基于图像特征提取的图像融合研究

论文摘要

视觉信息是人类从自然界中获取信息的最主要手段,图像信息是一种主观性很强的重要信息表达形式,也是最难由计算机认知、处理与实现的信息之一。而图像特征提取作为计算机模拟人类视觉系统对图像进行识别分类重要方法,是计算机自动化地实现图像信息理解、处理、决策的基础,也一直是计算机视觉技术领域中研究热点。图像特征指图像中固有的、本质的特征或属性,包括自然特征(亮度、色彩、纹理等)和人为特征(频谱、直方图等),而特征提取即对这些重要的图像信息进行量测并将结果数值化。图像特征提取是高层次图像信息分析决策的重要依据,它的表征性能直接决定了实际图像处理问题的效率和精度。然而,由于真实世界中图像信息的复杂性与多样性,并且对应于不同的处理要求,对于图像特征提取的特质要求也不径相同,因而,图像特征提取在应用方面仍然存在着很大的发展提升空间。这就需要我们对图像信息本身进行深入的分析研究,合理而准确的定位和提取关键的图像特征,并以此提高图像处理(如,提高图像分割精度、融合质量等)问题的最终效果。本文立足于基于图像特征提取的图像融合应用研究,主要内容和创新之处可如下:1.在图像特征提取的算法方面,本文详细研究了独立成分分析(Independent Component Analysis, ICA)模型及其相关的拓展模型—加入了图像拓扑结构信息的拓扑独立成分分析(Topology ICA, TICA)模型和通过非线性系统描述经典ICA模型中“伪独立”成分之间残余相关性的多线性独立成分分析(Multilinear ICA, MICA)模型。ICA相关特征提取方法的最大优势在于其能够通过分析信号高阶统计特性来反映图像的具体特征,较为符合视觉系统对图像信号的感受,从而获得我们感兴趣的目标特征。仿真实验表明,ICA系列模型有着非常强的图像特征描述能力,在图像纹理分割、图像融合方面,都有着优于一些常用的方法的应用效果。2.针对彩色图像颜色特征的提取,本文跳出了传统的RGB色度空间的分析模式,以人类视觉系统认知颜色信息的实际情况为考量,在更加符合人眼主观感知的a*b*色度空间下,对颜色视觉强度的进行Kmeans聚类,并以此提出了基于图像色度分布特征(Chromaticity Distribution Feature, CDF)的颜色特征提取方法。CDF的最大优势是从主观感官上将颜色对图像的影响进行了分离,不仅降低了算法复杂度,并且更加符合人眼对图像色度特征的直观感受。3.在彩色图像融合方面,为了避免图像像素级的多尺度融合引入的人工误差,本文着眼于图像的特征级融合方法,即先利用图像特征提取将源图像中的有效特征信息提取出来,然后再根据某种融合规则进行融合。为此,本文将研究分为两个方面,基于时域特征提取的融合算法以及基于变换域特征提取的融合算法:(1)针对基于时域特征提取的融合算法,本文分别提出了两种方法:基于CDF特征提取以及区域特征提取的CDFNM融合方法、利用进化计算优化提取图像区域特征的EC融合方法。由于人眼在认知彩色图像时是区域性的,即自动将颜色相近的相邻像素点划分为区域单位,而上述两种算法正是以区域特征作为认知对象的数据输入,这也是二者的最大优势。实验结果表明,这两种算法与传统的融合方法相比,在融合质量上有了明显提升,并且能有效地减少人为误差信息的引入,在融合图像边缘和细节位置的处理上也具有较好的效果。(2)随着ICA及其拓展模型的引入,本文将视野转向基于MICA变换域特征提取的融合算法研究。本文利用了MICA能够从整体上突出图像独立的显著特征这一点优势,将CDF特征提取法和MICA特征提取法相结合,充分发挥二者在彩色图像特征描述中的优势,设计了基于CDF和MICA的彩色图像融合方法。并且针对图像融合应用的本质要求,提出了基于区域的融合规则和基于误差范式的融合规则,进一步强化特征区域中图像显著信息对融合结果的影响,而削弱不感兴趣区域的图像信息输入。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 引言
• 1.2 图像特征提取
• 1.2.1 线性图像特征及其提取方法
• 1.2.2 非线性图像特征及其提取方法
• 1.2.3 本文在图像特征方面的研究意义
• 1.3 图像融合
• 1.3.1 图像融合的基本概念
• 1.3.2 图像融合算法的分类与发展
• 1.4 本文研究的主要内容及章节安排
• 第二章 ICA 图像特征提取方法及其应用
• 2.1 ICA 的基本概念
• 2.2 ICA 模型在图像处理中的应用
• 2.3 ICA 算法的实现
• 2.3.1 数据预处理
• 2.3.2 目标函数的选择
• 2.3.3 ICA 的典型算法
• 2.4 TICA 模型
• 2.5 ICA/TICA 在纹理分割中的应用与仿真
• 2.5.1 算法流程
• 2.5.2 仿真结果
• 2.6 ICA/TICA 在图像融合中的应用与仿真
• 2.6.1 算法流程
• 2.6.2 融合规则
• 2.6.3 仿真结果
• 2.7 本章小结
• 第三章 基于区域特征提取的彩色图像融合
• 3.1 色位分布特征
• 3.1.1 从RGB 到CIE XYZ 颜色外观模型
• 3.1.2 从CIE XYZ 到CIE LAB 颜色外观模型
• 3.2 图像区域CDF 特征提取方法
• 3.2.1 Mean Shift 算法图像分割
• 3.2.2 CDF 特征提取方法
• 3.2.3 区域CDF 特征相似度
• 3.2.4 区域CDF 特征提取的相关实验
• 3.3 基于Ncut 算法的二阶段合并规则
• 3.3.1 Normalized Cut 算法
• 3.3.2 二阶段合并规则
• 3.3.3 分割算法的算法流程
• 3.4 离焦图像融合
• 3.4.1 VSS 图像质量评价标准
• 3.4.2 基于特征区域分割的图像融合算法
• 3.4.3 基于进化计算图像融合算法
• 3.5 仿真实验
• 3.5.1 CDFNM 图像分割方法的应用
• 3.5.2 基于图像区域特征提取的融合方法的应用
• 3.6 本章小结
• 第四章 基于CDF 和MICA 特征提取的彩色图像融合
• 4.1 MICA 模型结构
• 4.2 MICA 模型参数估计
• 4.2.1 最速梯度算法参数估计
• 4.2.2 改进的?参数估计法
• 4.3 MICA 算法流程
• 4.4 基于CDF 和MICA 特征提取的彩色多聚焦图像融合
• 4.4.1 融合算法流程
• 4.4.2 融合规则
• 4.4.3 仿真实验
• 4.5 多模态图像融合结果的重构
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 全文研究内容总结
• 5.2 未来工作展望
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