图像融合

像素级图像融合:主要是针对初始图像数据进行的,其主要目的是主要是图像增强、图像分割和图像分类,从而为人工判读图像或更进一步的特征级融合提供更佳的输入信息。像素级图像融合属于较低层次的融合,大部分研究集中在该层次上。融合之前首先要对图像进行预处理的工作,包括:降噪、几何校正、辐射校正、空问上精确配准等工作,如果图像具有不同的分辨率,在融合前还需要作相应的映射处理。

特征级图像融合:是指从各个传感器图像中提取特征信息,并进行综合分析和处理的过程。提取的特征信息是像素信息的充分表示量或充分统计量,典型的特征信息有边缘、形状、轮廓、角、纹理、相似亮度区域等。通过特征级融合可以在原始图像中挖掘相关特征信息、增加特征信息的可信度、排除虚假特征、建立新的复合特征等。经过特征级融合处理后的结果是一个特征空间,数据量相比于原来的图像数据将大为减少,该处理进程将极大地提高数据处理和传输效率,有效地推动数据自动实时处理。特征级图像融合是中间层次上的融合,为决策级融合做准备。特征级融合对传感器对准要求不如像素级要求严格,因此图像传感器可以分布于不同平台上。特征级融合的优点在于实现了可观的信息压缩,便于实时处理。目前,特征级数据融合的主要方法有:聚类分析方法、DemPster·shafer推理方法、贝廿卜斯估计方法、信息墒方法、加权平均方法、表决方法以及神经网络方法等。

决策级图像融合:是对来自多幅图像的信息进行逻辑推理或统计推理的过程。如果传感器信号表示形式差异很大或者涉及图像的不同区域,那么决策级融合也许是融合多图像信息的唯一方法。用于融合的决策可以是源于系统中传感器提供的信息,也可以是来自环境模型或系统先验信息的决策。从传感器信息导出的决策代表了有关环境某个方面己做出的决策,通常是把传感器信息导出的特征与模型匹配来处理。因而,决策级融合是图像融合的最高层次,其最直接的体现就是经过决策级融合的结果可以直接作为决策要素来做出相应的行为,以及直接为决策者提供决策参考。决策级融合的主要优点可概括为:(l)通信及传输要求低,这是由其数据量少决定的;(2)容错性高。对于一个或若干个传感器的数据千扰,可以通过适当的融合力一法予以消除:(3)数据要求低,传感器可以是同质或异质,对传感器的依赖性和要求降低;(4)分析能力强,能全方位有效反映目标及环境的信息、,满足不同应用的需要。由于对预处理及特征抽取有较高要求,所以决策级图像融合的代价较高。目前,常用的决策级图像融合的力一法主要有贝叶斯估计法、神经网络法、模糊聚类法及专家系统等。