图像融合中的关键技术研究

论文摘要

图像融合是将两个或者两个以上的传感器在同一时间或不同时间获取的关于某个具体场景的图像或者图像序列信息加以综合，以生成一个新的有关此场景的解释。图像融合的主要目的是减少不确定性，它通过对多幅图像间冗余信息的处理来提高图像的可靠性，通过对多幅图像间互补信息的处理来提高图像的清晰度。近年来，图像融合已经成为众多学科感兴趣的研究热点。本文以像素级图像融合为主要研究方向，针对图像融合过程中的滤波、优化计算、配准和融合等几个关键问题进行了较为深入的研究，提出了一些新的思想、方法和实现途径。在研究思路上，本文将计算智能中的粗糙集理论、粒子群优化算法和小波分解技术应用于图像滤波、配准和融合中，在推动图像融合技术向自动化、通用化和智能化方向的发展做了一些有益的尝试。图像滤波是图像融合的预处理步骤，它对图像配准的精度和图像融合的效果有重要的影响。本文对图像中常见的脉冲噪声提出了两种新的滤波方法：(1)基于双窗口和极值压缩的自适应脉冲噪声滤波方法，它采用噪声检测窗口与噪声滤除窗口相分离策略、极值压缩策略以及介于中值滤波和最值滤波之间的自适应滤波等策略相结合，以提高噪声检测的准确性和噪声滤除的有效性。(2)基于粗糙集理论和差分图像的脉冲噪声滤波方法，它采用粗糙集方法，根据差分图像获得的方向数和极值方向数将图像划分为平稳噪声子图、脉冲噪声子图和正常像素子图，然后针对不同子图分别采用不同的噪声滤除方法。实验表明这两种方法比中值滤波及其它改进方法具有更好的滤波性能。优化计算技术对图像配准和融合的效果和效率起着重要的影响。本文提出了无粒子速度参量和带极值扰动的粒子群优化方法。本文首先从理论上分析和证明了粒子群优化方程中的粒子速度参数不是必需的，进而提出了不含粒子速度参数的简化粒子群优化算法，使得进化方程由二阶降为一阶：然后分析了粒子群优化算法容易陷入局部极值的原因，并设计了极值扰动算子使粒子群优化算法快速摆脱局部极值。实验结果表明，无速度参量的粒子群优化算法能够极大地提高收敛速度和精度；极值扰动算子能够有效摆脱局部极值点；以上两种策略相结合，使得改进的呢子群优化算法以更小的种群数和迭代进化次数获得了更好的优化效果，从而使得粒子群优化算法更加实用化。图像配准的目的是消除或减小图像在时间、空间、相位和分辨率等方面的差异，它是图像融合的重要步骤。本文提出了一种基于小波分解和粒子群优化算法的图像配准新方法。该方法将图像配准分为粗配准和精配准两个阶段，在粗配准阶段，采用改进的粒子群优化方法，以互信息为图像配准的测度，对两幅待配准图像小波分解后的低频系数分量进行配准；在精配准阶段，采用变量轮换法在以粗配准结果参数为基准的小邻域内搜索更优结果。实验表明，该方法是一种具有抗噪声、精度高、配准成功率高等特点的通用的刚体图像全自动配准方法，具有良好的应用前景。图像融合的最核心问题是设计融合规则以求取待融合图像中对应位置像素的融合系数。常见的两种计算融合系数的依据是像素值和区域特征值。本文从另外一个角度提出了一种基于差值图像分割的加权图像融合方法，它采用改进的粒子群优化方法在空间域或小波分解域求解差值图像的分割阈值和对应的加权融合系数，而不需要为计算融合系数而构造特征空间和定量特征关系。实验表明，这种方法具有自动化程度高、融合效果好的特点。综上所述，本文在图像融合的几个关键环节上进行了一些探索性研究工作。本文所提出的一些新方法具有理论基础和预期的实验结果，这些工作对图像融合技术的理论研究和工程应用具有一定的作用。值得特别一提的是，改进的粒子群优化算法具有普遍的应用价值，可以应用于其他领域的最优化问题。

