图像融合技术 基于多分辨率非下采样理论与方法PDF电子书下载

第一篇 基础知识 2

第1章 概述 2

1.1 图像融合的研究背景、目的及意义 2

1.1.1 研究背景 2

1.1.2 研究目的及意义 2

1.2 信息融合 3

1.3 图像融合 5

1.4 图像融合的层次 10

1.5 图像融合的性能评价 12

1.5.1 图像的主观评价 12

1.5.2 图像的客观评价 13

1.5.3 单幅图像的性能评价指标 14

1.5.4 融合图像的几个评价指标 14

本章参考文献 17

第二篇 基于特征的图像匹配 24

第2章 图像配准的基础理论 24

2.1 图像配准技术的产生背景 24

2.2 图像配准技术的发展 25

2.2.1 特征提取 25

2.2.2 特征描述 26

2.2.3 特征匹配 28

2.2.4 选取变换模型求取参数 29

2.2.5 优化策略 29

2.2.6 坐标变换与插值 29

2.2.7 性能评估 30

2.2.8 系统实现 31

2.3 成像几何基础 32

2.3.1 成像几何坐标系统 32

2.3.2 成像几何模型 32

2.4 图像变换模型 35

2.4.1 摄像机运动 35

2.4.2 图像变换 35

2.4.3 透视变换矩阵的求解 37

本章小结 38

本章参考文献 39

第3章 基于特征相似性度量的图像配准方法 44

3.1 模糊集 44

3.2 直觉模糊集 46

3.2.1 直觉模糊集的形成与发展 46

3.2.2 直觉模糊集的基本概念 48

3.2.3 直觉模糊集的基本运算 49

3.2.4 直觉模糊集的截集 49

3.2.5 直觉模糊集截集的性质与核 51

3.2.6 直觉模糊集的特点 52

3.3 基于直觉模糊距离的图像匹配方法 53

3.3.1 直觉模糊特征匹配方法 53

3.3.2 特征点匹配算法 54

3.3.3 实验结果与分析 56

3.4 基于改进Hausdorff距离的图像配准方法 60

3.4.1 空间点特征提取 60

3.4.2 Hausdorff距离 61

3.4.3 实验结果与分析 63

本章小结 66

本章参考文献 66

第4章 鲁棒性基础矩阵估计方法 74

4.1 经典基础矩阵估计方法比较 74

4.2 鲁棒的基本概念 74

4.3 对极几何估计及基础矩阵 76

4.3.1 平面诱导的单位 76

4.3.2 对极几何约束 76

4.4 基础矩阵估计算法 77

4.4.1 线性8点算法 77

4.4.2 RANSAC算法 78

4.4.3 MLESAC算法 78

4.4.4 GMSAC算法 79

4.5 基于概率抽样一致性的基础矩阵估计算法 79

4.5.1 模型评价函数 80

4.5.2 预检验 81

4.5.3 样本重采样 82

4.5.4 算法过程 82

4.5.5 算法计算量分析 82

4.5.6 实验结果与分析 83

4.6 基于KFCM的鲁棒性基础矩阵估计算法 88

4.6.1 KFCM算法 88

4.6.2 内外点可分性判定 91

4.6.3 算法步骤总结 91

4.6.4 实验结果与分析 92

本章小结 99

本章参考文献 99

第5章 基于直线几何约束点特征的图像配准方法 101

5.1 直线特征与点特征 101

5.2 特征点检测算法——SIFT 102

5.2.1 SIFT算法原理 102

5.2.2 SIFT算法实现概述 103

5.2.3 SIFT算法实现过程 103

5.3 基于直线约束特征点集检测 110

5.3.1 基于直线约束特征点集定义 110

5.3.2 同序性检测 111

5.3.3 直线约束特征点子集检测 111

5.4 基于直线几何约束的点特征图像配准算法 113

5.5 实验结果与分析 114

5.5.1 Graffiti真实图像实验 114

5.5.2 Trees真实图像实验 118

5.5.3 对比实验 121

本章小结 123

本章参考文献 123

第6章 基于尺度不变特征的图像目标识别与跟踪方法 124

6.1 尺度不变特征的匹配 124

6.2 基于尺度特征的动态连续目标识别跟踪算法 125

6.2.1 目标识别算法 125

6.2.2 目标跟踪算法 125

6.2.3 基于特征的动态连续目标识别跟踪算法 126

6.3 STK软件简介 126

6.3.1 STK的主要功能 127

6.3.2 STK具体模块介绍 128

6.4 实验结果与分析 138

6.4.1 卫星目标跟踪实验 138

6.4.2 战机目标跟踪实验 139

本章小结 141

本章参考文献 142

第7章 基于直觉模糊熵的图像预处理方法 144

7.1 改进型直觉模糊熵模型的构造 144

7.1.1 直觉模糊熵的几何解释 145

7.1.2 直觉模糊熵的构造 146

7.2 图像预处理问题的直觉模糊推广 148

7.3 基于直觉模糊熵的图像预处理算法 149

7.3.1 图像的脉冲噪声检测 149

7.3.2 图像内部像素点的脉冲噪声处理 150

7.3.3 图像边界像素点的脉冲噪声处理 151

7.4 实例结果与分析 152

7.4.1 实验描述 152

7.4.2 灰度可见光图像预处理仿真实验 153

