毕业设计（论文）数字图像融合方法研究.doc

《毕业设计（论文）数字图像融合方法研究.doc》由会员分享，可在线阅读，更多相关《毕业设计（论文）数字图像融合方法研究.doc（31页珍藏版）》请在三一办公上搜索。

1、数字图像融合方法研究【摘 要】 图像融合是指通过对多源图像信息的提取和合成，从而获得对同一场景目标的更为准确、更为全面、更为可靠的图像描述。人们可以得到包含了在各种环境条件下、各种模式下、各种观测角度对同一事物的综合特征描述的合成图像。图像融合通常可分为像素级融合、特征级融合和决策级融合三个层次。目前，像素级融合是图像融合的研究重点。本文首先介绍了图像融合的目的、国内外研究现状、面临的问题以及本文的主要工作。接着重点论述了图像融合的三个层次以及像素级图像融合的几种常用方法，并通过matlab仿真，比较加权平均法、主成分分析(PCA)法、IHS融合法以及小波变换法的融合效果。【关键词】 图像融合

2、，主成分分析，IHS，小波变换ABSTRACTImage fusion means to extract and synthesize multiple source pictures and get more accurate, more comprehensive and more reliable information about same scene or object. We can get the same things described in the comprehensive feature composite image including a variety of en

3、vironmental conditions, a variety of modes and a variety of viewing angle. Image fusion is usually divided into three levels of pixel level fusion, feature level fusion and decision level fusion. At present, the pixel level fusion is the research focus of image fusion. Firstly, this dissertation int

4、roduces the purpose, the present research situation at home and abroad and problem of image fusion and the main content of this article. Then focus on discuss the three levels of image fusion and several commonly used methods of pixel level image fusion, comparing the fusion effect of weighted avera

5、ge method, Principle components analysis ( PCA) method, IHS fusion method and wavelet transform fusion.Keywords：Image fusion, Principle components analysis ( PCA), Intensity-Hue-Saturation (IHS), Wavelet transform目 录1. 绪论11.1 图像融合的目的11.2 国内外研究现状11.3 图像融合面临的问题21.4 本文的主要工作32. 图像融合理论42.1 图像融合层次42.1.1 像

6、素级图像融合42.1.2 特征级图像融合42.1.3 决策级图像融合52.2 几种像素级图像融合方法理论介绍72.2.1 加权平均法72.2.2 主成分分析（PCA）法92.2.3 基于IHS变换的图像融合122.2.4 基于小波变换的图像融合143. matlab仿真结果及其分析193.1 matlab 仿真结果193.2 融合图像效果分析214. 结论254.1 论文主要工作254.2 研究展望25参考文献27致 谢281. 绪论1.1 图像融合的目的图像融合的目的就是通过对多源图像信息的提取和合成，从而获得对同一场景目标的更为准确、更为全面、更为可靠的图像描述1。1.2 国内外研究现状图

7、像融合早期被应用于多光谱卫星遥感图像的分析和处理中。20世纪80年代初期，Daily、Laner和Todd进行了雷达图像、Landsat-RBV、Landsat-MSS图像的融合实验。到80年代后期，图像融合技术逐渐引起人们的关注，并开始应用于遥感光谱图像的合成，进行地质、矿产、气候、环境的探测和研究。90年代后，随着多可遥感卫星JERS-1、ERS-1、Radarsat等的出现，图像融合技术成为遥感图像处理的研究热点，并且研究领域扩展到可见光图像处理、红外图像处理、医学图像处理等领域。近年来，图像融合技术已经成为计算机视觉、自动控制、机器人、目标识别跟踪、军事应用领域的关键技术之一1。国内对

8、图像融合的研究起步于上世纪90年代。1991年海湾战争后，图形融合技术引起了我国军方的高度重视，相继许多高校和科研单位展开了在这一领域的研究工作，也取得了一系列显著的研究成果，但多数研究成果都只仅限于理论性的探测和研究，同国外先进水平相比，国内在这一领域的研究进展还比较缓慢，尤其是在对图像融合的一些新理论、新思想、新算法的探索和对融合效果的衡量方面。因此，国内在此领域的研究基本上处于初级阶段。1.3 图像融合面临的问题总体上看，无论是在国内还是国外，图像融合技术的研究越来越受到广泛的关注，并且在很多方面都取得了非常显著的成就，但是就目前国内外在此领域的研究现状而言，仍有许多问题值得我们注意，并

9、且这些问题将成为我们今后研究的重点。 图像融合技术虽然在很多方面取得了非常显著的成就，但到目前为止并没有形成一个完整的、普遍的理论体系，国内外的很多研究也都只侧重于对具体的某一方面的研究，这样导致的结果是实用性比较差，而且适用范围也不广。 图像融合速度问题：就图像融合目前的发展现状而言，图像的融合效果和融合速度之间存在着矛盾。一般的融合方法，算法简单直观、融合速度快、实时性强，但融合后的效果很难令人满意，在实际应用中并没有多大的用处，也很难得到广泛的应用；而一些较好的融合方法，比如：多分辨塔式方法和小波变换方法，它们的融合效果相对比较好，但融合速度大大降低。这就造成了融合速度与融合效果两者之间

