得益于計(jì)算機(jī)視覺技術(shù)的飛速發(fā)展,圖像融合技術(shù)作為其重要分支,在數(shù)字圖像處理領(lǐng)域得到了來自世界各地的科研人員的重視。由于傳統(tǒng)光學(xué)鏡頭景深有限,當(dāng)同一場景中含有多個(gè)目標(biāo)物體時(shí),很難通過一次取景就得到一幅所有目標(biāo)都清晰的圖像。圖像融合技術(shù)作為信息融合領(lǐng)域重要的圖像處理方法,充分利用了多源圖像信息互補(bǔ)的優(yōu)勢,以一種簡單高效的方法克服了光學(xué)鏡頭的成像缺陷,將多幅圖像融合為一張新的、包含所有有效信息的圖像。隨著圖像融合技術(shù)的不斷革新,通過圖像融合技術(shù)輸出的圖像更利于人眼視覺系統(tǒng)對圖像信息的理解,該技術(shù)已在軍事、醫(yī)學(xué)、遙感測繪、工業(yè)檢測等領(lǐng)域得到應(yīng)用,因此,針對圖像融合技術(shù)展開研究對提升成像系統(tǒng)的性能具有重要意義。在當(dāng)前主流的圖像融合算法中,基于圖像多尺度變換的算法毫無疑問是圖像融合領(lǐng)域的研究熱點(diǎn)。其中,非下采樣輪廓波變換（Non-subsampled contourlet transform,NSCT）作為一種能有效表達(dá)圖像稀疏特性的多尺度圖像分解方法,它不僅繼承了傳統(tǒng)小波變換的時(shí)頻特性,還實(shí)現(xiàn)了圖像的多方向變換;同時(shí),混合l0-l1圖像分解模型作為一種新興的圖像分解算法,很好的克服NSCT變換忽... 

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第二章 基于圖像多尺度變換的圖像融合體系
    2.1 引言
    2.2 NSCT變換
    2.3 混合l_0-l_1稀疏分解模型
    2.4 圖像融合質(zhì)量評(píng)價(jià)
        2.4.1 圖像融合主觀評(píng)價(jià)
        2.4.2 圖像融合質(zhì)量客觀評(píng)價(jià)方法
            2.4.2.1 互信息(MutualInformation,MI)
            2.4.2.2 信息熵(Entropy, EN)
            2.4.2.3 結(jié)構(gòu)相似度(Structural similarity,SSIM)
            2.4.2.4 邊緣信息關(guān)聯(lián)度(Q~(AB/F))
            2.4.2.5 標(biāo)準(zhǔn)偏差(Standard deviation,STD)
            2.4.2.6 平均梯度(Average gradient,AG)
    2.5 本章小結(jié)
第三章 NSCT域內(nèi)結(jié)合SF與PC激勵(lì)PCNN的多聚焦圖像融合
    3.1 引言
    3.2 簡化PCNN模型
    3.3 融合規(guī)則的選擇
        3.3.1 高頻系數(shù)融合規(guī)則
        3.3.2 低頻系數(shù)融合規(guī)則
    3.4 本章算法框架
    3.5 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
第四章 NSCT域內(nèi)結(jié)合交叉雙邊濾波器的多聚焦圖像融合
    4.1 引言
    4.2 融合規(guī)則的選擇
        4.2.1 低頻系數(shù)融合規(guī)則
        4.2.2 高頻系數(shù)融合規(guī)則
    4.3 本章算法框架
    4.4 本章實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 結(jié)合混合l_0-l_1稀疏分解與卷積神經(jīng)網(wǎng)絡(luò)的紅外與可見光圖像融合
    5.1 引言
    5.2 融合規(guī)則的選取
        5.2.1 基礎(chǔ)層分量融合規(guī)則
        5.2.2 細(xì)節(jié)層分量融合規(guī)則
    5.3 本章算法總體融合框架
    5.4 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間完成的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]NSCT域內(nèi)結(jié)合相位一致性激勵(lì)PCNN的多聚焦圖像融合[J]. 劉棟,周冬明,聶仁燦,侯瑞超.  計(jì)算機(jī)應(yīng)用. 2018(10)
[2]結(jié)合NSST與GA參數(shù)優(yōu)化PCNN圖像融合[J]. 劉棟,聶仁燦,周冬明,侯瑞超,熊磊.  計(jì)算機(jī)工程與應(yīng)用. 2018(19)
[3]交叉雙邊濾波和視覺權(quán)重信息的圖像融合[J]. 劉峰,沈同圣,馬新星.  儀器儀表學(xué)報(bào). 2017(04)
[4]NSCT域內(nèi)基于自適應(yīng)PCNN的圖像融合新方法[J]. 榮傳振,賈永興,楊宇,朱瑩,王淵.  信號(hào)處理. 2017(03)
[5]基于視覺顯著性和NSCT的紅外與可見光圖像融合[J]. 傅志中,王雪,李曉峰,徐進(jìn).  電子科技大學(xué)學(xué)報(bào). 2017(02)
[6]多目標(biāo)粒子群優(yōu)化PCNN參數(shù)的圖像融合算法[J]. 王佺,聶仁燦,周冬明,金鑫,賀康建,余介夫.  中國圖象圖形學(xué)報(bào). 2016(10)
[7]惡劣天氣下可見光和紅外圖像融合算法設(shè)計(jì)[J]. 張思睿,葛萬成,汪亮友,林佳燕.  信息技術(shù). 2016(06)
[8]基于拉普拉斯金字塔與PCNN-SML的圖像融合算法[J]. 王佺,聶仁燦,金鑫,周冬明,賀康建,余介夫.  計(jì)算機(jī)科學(xué). 2016(S1)
[9]Contourlet域的多極化SAR圖像自適應(yīng)融合方法[J]. 孟慶文,周焰,徐穎.  空軍預(yù)警學(xué)院學(xué)報(bào). 2014(04)
[10]紅外成像系統(tǒng)及其應(yīng)用[J]. 李相迪,黃英,張培晴,宋寶安,戴世勛,徐鐵峰,聶秋華.  激光與紅外. 2014(03)

博士論文
[1]紅外與紅外偏振/可見光圖像融合算法研究[D]. 朱攀.天津大學(xué) 2017
[2]基于多尺度變換和稀疏表示的多源圖像融合算法研究[D]. 張寶華.上海大學(xué) 2016

碩士論文
[1]紅外圖像和可見光圖像融合方法及其在電力設(shè)備監(jiān)測中的應(yīng)用[D]. 師穎.西安理工大學(xué) 2018
[2]紅外與可見光圖像的融合方法研究[D]. 吳輝.桂林電子科技大學(xué) 2018
[3]基于NSCT的圖像融合方法研究[D]. 魏笑笑.河南科技大學(xué) 2018
[4]多源圖像的融合方法研究[D]. 余大彥.電子科技大學(xué) 2018
[5]基于顯著性區(qū)域的多聚焦圖像融合算法[D]. 張賀峰.吉林大學(xué) 2018
[6]基于聯(lián)合雙邊濾波的圖像去噪與融合方法研究[D]. 任芬.西安電子科技大學(xué) 2017
[7]多尺度下脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像融合[D]. 王海旭.電子科技大學(xué) 2011
[8]基于小波變換的多聚焦圖像融合技術(shù)研究[D]. 代曉燕.青島大學(xué) 2008



本文編號(hào)：3662797