7.4.3 红外图像预处理仿真实验 154

7.4.4 实验结果讨论 156

本章小结 157

本章参考文献 157

第8章 基于改进型NSCT的图像融合方法 159

8.1 改进型NSCT模型的产生背景 159

8.2 经典NSCT模型基本理论 160

8.2.1 非下采样金字塔分解 160

8.2.2 非下采样方向滤波器组分解 161

8.3 NSCT的改进型模型 164

8.3.1 不可分离小波变换 164

8.3.2 冗余提升不可分离小波变换 164

8.4 基于改进型NSCT的图像融合方法 166

8.4.1 基于改进型NSCT的图像融合框架 167

8.4.2 低通子带信息融合规则 168

8.4.3 带通子带信息融合规则 169

8.5 实验结果与分析 171

8.5.1 实验描述 171

8.5.2 多聚焦灰度图像融合仿真实验 172

8.5.3 多波段遥感图像融合仿真实验 174

本章小结 175

本章参考文献 176

第9章 基于NSCT域新型神经网络模型的图像融合方法 178

9.1 新型神经网络模型的产生背景 178

9.2 神经元及大脑皮层生物特性 179

9.3 基于NSCT与AUFLPCNN的图像融合方法 180

9.3.1 脉冲耦合神经网络基本模型 180

9.3.2 AUFLPCNN模型及其赋时矩阵 182

9.3.3 AUFLPCNN模型的参数确定 184

9.3.4 基于NSCT与AUFLPCNN的图像融合方法 185

9.3.5 实验结果与分析 186

9.4 基于NSCT与I2 CM的图像融合方法 189

9.4.1 交叉视觉皮层模型的基本结构 189

9.4.2 ICM与数学形态学在图像处理中的等价性 191

9.4.3 I2CM及其参数的确定 197

9.4.4 基于NSCT与I2 CM的图像融合方法 198

9.4.5 实验结果与分析 199

本章小结 201

本章参考文献 202

第10章 基于NSCT域改进型非负矩阵分解的图像融合方法 204

10.1 改进型NMF模型的产生背景 204

10.2 经典NMF模型 204

10.3 改进型NMF模型 210

10.4 改进型NMF模型的参数确定 212

10.5 基于NSCT域改进型NMF的图像融合方法 213

10.6 实验结果与分析 214

10.6.1 多聚焦图像融合实验 214

10.6.2 医学图像融合实验 216

10.6.3 灰度可见光与红外图像融合实验 217

10.6.4 实验结果讨论 218

本章小结 222

本章参考文献 223

第11章 基于NSCT与IHS变换域的图像彩色化融合方法 225

11.1 经典的伪彩色图像融合方法 225

11.2 RGB空间与IHS空间的互换实现 226

11.3 基于NSCT与IHS变换的图像融合方法 230

11.3.1 图像融合总体框架 230

11.3.2 灰度可见光的彩色传递 231

11.3.3 低通图像融合方法 231

11.3.4 带通图像融合方法 232

11.4 实验结果与分析 233

本章小结 235

本章参考文献 235

第12章 基于NSST域人眼视觉特性的图像融合方法 238

12.1 经典NSST模型基本理论 238

12.2 视觉敏感度系数 241

12.3 基于NSST域人眼视觉特性的图像融合方法 242

12.4 实验结果与分析 243

12.4.1 融合方法与量化评价指标 243

12.4.2 多聚焦灰度图像融合仿真实验 243

12.4.3 灰度可见光与红外图像融合实验 245

12.4.4 实验结果讨论 246

本章小结 246

本章参考文献 247

第13章 基于NSST域改进型神经网络模型的图像融合方法 248

13.1 IPCNN模型及其赋时矩阵 248

13.2 基于NSST域IPCNN的图像融合方法 249

13.3 实验结果与分析 250

13.3.1 实验描述 250

13.3.2 融合实验结果 250

13.3.3 实验结果讨论 253

13.4 基于NSST域I2 CM的图像融合方法 255

13.5 实验结果与分析 256

本章小结 257

本章参考文献 257

第14章 基于NSST域改进型非负矩阵分解的图像融合方法 259

14.1 二维改进型NMF模型 259

14.1.1 INMF模型的行方向构建 259

14.1.2 INMF模型的列方向构建 260

14.2 基于NSST域INMF的图像融合方法 260

14.3 实验结果与分析 261

14.3.1 实验方法及参数设定 262

14.3.2 多聚焦图像融合实验 262

14.3.3 医学图像融合实验 263

14.3.4 实验结果讨论 264

本章小结 267

本章参考文献 267

第15章 基于NSST域改进型感受野模型的图像融合方法 268

15.1 经典感受野模型的生物视觉机理 268

15.2 改进型感受野模型 269

15.3 基于NSST域改进型感受野模型的图像融合方法 271

15.4 实验结果与分析 272

15.4.1 多聚焦图像融合实验 272

15.4.2 灰度可见光与红外图像融合实验 274

15.4.3 实验结果讨论 275

本章小结 277

本章参考文献 277