多源圖像的特征融合方法研究

《多源圖像的特征融合方法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、分類號(hào)：UDC：TN911．7621．39工學(xué)碩士學(xué)位論文密級(jí)：編號(hào)：2011169多源圖像的特征融合方法研究碩士研究生：金萌萌指導(dǎo)教師：胡玉蘭教授學(xué)科、專業(yè)：信號(hào)與信息處理沈陽(yáng)理工大學(xué)2013年12月分類號(hào)：TN911．7UDC：621．39工學(xué)碩士學(xué)位論文IIIIIIIIIIIIIlUllIll11111IIIlY2553919密級(jí)：編號(hào)：2011169多源圖像的特征融合方法研究碩士研究生：指導(dǎo)教師：學(xué)位級(jí)別：學(xué)科、專業(yè)：所在單位：論文提交日期：論文答辯日期：學(xué)位授予單位：金萌萌胡玉蘭教授工學(xué)碩士信號(hào)與信息處理沈陽(yáng)理工大學(xué)2013

2、年12月2014年3月沈陽(yáng)理工大學(xué)ClassificationIndex：TN911．7U．D．C．4621．39AThesisfortheMasterDegreeofEngineeringResearchonFeature--levelImageFusionMethodBasedonMulti—·SourceImageCandidate：JinMengmengSupervisor：Prof．HuYulanAcademicDegreeAppliedfor：MasterofEngineeringSpeciaJity：SignalandI

3、nformationProcessingDateofSubmission：December,20l3DateofExamination：March，20l4University：ShenyangLigongUniversity沈陽(yáng)理工大學(xué)碩士學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：本論文的所有工作，是在導(dǎo)師的指導(dǎo)下，由作者本人獨(dú)立完成的。有關(guān)觀點(diǎn)、方法、數(shù)據(jù)和文獻(xiàn)的引用已在文中指出，并與參考文獻(xiàn)相對(duì)應(yīng)。除文中已注明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)公開發(fā)表的作品成果。對(duì)本文的研究做出重要貢獻(xiàn)的個(gè)人和集體，均己在文中以明確方式標(biāo)明

4、。本人完全意識(shí)到本聲明的法律結(jié)果由本人承擔(dān)。作者(簽字)：金蘸載日期：如l十年3月vO日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解沈陽(yáng)理工大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，即：沈陽(yáng)理工大學(xué)有權(quán)保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交學(xué)位論文的復(fù)印件和磁盤，允許論文被查閱和借閱。本人授權(quán)沈陽(yáng)理工大學(xué)可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或其它復(fù)制手段保存、匯編學(xué)位論文。(保密的學(xué)位論文在解密后適用本授權(quán)書)學(xué)位論文作者簽名：奎戈馘日期：瑚I長(zhǎng)3、愴指導(dǎo)教師簽名：肛El期：矽艱3、IO沈陽(yáng)理工大學(xué)碩士學(xué)位論文摘要

5、近年來(lái)，在信息融合理論研究和應(yīng)用的基礎(chǔ)上，多源圖像融合技術(shù)逐步發(fā)展了起來(lái)，其中最經(jīng)典的應(yīng)用就是可見光與紅外圖像的融合?？梢姽鈧鞲衅魍ㄟ^(guò)獲取目標(biāo)場(chǎng)景的反射信息成像，紅外傳感器由熱探測(cè)元件接收?qǐng)鼍皟?nèi)物體發(fā)出的紅外輻射成像。在實(shí)際應(yīng)用中可見光傳感器雖然有很多優(yōu)點(diǎn)，但它在惡劣的環(huán)境下得到的畫面不夠清晰，而紅外傳感器正好能夠克服這一缺點(diǎn)，因此兩種傳感器的圖像融合能夠做到優(yōu)勢(shì)互補(bǔ)，得到更全面的目標(biāo)場(chǎng)景描述。特征級(jí)圖像融合與像素級(jí)融合和決策級(jí)融合相比，在保留目標(biāo)的有效鑒別信息的同時(shí)又能夠去除數(shù)據(jù)冗余，并且有較好的分類性能，是一種很好的圖像融合方法。

6、但是目前關(guān)于特征級(jí)融合的文獻(xiàn)和研究成果較少，還在積極探索中，因此本文在這種背景下對(duì)紅外與可見光圖像的特征級(jí)融合方法做了深入研究。本文具體的研究?jī)?nèi)容如下：(1)分析了目前特征提取中常用的目標(biāo)特征，包括灰度共生矩陣、Hu不變矩、仿射不變矩、小波矩和Zemike矩，研究了特征級(jí)目標(biāo)識(shí)別系統(tǒng)的基本結(jié)構(gòu)和識(shí)別原理，并闡述了紅外與可見光的特征級(jí)融合過(guò)程。(2)研究了獨(dú)立分量分析(ICA)算法。闡述了ICA算法的基本原理和獨(dú)立性的度量指標(biāo)，重點(diǎn)研究了快速固定點(diǎn)ICA算法，并且將其應(yīng)用到紅外與可見光圖像的特征融合中，實(shí)驗(yàn)證明ICA方法得到的融合特征具

7、有很好的識(shí)別率。(3)研究了主成分分析口CA)算法。結(jié)合紅外與可見光圖像的特點(diǎn)，將PCA算法應(yīng)用到特征融合中，構(gòu)造出相關(guān)系數(shù)矩陣，并求出其特征值和特征向量，根據(jù)累計(jì)貢獻(xiàn)率選擇融合特征。實(shí)驗(yàn)證明PCA方法是一種有效的特征融合方法。(4)研究了典型相關(guān)分析(CCA)算法并且對(duì)其進(jìn)行了改進(jìn)。CCA算法在處理高維小樣本的情況下會(huì)面臨協(xié)方差矩陣奇異的問(wèn)題，為解決這一問(wèn)題，本文選用了PCA算法對(duì)其進(jìn)行改進(jìn)，先用PCA對(duì)數(shù)據(jù)做降維處理，然后在低維空間中利用CCA方法求解融合特征。通過(guò)實(shí)驗(yàn)驗(yàn)證了方法的可行性，并且得到很好的識(shí)別率。關(guān)鍵詞：圖像處理；特

8、征級(jí)融合；主成分分析：獨(dú)立分量分析；典型相關(guān)分析沈陽(yáng)理工大學(xué)碩士學(xué)位論文沈陽(yáng)理工大學(xué)碩士學(xué)位論文AbstractInrecentyears，basedoninformationfusiontheoryandapplica