数字图像预处理与融合方法研究

论文摘要

随着传感器技术不断发展，人们获取图像的途径越来越多，使图像融合处理的图像种类也越来越多。传统的融合方法已经不能满足需要，要求对不同的图像数据融合问题提出有效的解决方法，而发展迅速的基于认知的智能计算为许多问题找到了很好的解决办法。本文研究的目的就是在深入讨论图像融合预处理基础上，再结合神经网络理论、遗传算法和统计理论等，为解决图像融合问题提供有效方法。本文研究主要包括两大部分：第一部分为图像融合预处理，包括图像滤波、图像分割和图像匹配。第二部分为图像融合算法研究。研究主要围绕图像融合全过程而展开，完成的主要研究工作如下：1、针对常规方法对降质图像恢复效果差的缺陷，设计了利用隐含Markov树和小波变换的图像恢复算法。在图像经过Wiener反卷滤波后，利用具有平移不变性的双树—复数小波变换进行小波分解，而后在复数小波域中采用隐含Markov树进行去噪，最终实现受白噪声干扰图像的恢复，取得了良好的效果。2、针对形变目标分割计算量大、模型表达复杂，采用了交叉熵及曲线进化对图像进行分割。基于类间差异性最大的分割原则，利用交叉熵来构造能量函数，将分割问题转化为求能量函数最小化问题；通过最小化能量函数导出用水平集方法表示的曲线进化方程，而后利用快速算法进行求解，实现图像的有效分割。3、针对图像配准的速度与精度问题，改进了基于小波分解和互信息的图像配准算法。采用分层配准策略，加快了配准的速度；利用Parzen窗来估计概率密度，采用二阶梯度法求解配准度量互信息的最优值，提高了配准的精度和速度。该方法可以应用于实时图和参考图之间有仿射变换的情况，并作为图像匹配制导关键技术之一。4、针对一般小波重构复杂的缺点，采用了提升策略进行自适应小波变换。这种算法可以很自然地实现信号的完全重建而并不需要其它额外信息，将该方法应用于图像融合中，把图像的近似信号进行平均，细节信号选取较大的进行融合。仿真实验证明该方法能很好的提取图像的细节分量，具有抗干扰能力，并可应用于多传感器遥感图像融合中。5、针对目前的神经网络图像融合方法的缺陷，提出了一种改进的基于模糊核聚类和神经网络的图像融合方法。采用小波变换进行混合噪声图像的滤波，设计模糊核聚类算法进行图像聚类操作，提高了融合效果和实时性。通过仿真试验，并与其它的神经网络图像融合方法进行比较，结果表明该方法是有效的。6、针对基于神经网络以及模糊神经网络的图像融合方法存在内部结构和参数难以调整的问题，提出了一种基于遗传进化模糊神经网络(FNN)的图像融合方法。方法采用模糊神经网络(FNN)作为单幅图像的聚类算法，以融合后图像的峰值信噪比为适应度函数，利用遗传算法调整模糊神经网络(FNN)的内部参数，从峰值信噪比的角度，最大程度地提高了图像融合效果。仿真试验表明，与基于SOM网络和基于模糊神经网络的图像融合方法相比，这种方法是非常有效的。7、针对传统图像融合方法鲁棒性差的缺点，设计了一种基于估计理论期望值最大的图像融合方法。从多感测器成像模型出发，设计出图像的形成模型，分别基于图像的模型以及期望值最大方法，推导出估计真实场景的迭代过程，最终得到融合图像。探讨了基于拉普拉斯金字塔、梯度金字塔、小波、小波框架以及方向滤波器金字塔等方法的多尺度展开的融合情况，并与EM方法做了比较，数字仿真表明，图像受到噪声污染时采用EM算法进行融合具有较强的鲁棒性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 本文研究思路
• 1.3 国内外研究现状和发展方向
• 1.3.1 图像匹配概述
• 1.3.2 图像融合概述
• 1.4 本文研究内容
• 第二章 图像融合预处理研究
• 2.1 图像滤波算法研究
• 2.1.1 图像滤波研究现状
• 2.1.2 基于小波变换的图像恢复
• 2.2 图像分割算法研究
• 2.2.1 图像分割概述
• 2.2.2 基于交叉熵及曲线进化的图像分割
• 2.2.3 基于小波变换和分水岭的图像分割算法
• 2.3 基于互信息和小波分解的图像配准算法
• 2.3.1 图像配准数学模型
• 2.3.2 算法原理
• 2.3.3 仿真实验
• 2.3.4 结论
• 第三章 基于小波变换的图像融合方法研究
• 3.1 小波融合一般方法
• 3.1.1 基于小波变换的图像融合原理
• 3.1.2 图像的二维小波分解
• 3.1.3 图像融合规则
• 3.2 基于自适应提升小波分解图像融合方法
• 3.2.1 自适应提升小波变换
• 3.2.2 融合原理和算法评估
• 3.2.3 仿真实验
• 3.3 本章小结
• 第四章 基于模糊核聚类和神经网络的图像融合方法研究
• 4.1 神经网络图像融合方法分析
• 4.2 基于模糊核聚类和自组织特征映射网络的图像融合方法
• 4.2.1 算法思想
• 4.2.2 滤波算法
• 4.2.3 模糊核聚类算法
• 4.2.4 融合算法
• 4.2.5 自组织特征映射网络聚类分析
• 4.3 仿真实验
• 4.3.1 实验一
• 4.3.2 实验二
• 4.4 本章小结
• 第五章 基于遗传进化FNN的图像融合方法研究
• 5.1 遗传进化FNN
• 5.1.1 遗传算法
• 5.1.2 模糊神经网络（FNN）
• 5.1.3 遗传进化改进FNN的学习算法
• 5.1.4 遗传进化调整FNN内部参数
• 5.2 基于遗传进化FNN的图像融合方法
• 5.2.1 算法思想
• 5.2.2 用于图像融合的模糊神经网络（FNN）结构
• 5.2.3 遗传进化调整模糊神经网络
• 5.3 仿真实验
• 5.3.1 实验一
• 5.3.2 实验二
• 5.4 本章小结
• 第六章 基于统计模型的图像融合方法研究
• 6.1 高斯混合模型及EM求解
• 6.2 基于统计模型的多源成像传感器融合方法
• 6.2.1 图像成像模型分析
• 6.2.2 局部分析窗
• 6.2.3 期望值最大算法的迭代步骤
• 6.2.4 迭代过程初始化
• 6.3 实验与结果分析
• 6.4 本章小结
• 第七章 全文总结
• 参考文献
• 致谢
• 攻读博士学位期间发表的论文
• 攻读博士学位期间科研获奖情况