發(fā)布時間：2017-12-07 05:01

  本文關鍵詞：多傳感器運動圖像的跨尺度分析與融合研究

  更多相關文章： 多傳感器 運動圖像 跨尺度分析 時空融合 多曝光融合

【摘要】：由于外界環(huán)境復雜多變,在運動圖像捕獲過程中經(jīng)常遇到光照變化、遮擋及噪聲干擾等因素,采用單個傳感器往往不能獲取目標場景的清晰完整信息,嚴重影響到視覺導航和目標識別的準確性。由于運動圖像的動態(tài)變化特性,使得對運動圖像的分析成為一個非常復雜的過程,因此需要研究多傳感器運動圖像的跨尺度分析和融合方法,獲取完整清晰的目標場景圖像。盡管現(xiàn)有的圖像分析和融合技術已經(jīng)取得了一定的進展,但在運動圖像跨尺度分析與融合處理方面仍然存在很多亟待解決的科學問題。本文從多傳感器運動圖像的時空尺度、頻率尺度、傳感器尺度和光照尺度出發(fā),深入研究多傳感器運動圖像的跨尺度分析和融合方法。論文完成的主要工作和創(chuàng)新性研究成果如下：(1)針對已有的運動圖像分析方法不能充分抽取運動圖像序列的運動信息所導致的時空分析能力的不足,提出了運動圖像跨尺度分析算法(MCTA),構建了從時間、空間和頻率尺度分析運動圖像的框架。MCTA算法提供了對運動圖像序列中運動特征的抽取能力,能估計出運動向量,從而實現(xiàn)運動補償,并增強了圖像幀之間的相關性。將運動圖像的分析轉(zhuǎn)換為在不同尺度、不同頻率空間的信號,有效地刻畫了圖像的結(jié)構、細節(jié)卡u紋理特征。對運動補償后的相鄰圖像幀進行多尺度幾何分析,增強了相鄰幀對應系數(shù)之間的關系,提高了運動圖像分析的精度。實驗結(jié)果表明,與基于3D-DWT、3D-DTCWT兩種三維多尺度幾何分析的融合結(jié)果相比,MCTA算法在運動圖像序列融合中能夠更加準確地表達邊緣紋理和運動細節(jié),提高融合結(jié)果性能,在客觀量化指標上也有較大提升。(2)針對已有的圖像融合方法進行運動圖像融合時在保持融合序列間穩(wěn)定性和一致性方面的不足,以及融合過程中不能準確區(qū)分不同模態(tài)多傳感器運動圖像間的互補和冗余信息的問題,提出了基于特征相似性的多傳感器運動圖像融合算法(FSIMF)。FSIMF算法將待融合原圖像序列分解為組合的高頻和低頻子帶系數(shù),充分利用從前一幀到下一幀的時間運信息和空間幾何信息,確保了融合圖像序列的時間穩(wěn)定性和一致性。為了充分利用跨尺度系數(shù),提出了基于特征相似性的時空融合策略用于獲取合系數(shù),可以準確地抽取相鄰幀對應子帶的時空相關信息,區(qū)分互補與余信息,融合圖像保留了豐富的場景細節(jié),消除了冗余信息。實驗結(jié)果表明,FSIMF算法不僅保證了圖像的融合質(zhì)量,有效地融合了原圖像中的重要信息,消除了冗余,同時也保持了圖像序列的時間穩(wěn)定性和一致性,避免了序列間的抖動現(xiàn)象。(3)針對已有的運動圖像融合方法在保持重點目標區(qū)域質(zhì)量方面的不足,以及缺少對噪聲處理的有效機制方面的問題,提出了基于三維shearlet變換的多傳感器運動圖像序列融合與降噪算法(SIFD)。SIFD算法利用三維shearlet變換的跨尺度幾何分析特性,結(jié)合顯著性特征,有效地描述運動圖像的邊緣和紋理細節(jié),實現(xiàn)了從時空尺度和頻率尺度進行融合與降噪。提出了基于3D PCNN的高頻系數(shù)融合策略和基于顯著性3DPCNN的低頻系數(shù)融合策略,提高了系數(shù)融合的準確性,保證了顯著目標區(qū)域的完整性和清晰度。實驗結(jié)果表明,針對無噪聲圖像序列,與3D-DWT、3D-DTCWT和3D-UDCT-salience融合算法相比,SIFD算法不僅保證了圖像整體融合質(zhì)量,也保持了顯著目標區(qū)域的完整性,視覺效果及客觀評價值都有明顯改善。針對有噪聲圖像序列,與3DDTCWT-FD和3DUDCT-FD算法相比,SIFD算法性能最佳,互信息、梯度保持度、時空梯度保持度、幀間差互信息、峰值信噪比、均方根誤差各項量化指標都取得了較好的結(jié)果。(4)針對已有的多曝光圖像序列處理方法對不同環(huán)境下圖像處理能力的不足,以及不能有效處理動態(tài)場景融合的缺陷,提出了基于特征的多曝光運動圖像序列融合算法(FMIF)、解決了由于光照變化導致的場景捕獲不完整、細節(jié)不清晰的問題。提出了基于特征的權重估計方法,集成相位一致性、局部對比度和顏色飽和度三種圖像特征,準確地度量了像素的質(zhì)量,提升了權重圖的準確性。采用基于一致性敏感哈希的塊匹配圖像對齊方法,解決了目標運動造成的融合圖像運動模糊和虛影問題,提升了融合結(jié)果的質(zhì)量。實驗結(jié)果表明,對于不同環(huán)境下的多曝光圖像序列,包括標準多曝光序列和我們拍攝的機器人多曝光序列,FMIF算法都取得了良好的效果,得到了具有高動態(tài)范圍的、光照良好的完整清晰的場景圖像。(5)基于提出的MCTA、FSIMF、SIFD、FMIF算法,設計實現(xiàn)了多傳感器運動圖像的跨尺度分析與融合系統(tǒng)(MTAFS)。MTAFS系統(tǒng)分為數(shù)據(jù)層、邏輯層和用戶層三個層次。邏輯層包括跨尺度分析、多傳感器融合、融合與降噪、多曝光融合四個模塊,實現(xiàn)了多傳感器運動圖像跨尺度分析、不同模態(tài)的多傳感器運動圖像序列精確融合、帶有噪聲的運動圖像序列的同時融合與降噪、不同曝光尺度圖像序列的融合功能。運行結(jié)果表明,MTAFS系統(tǒng)在多傳感器運動圖像跨尺度分析與融合中取得了較好的性能,提升了運動圖像的場景表示能力,可為視覺導航系統(tǒng)提供完整、清晰、連貫和穩(wěn)定的場景運動圖像,也驗證了本文所提出算法的有效性。
【學位授予單位】：北京郵電大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41
，

本文編號：1261196