一种基于提升小波分解图像融合方法

提出一种新的基于自适应提升小波变换的图像融合方法。基于信号局部结构特征的相关性和方向性,采用自适应提升策略构造小波;利用提升小波对图像的低频和高频分量进行分解,在两幅图像配准的前提下,将小波系数合并,进行小波逆变换,得到融合后的图像;引入融合对称度来判断融合方法的性能。比较融合后图像的熵、相关函数和融合对称度性能指标,提升小波变换方法优于直接平均法和Symmlets小波变换方法。     

基于改进区域生长的红外与可见光图像融合方法

针对红外图像和可见光图像的成像特点, 提出了一种红外与可见光图像融合方法。首先, 采用改进的区域生长法, 提取红外图像目标区域。将提取到的红外目标区域映射到可见光图像中, 进行一次局部信息融合。然后, 将第一步的融合结果与原始红外图像通过一种边缘增强的小波变换融合法得到最终的融合图像。实验结果表明, 该方法得到的融合图像红外热目标突出、背景清晰, 具有良好的目视效果。     

基于灰度共生矩的SAR图像纹理特征提取方法

为更有效地提取合成孔径雷达（SAR）图像中的有效信息,提出了一种基于灰度共生矩阵的纹理特征提取方法。该方法在分析图像灰度共生矩常用特征描述量基础上,研究了窗口尺寸和位移向量对纹理特征的影响,通过比较不同目标各种纹理特征的分布及平均值的相差程度,计算了灰度共生矩阵的最佳窗口尺寸和位移向量,确定参与分类的可用纹理特征组合,...     

基于像素级的图像融合方法研究

图像融合是信息(数据)融合的重要分支和当前研究热点。其任务是对多幅源图像信息进行提取与综合,以获得对同一场景、目标的更准确、更全面、更可靠的图像描述,从而实现图像的进一步分析、理解及目标的检测、识别或跟踪。首先对基于像素级图像融合的基本方法、塔形分解法及小波变换法进行了详细介绍,然后针对各种方法的特点及应用场合进行了对比、分析与评价。     

利用神经网络的城区机载激光雷达点云分类算法

为了将神经网络应用于城区激光雷达点云数据分类,并针对大规模点云数据训练过程中计算量大、耗时长的问题,改进原有PointNet神经网络,加入了点云邻域特征的提取和分析,提出了一种新的点云分类算法。通过网格化聚类和重采样压缩原始点云数据量,提取多尺度邻域点云数据,利用改进PointNet完成对城区点云数据的分类,并用不同地区数据验证该分类算法。结果表明该算法分类效果良好,分类精度较高;数据训练过程中的计算量减少;能够对城区机载激光雷达数据实现有效分类。     

一种基于小波包变换的SAR图像与TM图像融合方法

为了增强来自不同传感器的图像信息，改善图像的可分析和提取能力，近年来，常采用小波变换融合方法。但小波变换只对低频信息进行多分辨分析，并不考虑高频信息的多级分解。小波包变换不仅能对图像的低频部分，而且对小波变换没有细分的高频部分也能进一步地分解。因此，小波包分析能够为图像融合提供一种比小波多分辨分析更加精细的分析方法。在研究了小波包分析法后，提出了一种小波包图像融合方法。利用此融合算法对同一场景的不同传感器荻得的合成孔径雷达（SAR）图像和专题绘图仪（TM）图像进行融合，通过客观分析与目视评价，证明该融合方法的融合结果更好。     

一种基于小波域的运动估计方法

提出了一种基于多尺度边缘检测(MED)与连续小波变换(CWT)相结合的运动目标估计方法。首先,利用多尺度边缘检测算法,得到抗噪性好、边缘连续清晰的运动目标边缘图像。然后,利用连续小波变换把目标序列图像映射到运动状态参数空间。该方法同时拥有MED和CWT的优良特性。实验表明,该算法是对旋转、遮挡和有噪等复杂运动目标进行运动估计的有效方法。     

一种突出边缘特征的遥感图像快速融合方法

针对像素级遥感图像融合处理数据量大、实时性差,融合结果不能直观表述目标特征的问题,提出一种边缘特征加强的多光谱与全色图像快速融合方法。为提高算法的运行速度,采用提升小波与快速IHS变换相结合的算法生成像素级融合图像。同时,利用数学形态学方法提取全色图像的边缘,与像素级融合图像进行再次融合,加强了最终融合图像的边缘信息。实验结果表明,该算法不仅融合效果好,而且实时性强。