10、的矛盾，所以，探索一种融合速度快、融合效果好的融合算法将成为我们今后研究的一个重要方面。 融合图像的效果衡量问题：虽然近几十年来，图像融合技术在军事、民用、遥感、医学等众多领域得到了广泛的应用并取得了显著的成就，但是就融合图像的效果衡量而言，到底哪种融合方法的融合效果较好，对这一问题，目前并没有形成一个统一的、客观的衡量标准，通常都只能靠观察者的主观感觉来进行评判，但是由于许多内因和外因的存在，会对人的主观观察产生影响，进而影响评判的准确性，所以，得出的结论也是因人而异，没有说服力。在我国，图像融合技术才刚刚起步，同国外先进水平相比还有很大的差距，这说明我们仍任重而道远，在图像融合方面还需要进

11、行更加广阔、更加深入的探索和研究。1.4 本文的主要工作本文的主要工作是围绕图像融合展开的，讨论了图像融合的目的、国内外研究现状、研究中所面临的问题以及图像融合的三个层次，重点研究了像素级图像融合的几种常用方法，包括加权平均法、主成分分析（PCA）法、IHS变换法和小波变换法，并对这4种融合方法进行了理论分析，通过matlab进行实验仿真，得出4种不同融合方法下的融合图像，通过一些图像融合标准参数对4种不同融合方法下得到的融合图像进行衡量，看哪种融合效果比较好。本文具体完成的工作如下： 简单阐述图像融合的三个层次：像素级图像融合、特征级图像融合和决策级图像融合。 重点介绍了像素级图像融合的4种

12、常用融合方法：加权平均法、主成分分析（PCA）法、IHS变换法和小波变换法。并对这4种融合方法在理论上作了详尽、清晰的描述（包括各种融合方法的理论、算法、流程图、步骤以及各自的优缺点）。 运用上述4种融合方法的理论知识，通过matlab仿真得出4种不同融合方法下的融合图像，并通过一些图像融合标准参数：信息熵、均方根误差、信噪比和平均梯度，对上述4种方法得出的融合图像进行衡量，最终得出小波变换是这4种融合方法中最出色的方法，而加权平均法、主成分分析（PCA）法和IHS变换法都有其各自的不足之处，融合效果不大令人满意。2. 图像融合理论2.1 图像融合层次多传感器图像融合与经典的单一图像处理方法之

13、间存在本质的差别，单一图像处理是对人脑信息处理过程的低水平模仿。而多源图像融合信息具有更复杂的形式，而且出现在不同的信息层次上，通常可分为以下三个层次：像素级图像融合、特征级图像融合和决策级图像融合。2.1.1 像素级图像融合基于像素级融合，是对多源图像的关于同一场景、目标的同一像素级灰度进行的综合处理，生成的新图像能够包含源图像中所有像素点的信息，融合流程图如图1所示。进行像素级融合之前，必须先对进行融合的图像进行预处理和图像配准，目的是为了提高融合的可靠性和精度。每个传感器提供的图像来自不同的时间和空间，或者是在同一时间和空间下而具有不同光谱特性的图像。它们提供的信息是多方面的，通过基于像

14、素级别的融合，增加了图像的信息，在提供细节信息方面优于特征级和决策级的融合。像素级的融合使结果图像更丰富可靠，有利于进一步进行分析、处理、理解，能提供最优决策和性能辨识1。2.1.2 特征级图像融合特征级的融合是利用从各个传感器图像的原始信息中提供的特征信息进行综合分析处理，融合流程图如图2所示。从每个传感器提取局部特征，融合处理后获得复合特征。特征通常为图像边缘、角点、纹理、相似区域等。例如，在利用红外热像仪和可见光摄影机进行目标识别时，首先要在两幅图像上找到目标背景之间的差异，对目标的轮廓进行提取；然后对目标进行比较、选择、综合，最后进行识别和决策1。 图像1图像2图像n预处理图像配准像素

15、级别融合特征提取分类决策结果 图1 像素级图像融合图像1图像2图像n预处理特征提取图像配准特征融合结果 图2 特征及图像融合2.1.3 决策级图像融合决策级的融合，先对每个源图进行预处理、特征提取、识别或判决，融合流程图如图3所示。首先做出目标的初级判断和结论，然后对来自各个传感器的决策进行相关处理，最后进行获得联合判断。决策级的融合是直接针对具体的决策目标，充分利用来自各自图像的初级决策。在决策级的预处理中，对图像配准的要求较低，甚至可以不用考虑，因为，各个传感器已经首先进行了决策提取。决策级的图像融合具有较高的可靠性，当某个传感器失效时，融合仍可以进行，系统容错性好。主要技术包括表决法、B

