多信息融合图像边缘特征提取及图像配准研究与应用

论文摘要

多源信息融合技术是协同利用多源信息以获得对同一事物或目标更客观、更本质认识的信息综合处理技术,最早出现于20世纪70年代。从诞生起,多源信息融合技术就吸引了人们越来越多的关注,对整个信息科学产生了极大的影响,图像融合是多源信息融合技术主要应用领域之一。研究表明,在人类接受到的信息中图像等视觉信息所占比重达到75%,图像中蕴涵着丰富的信息,如何获取这些信息并采用有效的手段进行综合利用是图像模式识别领域中的重要课题。本文利用多源信息融合思想,全文围绕如何融合多图像信息以实现图像边缘特征稳定提取,及利用边缘及其二次特征进行图像配准为主线展开研究。其中图像边缘检测与图像配准是文中两个联系紧密的主要部分。图像边缘是一种重要的视觉信息,边缘检测是计算机视觉后续工作的基础和前提。图像配准属于图像模式识别研究领域,主要用于多图像融合,在遥感和军事领域有着重大的现实意义。本文对边缘检测、边缘二次特征提取及图像配准做了一定研究,以提高视觉检测、目标识别及图像合成的稳定性和实时性为研究目标。并将研究应用于AGVS系统、SAR图像处理及数字字符识别等领域。本文的主要工作和创新点如下:(1)提出一种改进鲁棒Fisher降维方法,通过引入权值函数和调整因子降低“外点”对降维方向计算的干扰,对多维特征向量进行降维,克服了应用贝叶斯理论进行统计推理时,特征维数与小训练样本、特征相关性及计算效率的矛盾。根据边缘的本质特点,构造多级尺度上的绝对梯队和相对梯度作为多维图像信息,降维后利用贝叶斯理论加以融合完成边缘检测。并将该算法运用于复杂场景边缘检测及AGVS系统导引线检测中。(2)对DS证据理论进行研究,提出一种改进相关证据合成方法,利用证据可信度分布计算出证据间相关度,克服了相关证据合成时的超估计及提高合成结果的合理性,并将传统两相关证据合成推广至多相关证据合成。进而建立了一种基于证据理论的非学习直接融合边缘检测模型,将该模型应用于SAR图像边缘检测中,融合了两级尺度上的ROA算子及梯度算子。该方法最大优点是无需学习过程,可对多图像信息进行直接融合实现边缘检测。(3)提出一种基于边缘拟合的图像配准方法。以边缘为基本特征,通过可变精度拟合算法将边缘拟合成方便表达的直线特征。根据边缘直线与图像配准的关系,对其进行筛选和可信度赋值,并利用加权投票算法实现图像配准,保证配准的稳定性和实时性。(4)根据图像配准特点,将Hausdorff距离转换成归一化的相似度值。改进边缘曲率计算,更稳定地提取边缘角点。并利用“Local jet”、边缘及距离约束,提高计算效率。利用改进Hausdorff距离和形态学实现快速稳定的图像配准。将上述方法应用于AGVS系统路标识别、SAR图像和航拍图像配准中,结果表明该方法有效可行。(5)图像匹配是图像配准的一种特殊形式,针对钢坯标号和AGVS系统工位号识别,分别提出两种数字字符识别方法。针对钢坯标号,利用隶属度概念改进传统模板匹配方法,对字符和模板进行隶属度分配,提高识别稳定性。对于AGVS系统工位号,则提出一次倾斜校正和二次自校正,使失真字符接近正常字符,并利用两级模板匹配方法对字符进行快速稳定识别。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 图像科学与图像工程
• 1.2 多源信息融合与图像融合
• 1.3 图像边缘检测和图像配准技术概述
• 1.3.1 边缘检测和图像配准的关系及应用
• 1.3.2 主要研究难点
• 1.3.3 图像边缘检测的要求和分类
• 1.3.4 传统边缘检测方法
• 1.3.5 研究中的新边缘检测方法
• 1.3.6 图像配准技术的分类及一般性步骤
