图像融合方法总结

图像融合分类

根据图像表征层次的不同,图像融合可分为三个层次的融合:像素级融合、特征级融合和决策级融合。图像融合的:1.图像增强,提高图像分辨率和清晰度;2.增强图像的相关特征;3.相互补充相关信息,去除噪声和冗余;4.提高目标检测的额识别能力;5.获得完整的三维重构数据。
图像融合的层级划分图:图像融合的级别划分

像素级的图像融合

像素级融合:直接对个幅图像的像素点进行融合信息综合的过程。
像素级融合的局限性:

  1. 图像原始数据规模导致算法实现费时;
  2. .数据未经处理,传感器原始信息的优缺点会叠加,影响融合效果;
  3. 对硬件的设施的要求相当高,进行图像融合时,配准的精度要求精确的各传感器数据之间每个像素;
  4. 因为基于像素计算,像素信息易受污染,噪声等干扰,所以效果不稳定。

特征级图像融合

特征级融合:对图像进行特征抽取,将边缘、形状、轮廓、局部特征等信息进行综合处理的过程。特征级图像融合是对图像进行特征抽取后,将边缘、形状、轮廓、局部特征等信息进行综合处理的过程。特征级融合包括:目标状态信息融合,目标特征性融合。特征级融合包含的几个模块:源图像的获取,图像的预处理,图像分割,特征提取,特征数据融合及目标识别。图像的特征是一种代价处理,降低了数据量,保留了大部分信息,仍损失部分细节信息。原始特征的组合形成特征,增加特征维数,提高目标的是被准确率。特征向量可以直接融合也可以根据特征本身的属性进行重新组合,边缘,形状、轮廓灯都是描述特征的重要参数,他们的几何变换也具有一定的特征属性。

目标状态特征融合
是一种基于多尺度和多分辨率的目标统计特征,它对图像的原始数据状态的提取被描述,需要经过严格的配准,最后得到的是一幅包含更多图像信息的图像。它是对图像的状态信息统计,进行模式匹配的问题。核心思想是实现多传感器目标的精确状态估计,与先验知识的有效关联,应用广泛的是目标跟踪领域。
目标特性融合
按照特定的语义对图像特征提取特征的内在描述,或特征属性的重新组合,这些特征向量代表抽象的图像信息,直接对特征进行机器学习理论融合识别,增加了特征的维度,提高了目标识别的精确度。目标特性融合是特征向量融合识别,一般处理的都是高维问题,随意实质上该融合应用最多是模式识别。多传感器比单一传感器提供的信息增大了特征空间的维数,扩大了细信息特征散射的空间,从分类的角度上提高了识别率。特征实际上涉及了图像分割、特征提取和特征层信息融合等几个方面。

决策级图像融合

决策级融合:在每种传感器独立完成决策或分类的基础上,将多个传感器的识别结果进行融合做出全局的最优决策。决策级融合根据一定的规则对提取特征和识别后的源图像决策综合,获得融合图像。决策的输入是对目标的认识框架。认识框架是通过同质异质传感器观测同一场景的目标,经过预处理、特征提取、识别的基本处理后形成的。对该框架通过最优化决策得到融合结果。决策级是趋向智能逻辑的,综合多传感器的识别结果比单一识别更精准,更有效。但多传感器的数据同时也增加了误差和风险,每一传感器的可能的错误都会传递到决策层,决策函数的容错能力直接影响融合分类性能。
决策级融合的优点:

  1. 具有很好的实时性、自适应性;
  2. 数据要求低,刚干扰能力强;
  3. 高效的兼容了多传感器的环境特征信息;
  4. 很好的纠错能力,通过适当的融合,消除单个传感器造成的误差,系统还能获得正确的结果。
©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页