图像融合技术的分析研究
【摘 要】社会信息化的飞速发展带动了成像传感技术的发展，传统信息融合技术对数据处理量的急剧上升和多样性问题已经不能满足需求，本文通过对已有的图像处理方法进行比较分析，提出利用“多源图像的智能化融合技术研究”这一新的思路。
【关键词】图像处理；信息融合；人工智能技术
随着计算机科学和微电子技术的飞速发展，成像传感器被广泛运用，面对获取数据种类和数量急剧增加，传统的信息处理方法显然已不能满足需求，信息融合是一种新的图像处理技术，它是对多源信息进行不同层次，不同级别的处理和综合，获得的信息更为丰富，精确和可靠。图像融合[1]是以图像为主要研究对象，涉及图像处理、信号处理、人工智能等多个学科，一般可分为三个层次：像素级融合、特征级融合和决策级融合。经过多年的发展，像素级融合出现了一系列的融合算法，从形式上可分为基于空间域的融合和基于变换域的融合。后者一般直接对图像的像素空间进行融合，而变换域的融合算法是先对融合源图像进行变换再对变换后的系数进行组合。两者是相互联系的。目前，基于多尺度变换的图像算法是主要研究方向之一。多尺度方法是对人眼感知过程进行模拟。通过模板进行层层滤波而形成的。它基本思想是：把源图像进行多尺度方法分解，再分别对低通或带通图像进行融合处理、重构最终的图像。由于许多算法是基于小波变换的，出现了许多新的融合算法，如Li 等提出的采用离散小波变换进行图像融合改善融合效果[2]和融合性能。后来还发展出多小波整合算法，这种的分析方法更加精确[3]。总而言之，基于多尺度分解的图像融合算法可以统一在一种框架下，对于这种统一框架进行了详细的描述。
目前，绝大部分的融合算法都是在它的框架下展开的，可以认为基于多尺度分解的图像融合方法是现今的主流方向。但必须注意到该框架也存在很多问题，特别是框架的限制性较强，阻碍了融合研究的发展。因此迫切地需要引入一些新思想到融合研究中来。其中思路一是将马尔可夫随机场引入到融合中[4]，利用马尔可夫随机场模型对融合进行优化。基于马尔可夫随机场的图像融合方法是用适当的函数来表示融合任务的融合结果，把原图像作为一随机场集进行全局寻优。针对不同图像用回归分析的方法提取一组统计参数来表征图像的局部结构特征，再做相似性测度计算，最后由输入图像及其相似性矩阵生成融合后的边缘图像。
思路二是利用基于变分偏微分方程建模实现图像融合。是一种基于物理学的方法。前期研究主要由Socolinsky[5]完成，它提出了多波段图像的对比度形式（Contrast Form ），进而得到对比度的主分量作为目标对比度场，最后构造一个能量函数的极值问题，利用它寻找最接近的图像作为融合结果。还有，洪等提出将多个源图像之间不同的显著性权重作为构建对比度形式的依据来融合多聚焦图像[6]。
近年来，人工智能技术特别是统计学习的研究发展迅速。在统计学习中，当我们获得一组观测数据，当我们没有必要建立物理模型时，可以根据这组数据进行推算出数学模型，这类模型一般没有对问题的物理解释，但是输入输出之间反映了问题的实际。对应于图像融合也存在着同样的问题，利用已有的方法我们很难建立起通用的融合模型，比如在多聚焦图像中，已有的算法尝试用局部显著性、
图像融合技术的分析研究
【摘 要】社会信息化的飞速发展带动了成像传感技术的发展，传统信息融合技术对数据处理量的急剧上升和多样性问题已经不能满足需求，本文通过对已有的图像处理方法进行比较分析，提出利用“多源图像的智能化融合技术研究”这一新的思路。
【关键词】图像处理；信息融合；人工智能技术
随着计算机科学和微电子技术的飞速发展，成像传感器被广泛运用，面对获取数据种类和数量急剧增加，传统的信息处理方法显然已不能满足需求，信息融合是一种新的图像处理技术，它是对多源信息进行不同层次，不同级别的处理和综合，获得的信息更为丰富，精确和可靠。图像融合[1]是以图像为主要研究对象，涉及图像处理、信号处理、人工智能等多个学科，一般可分为三个层次：像素级融合、特征级融合和决策级融合。经过多年的发展，像素级融合出现了一系列的融合算法，从形式上可分为基于空间域的融合和基于变换域的融合。后者一般直接对图像的像素空间进行融合，而变换域的融合算法是先对融合源图像进行变换再对变换后的系数进行组合。两者是相互联系的。目前，基于多尺度变换的图像算法是主要研究方向之一。多尺度方法是对人眼感知过程进行模拟。通过模板进行层层滤波而形成的。它基本思想是：把源图像进行多尺度方法分解，再分别对低通或带通图像进行融合处理、重构最终的图像。由于许多算法是基于小波变换的，出现了许多新的融合算法，如Li 等提出的采用离散小波变换进行图像融合改善融合效果[2]和融合性能。后来还发展出多小波整合算法，这种的分析方法更加精确[3]。总而言之，基于多尺度分解的图像融合算法可以统一在一种框架下，对于这种统一框架进行了详细的描述。
目前，绝大部分的融合算法都是在它的框架下展开的，可以认为基于多尺度分解的图像融合方法是现今的主流方向。但必须注意到该框架也存在很多问题，特别是框架的限制性较强，阻碍了融合研究的发展。因此迫切地需要引入一些新思想到融合研究中来。其中思路一是将马尔可夫随机场引入到融合中[4]，利用马尔可夫随机场模型对融合进行优化。基于马尔可夫随机场的图像融合方法是用适当的函数来表示融合任务的融合结果，把原图像作为一随机场集进行全局寻优。针对不同图像用回归分析的方法提取一组统计参数来表征图像的局部结构特征，再做相似性测度计算，最后由输入图像及其相似性矩阵生成融合后的边缘图像。
思路二是利用基于变分偏微分方程建模实现图像融合。是一种基于物理学的方法。前期研究主要由Socolinsky[5]完成，它提出了多波段图像的对比度形式（Contrast Form ），进而得到对比度的主分量作为目标对比度场，最后构造一个能量函数的极值问题，利用它寻找最接近的图像作为融合结果。还有，洪等提出将多个源图像之间不同的显著性权重作为构建对比度形式的依据来融合多聚焦图像[6]。
近年来，人工智能技术特别是统计学习的研究发展迅速。在统计学习中，当我们获得一组观测数据，当我们没有必要建立物理模型时，可以根据这组数据进行推算出数学模型，这类模型一般没有对问题的物理解释，但是输入输出之间反映了问题的实际。对应于图像融合也存在着同样的问题，利用已有的方法我们很难建立起通用的融合模型，比如在多聚焦图像中，已有的算法尝试用局部显著性、