基于边缘显著度的小波图像融合方法分析-analysis of wavelet image fusion method based on edge saliency.docxVIP

1 绪论1.1 课题研究的背景信息融合是对来自不同信息源的信息进行处理以获得更高质量的信息，多源信息处理是人类智能活动的一部分。随着传感器技术和计算机计算能力的提高，目前人类生产生活的各个领域使用了越来越多的各种类型的传感器，随之而来的是各种信息数据的快速大量增加。随着数据的海量增加，信息表现形式的多样性、信息数量的巨大性、信息关系的复杂性以及要求信息处理的及时性，都大大超出了人脑和传统方法的信息综合处理能力，新的理论方法呼之欲出。对于同一个场景，使用几种不同传感器得到的信息实际上有很大的相似性，即会产生信息冗余；但由于传感器各异的感应方式，传感器产生的信息之间又各有不同之处，这称之为所谓的互补信息[1]。为了更加完整和准确的描述目标对象，必须对冗余信息和互补信息进行有机的结合，将来自多个传感器的数据和信息根据一定的规则进行分析，并在此基础上综合生成一个比较全面的情报，供用户作出判断和决策或者为下一步的处理奠定良好基础，由此诞生了信息融合技术[2]。所谓信息融合，就是指使用一定的方法将不同传感器对同一目标所产生的信息结合起来，获得对目标对象更有效、更精确的单一描述[2]。而由于信息的多样性，为了获得更加准确的信息融合效果，应该针对信息特征实用适合的算法进行融合。图像融合是信息融合技术的重要分支和研究热点，是指将不同传感器获得的同一景物、场景的图像或者同一传感器在不同时刻获得的同一景物、图像的图像，经过去噪、配准和重采样后，再运用某种融合技术得到一幅合成图像的过程。通过对多幅传感器图像的融合，可以克服单一传感器图像在几何、光谱和空间分辨率等方面存在的局限性和差异性[60]，提高图像的清晰度和可识别性，获得单一图像所不能提供的综合特征信息。融合之后的图像数据量减少而信息量增加，为人类观察或者计算机处理都带来很大的方便[4]。图像融合是对传统信息融合理论的重要扩展，主要以各类图像作为研究的对象[1]。通过图像融合技术所获得的优质可靠的图像，为特征提取、目标识别和系统决策等后续处理[3]提供了良好基础。本文研究的课题来源于国家部委基金项目，项目的研究涵盖了在多传感器图像中进行自动目标识别所需要的各项关键技术，而图像融合技术正是其中之一。通过对多种传感器所生成的图像进行图像融合，将大大减少目标识别系统所需要处理的数据量，明显降低系统的复杂度[1]。相对于原始图像，融合图像更加准确可靠，对提高目标识别的准确性有很大的帮助。1.2 图像融合研究现状正是因为信息融合技术的重要意义以及作为信息融合技术其中一种的图像融合技术所具有的研究和实用价值，近20 年，又随着传感器技术和计算机能力的提高，多传感器图像融合技术领域内已有科研工作者做了大量的研究工作，取得了很多的成果和进展。1984年P.J.Burt最早在文献[5]中提出了一种使用图像金字塔变化进行图像融合的方法。其后，又由他和E.H.Adelson 在文献[6]进一步发展出了一种基于图像多层次分解的图像融合方法。文献[7]对金字塔方法进行了研究和扩展，并将成果运用于可见光图像与红外图像的融合。文献[8]更将人工神经网络引入图像融合领域，提出了一种基于人工神经网络的可见光图像与红外图像的融合方法。由文献[10] 首先提出利用小波变换进行图像融合的方法后，研究人员提出了更多的基于小波变换的图像融合方法[11-13]。图像融合技术应用之广，已经遍布人类生活的各个领域。而不同领域因其领域特性和需求也有不同的图像融合方法。在医学领域，医学图像如CT、PET、MRI、SPET、US、MI等对医学诊断和治疗技术进展起了很大的作用，而通过融合这些不同种类的医学图像获取不同的综合的信息，如CT的骨骼信息，MRI的软组织、血管信息，综合帮组医生更好的制定治疗方案。在人工智能领域，图像融合技术广泛应用于机器人视觉和目标识别[17-21]。在军事领域，美国陆军计划下一代坦克选择MMW雷达和热成像仪作为图像融合的突破口，正在由休斯公司进行[61]。在遥感领域，也有图像与非图像信息之间如红外图像和雷达声纳等等融合的研究，而针对各种卫星图像的融合算法[25-27]以及一直都是研究的热点。因为已经诞生了如此多的图像融合方法，自然图像融合的方法的评价就成为一个问题，这也是图像融合技术的另一个热点。这方面也有很多研究人员做了很多的工作，但目前仍未得到很好的解决，缺乏一种系统、全面、统一的评价方法。原因在于主观评价会因为观察者兴趣的不同而认为效果不同；客观评价则有同一算法用在不同的图像或者不同应用要求而效果不同的问题；理想的评价方法是虽然存在，但在实际中基本上不可能实施[28]。人的主观评价一直都是图像融合的重要评价方法之一，但是这种方法也有明显的缺点：代价十分高昂，并且难以进行量化分析[29]，带有片面性，经不起重复检测。所以