基于余弦相似性的双模态红外图像融合性能表征

针对现有的红外光强与偏振图像融合中融合有效度度量稳定性低且不符合人类视觉系统的问题,通过比较常见的基于距离度量的三种融合有效度函数化度量方法,分析比较了多种融合算法对差异特征融合有效度分布的稳定性;通过统计十组源图像的差异特征幅值区间中出现最优融合算法的频次,从而得出每种差异特征的最优融合算法,进而得到了余弦相似性为一种稳定性高且与人类主观观察结果更符合的融合有效度的度量方式。实验结果表明,在多种融合算法的融合有效度度量的融合效果中,余弦相似性具有高稳定性且与人类视觉分析有良好的匹配性。     

集值与单值映射的随机重合定理

本文在相容性条件下建立集值与单值映射的随机重合定理,并由它导出单值映像的公共随机不动点定理,统一和推广了Itoh,张石生、丁协平和Paragcorgiou的主要结果。同时,在确定性情形也改进和推广了Jungck、Sessa与Kaneko和scssa等一些结果。     

正常的集值L—A—Proper映射广义度及其应用

本文讨论Hilbert空间中半线性方程:z∈(L+N)u,L-线性闭稠定算子,N-集值映射。首先定义正常的集值L-A-proper映射,它们是[6]中L-A-proper映射的特殊子类,讨论与其有关的某些性质和相应的广义度的同伦不变性,应用这些理论对一类与有界dcmi-连续正常集值L-A-proper映射有关联的半线性映射建立了不动点定理。     

集值映射的连续选择

本文推广了［１］中的结果，证明了如下定理，任何从仿紧拓扑空间到实轴的集值映射若具有凸闭像且几乎下半连续，则存在连续选择。     

集值A—proper映射一致极限方程的可解性及其应用

本文是[1][2]中集值A-proper映射的一致极限方程的可解性与满射性定理的继续与推广     

集值映射空间的度量化

本文研究拓扑空间到一致空间上点紧致的连续集值映射空间在紧开拓扑、一致收敛拓扑、紧致处一致收敛拓扑和度量拓扑等之下它们之间的关系,利用诱导映射和嵌入的方法给出了拓扑空间到实直线上点紧致的连续集值映射空间可度量化的若干等价条件。这些结论将单值连续映射空间上的可度量化结果推广到了点紧致的连续集值映射空间上。     

广义锥次似凸集值映射向量优化的Benson真有效性

研究一类广义锥次似凸集值映射向量优化问题，首先建立一个择一定理，然后，讨论了标量下关于此类问题的Benson真有效性的一些性质。     

集值函数关于实值单调非减函数的集值Riemann-Stieltjes积分

本文首先建立了集值函数关于实值单调非减函数的集值Riemann-Stieltjes积分,然后讨论了集值Riemann-Stieltjes积分的性质,给出了集值Riemann-Stieltjes可积的充要条件,最后引入集值Riemann-Stieltjes随机积分。     

多波段红外图像的差异纹理特征选择

针对多波段红外图像纹理特征数目庞大,不易于对其成像差异进行综合分析的问题,提出了一种三级特征选择模型。首先采用两两比较的形式进行差异一致性检验,选择出差异分布规律一致的特征量;其次基于SPSS软件的独立样本检验功能进行差异显著性检验,剔除差异不显著的特征量;然后进行去相关性分析,相关度较高的特征用其中某个特征代替,其余特征保留。实验证明,经该模型选择出的少量特征能综合反映图像的特征差异,为其目标识别等提供参考。     

半紧1－集压缩映射与广义集压缩映射组的某些不动点定理

在文［１～４］的基础上扩充了半紧１－集压缩映射在楔形上的不动点与Ａｘ＝μｘ的解的某些结果，还扩充了文［５］中广义集压缩映射组的不动点定理。主要结果是定理２～３、定理６、定理８～９。     

关于集值映象方程的正解问题

本文用某种同伦方法,借助于一些适当的变换,讨论了有序的局部凸拓扑线性空间中集值凝聚映象方程的正解问题。     

关于多值凝聚映像方程的正解及其应用

用fp-同伦方法,在特定的边界条件下,研究集值凝聚映像方程的正解。     

基于NETD的红外热像仪图像预处理方法研究

噪声等效温差(NETD)是红外热像仪的重要参数,它能够体现红外探测器的噪声特性。在剔除无效像元的基础上,利用线性滤波、非线性滤波、直方图均衡化和多尺度图像增强等算法对热像仪原始数据进行图像预处理;用实验者对画质和图像细节的直接观察作为定性判据,噪声等效温差作为定量判据,综合评价图像预处理算法的优劣。通过实验发现,线性滤波后进行多尺度图像增强的方式能够使图像细节更清晰,同时噪声等效温差减小约25.9%,是目前较为适合的实验用热像仪的图像预处理方式。     

红外图像融合在气体泄漏定位中的应用

研究了一种基于红外图像融合技术进行气体泄漏点定位的方法.通过对气体泄漏热传导过程的有限元模拟和泄漏节流温差的焦耳.汤姆逊系数计算,建立了被测对象的温度场模型.实验采用主动式冷却器对气体进行降温处理以增强现象,利用热像仪分别采集金属与非金属对象充入压缩空气前后的红外图像, 根据不同材质对象的导热特性分别建立泄漏诊断阈值并进行熵值融合计算,从而定位泄漏点.仿真和实验结果表明,红外热像图可以灵敏地反映泄漏点处温度变化,熵融合算法能够快速、准确地提取出多种材质对象的泄漏位置,并且有效克服了被测工件表面缺陷对温度场及定位的干扰.     

