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。1／， 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。 ， f 本文在第二章提出了三种新颖实用的图象去噪算法。I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(800／o90％)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,t=．,30n权中值滤波器和9点 中值滤波器，信号经过三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。第三种滤波器是基于神经网络学习的模糊滤 波器，传统模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J在第三章中， ， ， 论文提出了基于神经网络的多聚焦图象融合方法。麒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 图象清晰度的三种特征，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