• 1.3.7 图像配准的数学模型
• 1.3.8 主要图像配准方法
• 1.4 本文研究思路及应用背景
• 1.5 本文主要内容和创新点
• 1.5.1 主要内容
• 1.5.2 主要创新点
• 第2章 基于改进鲁棒降维方法的学习融合边缘检测
• 2.1 引言
• 2.2 贝叶斯统计推理理论
• 2.3 边缘检测多图像信息选择
• 2.3.1 贝叶斯角度的边缘检测不确定性
• 2.3.2 多尺度绝对及相对梯度图像信息
• 2.4 改进的多维特征向量降维方法
• 2.4.1 传统 Fisher降维方法
• 2.4.2 改进鲁棒 Fisher降维方法
• 2.5 具体边缘检测方法设计
• 2.5.1 学习过程
• 2.5.2 推广过程
• 2.6 实验应用及分析
• 2.6.1 复杂场景边缘检测及性能评价
• 2.6.2 AGVS系统导引线检测
• 2.7 本章小结
• 第3章 基于改进DS合成方式的非学习融合边缘检测
• 3.1 引言
• 3.2 Dempster-Shafer证据理论
• 3.3 改进DS合成方式
• 3.3.1 传统相关证据合成方式
• 3.3.2 改进相关证据合成方式
• 3.4 DS证据理论在SAR图像边缘检测中的应用
• 3.4.1 SAR图像相干斑乘性噪声模型
• 3.4.2 多尺度ROA及梯度算子
• 3.4.3 ROA及梯度算子的检测阈值计算方法
• 3.4.4 ROA及梯度算子可信度函数构造
• 3.4.5 可信度函数合成及判决规则
• 3.5 实验应用及分析
• 3.5.1 SAR图像边缘检测
• 3.5.2 光学图像边缘检测
• 3.6 本章小结
• 第4章 基于边缘拟合的无验证快速图像配准
• 4.1 引言
• 4.2 传统曲线形状描绘子及其优缺点
• 4.3 边缘直线特征提取
• 4.3.1 可变精度的边缘直线拟合
• 4.3.2 边缘可信度分析
• 4.4 具体配准方法设计
• 4.4.1 相似变换参数求解
• 4.4.2 基于加权投票算法的配准过程
• 4.5 实验应用及分析
• 4.5.1 复杂场景及SAR图像配准应用
• 4.5.2 配准性能分析
• 4.6 本章小结
• 第5章 基于边缘角点及改进Hausdorff验证的图像配准
• 5.1 引言
• 5.2 Hausdorff距离及其改进型
• 5.3 边缘特征角点提取及筛选
• 5.3.1 边缘检测、边缘调整及边缘链接
• 5.3.2 改进边缘特征角点提取算法
• 5.4 具体配准方法设计
• 5.4.1 边缘及距离几何约束
• 5.4.2 “Local jet”角点相似度约束
• 5.4.3 基于形态学的Hausdorff假设验证及双阈值配准过程
• 5.5 实验应用及分析
• 5.5.1 AGVS路标识别应用
• 5.5.2 SAR图像及航拍图像配准应用
• 5.5.3 配准方法性能分析
• 5.6 本章小结
• 第6章 基于改进模板匹配的钢坯标号及AGVS工位号识别
• 6.1 引言
• 6.2 常规字符识别算法
• 6.3 在线钢坯标号识别方法
• 6.3.1 噪声背景下字符特征提取及其标准化
• 6.3.2 改进模板匹配方法及在钢坯标号识别中的应用
• 6.3.3 具体步骤
• 6.4 钢坯标号识别应用及分析
• 6.5 字符识别在AGVS中的应用
• 6.5.1 AGVS系统中的数字工位号
• 6.5.2 失真字符的提取及校正
• 6.5.3 字符识别
• 6.6 AGV数字字符识别应用及分析
• 6.7 本章小结
• 第7章 总结与展望
• 7.1 论文工作总结
• 7.2 未来工作展望
• 参考文献
• 攻读博士学位期间主要的研究成果
• 致谢