基于特征能量加权的红外与可见光图像融合

目前红外与可见光图像直接融合存在红外目标取舍和场景信息提取困难,结合非采样Contourlet的多尺度、多方向性和平移不变性的优点,本文提出了一种基于非采样Contourlet变换(NSCT)的红外与可见光图像融合方法.首先对源图像进行分解,然后低频子带通过构造基于区域的特征像素能量,进行加权融合,高频子带直接选用方差取大法融合.使用该算法进行了融合实验,并给出了融合质量评价.实验结果表明,本文提出的基于NSCT的图像融合算法在保留图像细节信息、增加信息量方面都有显著地提高.     

一类集值映像方程的若干问题的研究

首先研究了多值严格集压缩场的不动点指数计算的一些结果，并且利用了映像的拟微分性结合边界条件（Sw,A,u)及（Lw,u)研究多值映像方程的正解，多正解与固有元等问题。     

雷达间或工作下雷达/红外融合跟踪

针对强对抗条件下末制导导弹寻的问题,本文提出一种雷达间或工作的雷达红外双模导弹融合跟踪算法.设计了雷达/红外双模导引头协同工作模式,通过机动目标检测算法来判断雷达开机的时刻,从而减小敌机告警器告警概率、敌机导弹拦截概率和敌机电子支援措施锁定概率;并且,为了改善跟踪精度,将交互式多模型算法(IMM)算法和不敏卡尔曼滤波(UKF)算法结合起来,将其运用在雷达红外双模融合跟踪中.实验结果表明,与单独的红外跟踪相比,该方法能有效减少雷达开机时间,不仅提高了跟踪精度,而且增大了导弹击中目标的概率.     

基于NSST和SWT的红外与可见光图像融合算法研究

目的鉴于非下采样剪切波变换NSST的红外与可见光图像融合的结果存在细微特征缺失问题,提出一种基于NSST和SWT的红外与可见光图像融合算法,以提升融合图像的质量。方法首先分别对红外与可见光图像进行NSST分解,各得到一个低频系数和多个不同方向、尺度的高频系数。然后低频系数分别通过SWT分解得到新的低频系数和高频系数,通过SWT分解得到的新的低频系数和高频系数分别采用采用线性加权平均法和区域平均能量取大的融合策略,融合结果再进行SWT逆变换得到低频系数融合结果。高频系数采用区域平均能量取大的融合策略进行融合。最后通过NSST逆变换得到最终的融合图像。结果通过仿真实验结果表明,文中算法与NSST,SWT和NSCT等算法相比,融合图像在主观视觉上的红外目标更突出,图像细节更清晰,且在IE, AG, QAB/F, SF和SD等评价指标上也最优。结论文中算法的融合结果能更好地表现源图像的目标信息和细节纹理信息,表明该算法具有优越性。     

基于Retinex的弱可见光和红外图像融合算法

目的 针对目前弱可见光与红外图像融合后的图像仍存在细节大量丢失、目标模糊不清的问题,提出一种基于Retinex对弱可见光图像进行增强预处理后,再基于NSST和SWT变换进行图像融合的算法。方法 首先用SSR对弱可见光图像进行增强处理,增强后的可见光和红外图像进行NSST分解得到第1次的高低频系数,高频系数采用基于局部能量特征的方法进行融合;低频系数经过SWT分解得到第2次高低频系数,第2次的高频系数采用同样的方法融合,低频系数采用线性加权方法融合,然后将第2次高低频的融合结果经过SWT逆变换得到新的低频系数。最后把第1次高频系数融合结果和新的低频系数进行NSST逆变换得到融合图像。结果 通过仿真实验,将文中算法与NSST,NSCT以及文献[5]算法进行对比,结果表明主观视觉上融合图像细节更加清晰,客观评价上,平均梯度、空间频率（SF）、标准差、信息熵、边缘信息保留量等指标分别提高了35.63%,26.73%,16.89%,7.2%,4.6%。结论 文中算法对图像融合有较好的改善作用,融合图像的可视性和图像质量都得到显著提高。     

基于FPGA的高动态范围红外图像细节增强算法

以非锐化掩膜算法为技术框架,提出了一种基于引导滤波器、γ变换的图像细节增强算法;使用VHDL语言设计出一种新型的引导滤波器架构,并且在以CYCLONE Ⅲ为核心控制器的硬件平台上对算法进行了工程实现。核心处理器的逻辑和内存资源占用量分别为15%和40%;在100MHz主时钟时,处理延时小于300μs;使用低端的处理器,即可满足工程需求。通过多幅不同场景红外图像测试对比,结果表明算法处理效果明显,可有效地实现细节增强。