论文目录

• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 图像融合概述
• 1.1.1 课题研究背景及意义
• 1.1.2 图像融合的概念、目的及应用
• 1.1.3 图像融合的基本流程
• 1.1.4 图像融合的层次和分类
• 1.1.5 图像融合的研究现状及存在的问题
• 1.2 图像融合中的计算智能技术
• 1.2.1 计算智能
• 1.2.2 计算智能在图像融合中的应用
• 1.3 论文的研究内容与创新点
• 1.3.1 本文的主要研究内容
• 1.3.2 本文的主要创新点
• 2 图像融合的滤波处理
• 2.1 图像滤波概述
• 2.2 基于双窗口和极值压缩的图像滤波方法
• 2.2.1 双窗口滤波
• 2.2.1.1 噪声检测的准确性分析
• 2.2.1.2 双窗口滤波
• 2.2.2 极值压缩滤波
• 2.2.3 自适应脉冲噪声滤波
• 2.2.4 移动滤波
• 2.3 基于粗糙集和差分图像的去噪方法
• 2.3.1 多向差分图像
• 2.3.2 基于粗糙集的图像噪声分类
• 2.3.2.1 粗糙集理论及在噪声分类中的应用
• 1划分子图'>2.3.2.2 根据C₁划分子图
• 2划分子图'>2.3.2.3 根据C₂划分子图
• 2.3.3 图像去噪算法
• 2.3.3.1 A1的去噪方法
• 2.3.3.2 对A2的去噪方法
• 2.3.3.3 基于粗糙集的多向差分图像去噪步骤
• 2.4 实验及结果分析
• 2.4.1 实验设计
• 2.4.2 实验结果
• 2.4.2.1 不同滤波算法的性能对比实验
• 2.4.2.2 极值压缩对滤波性能的影响实验
• 2.5 本章小结
• 3 用于图像配准和融合的粒子群优化算法及其改进
• 3.1 最优化问题常用解决工具
• 3.2 经典粒子群优化算法
• 3.2.1 经典粒子群算法的数学描述
• 3.2.2 算法流程描述
• 3.2.3 粒子群优化算法的一些改进版本
• 3.2.3.1 基于惯性权重的改进
• 3.2.3.2 基于压缩因子的改进
• 3.2.3.3 基于加速因子的改进
• 3.2.3.4 基于种群规模的改进
• 3.2.3.5 基于遗传算法思想的改进
• 3.2.3.6 其他改进方法
• 3.3 粒子群算法存在的问题及其改进思路
• 3.4 第二代粒子群优化算法（PSO Ⅱ）
• 3.4.1 PSOI的粒子速度参量分析
• 3.4.2 第二代粒子群优化算法（PSOII）
• 3.4.3 PSOII进化方程的收敛性能分析
• 3.5 带极值扰动的粒子群优化算法
• 3.5.1 PSOI收敛于局部极值的原因分析
• 3.5.2 带极值扰动的粒子群优化算法
• 3.6 实验及性能分析
• 3.6.1 实验设计
• 3.6.2 无约束测试函数
• 3.6.3 实验结果分析
• 3.6.3.1 固定进化迭代次数下的收敛速度和精度
• 3.6.3.2 固定收敛精度下的迭代次数
• 3.6.3.3 与参考文献中的优化结果比较
• 3.7 本章小结
• 4 基于小波分解和PSO的刚性图像配准
• 4.1 图像配准概述
• 4.1.1 图像配准的数学模型
• 4.1.2 图像配准的基本框架
• 4.1.3 图像变换模型
• 4.1.4 图像配准方法分类
• 4.2 用于图像配准的小波变换
• 4.2.1 二维图像的小波变换
• 4.2.2 小波变换提高图像配准速度的原理分析
• 4.3 互信息理论
• 4.3.1 互信息的计算
• 4.3.2 互信息的局部极值成因分析
• 4.3.3 互信息优化
• 4.4 基于小波分解和PSO的刚性图像配准算法
• 4.4.1 粗配准阶段
• 4.4.2 精配准阶段
• 4.4.3 图像配准流程
• 4.5 实验及性能分析
• 4.5.1 PSOII在图像配准中的性能实验
• 4.5.2 两阶段配准性能实验
• 4.6 本章小结
• 5 基于差值图像分割的加权图像融合方法
• 5.1 图像融合方法概述
• 5.1.1 像素级图像融合方法
• 5.1.2 图像融合规则
• 5.1.3 图像融合方法的性能评价
• 5.1.3.1 主观评价方法
• 5.1.3.2 客观评价方法
• 5.2 基于差值图像分割的加权图像融合方法
• 5.2.1 差值图像的定义
• 5.2.2 差值图像的分割方案
• 5.2.3 加权融合系数模型
• 5.2.3.1 加权融合系数的形式和确定方法
• 5.2.3.2 基于差值图像分割的加权融合系数模型
• 5.2.4 基于PSOII的融合参数优化
• 5.2.5 空间域中的融合方案
• 5.2.6 提升小波分解域中的融合方案
• 5.2.6.1 提升小波变换原理
• 5.2.6.2 基于提升小波分解的图像融合
• 5.2.7 保持图像信息完整性的一致性检测
• 5.3 实验及结果分析
• 5.3.1 实验目的及实验参数
• 5.3.2 实验结果及分析
• 5.4 本章小结
• 6 全文总结和进一步研究方向
• 6.1 全文总结
• 6.2 进一步研究方向
• 参考文献
• 攻读博士学位期间已发表或被正式录用的论文
• 攻读博士学位期间参加的科研项目
• 致谢