16、ayes推理、Dempster-Shafer方法、推广的证据处理理论、模糊集法等4-8。图像1图像2图像n预处理特征提取特征分类图像配准决策融合结果 图3 决策及图像融合已有的理论和研究表明，上述三个层次的融合，像素级的融合在预处理、信息量、信息损失、分类性方面性能最优，而特征级和决策级融合性能较差。然而像素级融合在融合处理的难易程度上为最复杂、对传感器的依赖性最高、系统容错性差，抗干扰能力也最低。像素级的图像融合是最基本的图像融合方法，也是特征级融合、决策级融合研究的基础，其结果图像获得的信息量最多、目标的辨识性最好。考虑到图像融合主要目的在于集成多源图像中的冗余信息和互补信息，强化对图像的

17、理解和分析。因此，本文所研究的图像融合为像素级融合。特征级融合和决策级融合只作简单的描述。2.2 几种像素级图像融合方法理论介绍像素级图像融合方法有很多，目前常用的有简单加权平均方法、多分辨塔式方法、小波变换方法、主成分分析（PCA）方法、彩色空间方法、卡尔曼滤波方法和IHS（亮度、色度、饱和度）变换方法等。本文就加权平均法、主成分分析（PCA）法、IHS变换法和小波变换法这四种展开研究，主要包括各种融合方法的理论、算法、融合流程图、融合步骤以及各种融合方法的优缺点以及适用范围。2.2.1 加权平均法加权平均图像融合过程可以表示为： (2-1)式中： 图像中像素的行号，=1，2，M； 图像中像

18、素的列号， =1，2，N； 加权系数1； 加权系数2；通常：。 图像灰度值的平均可看作灰度值和加权的特例（）。多数情况下，这种加权平均融合的方法中，参加融合的图像提供的冗余信息，通过这种融合可以提高检测的可靠性。同时，当用于多帧图像的融合处理时，可提高融合图像的信噪比。例如，假设有M个含噪声图像： (2-2)式中 i=1，2，M； 原图像（不含噪声）； 为图像在像素点处的噪声，假设其为不相关、零均值随机噪声。对以上M个图像进行平均融合后的图像为： (2-3)显然有： (2-4) (2-5)式中： 为的均值； 为在处得方差； 为在处得方差。融合后图像在处的标准偏差为： (2-6)式(2-6)说明

19、，经像素平均融合后得到的融合图像的标准差降为原来的。实际上，此时的多帧图像的像素平均融合就是一种图像的平滑处理，这种平滑处理在减小图像中噪声的同时，往往可能在一定程度上使图像中的边缘、轮廓变得模糊了。所以，加权平均图像融合具有算法简单，融合速度快的优点，但在多数应用场合，该图像融合算法难以取得令人满意的融合效果。若要对彩色图像进行融合处理时，可以按照三基色模型，将每幅彩色图像看作三幅单色图像（红、绿、蓝）的叠加，分别对各色图像进行融合处理，最终可得到融合后的三幅红、绿、蓝单色图像，由这三幅单色图像叠加便可形成融合后的彩色图像。也就是说，彩色图像的融合过程可以分解成三基色单色图像的融合过程。对彩

20、色图像进行像素级加权平均融合处理为： (2-7) 式中：下标R、G、B分别表示三基色红、绿、蓝，与之对应的图像分别为三基色单色图像。当然，在进行彩色图像融合处理的实际过程中，有时为了避免彩色失真，在融合处理之后可能还要对图像进行彩色平衡、补偿等处理。不过这些彩色处理基本都是线性处理9。加权平均融合法的优点是：算法简单直观、融合速度快、实时性强；缺点是：常需要人工干预并且图像融合结果很难令人满意，实际应用不广泛。 2.2.2 主成分分析（PCA）法PCA变换也叫主成分变换，是一种常用的数据降维处理方法，它的几何意义是把原始特征空间的特征轴旋转到平行于混合集群结构去，得到新的特征轴。实际操作是将原

21、来的各个因素指标重新组合，组合后的新指标是互不相关的。在由这些新指标组成的新特征轴中，只用前几个分量图像就能完全表征原始集群的有效信息，图像中彼此相关的数据被压缩，而特征得到了突出。主成分变换的变换公式可以用下式表示： (2-8)式中： ：待变换图像的数据矩阵； ：变换后图像的数据矩阵； ：变换矩阵。若是正交矩阵，并且由待变换图像的数据矩阵的协方差矩阵的特征矢量所组成，则此变换成为K-L变换，称变换的数据矩阵的每一行矢量为K-L变换的一个主分量。对低分辨率多光谱图像与高空间分辨率图像融合时，主成分变换的融合方法的基本思想是：首先对多光谱图像进行主成分变换，然后用拉伸的高空间分辨率图像代替第一主

22、分量进行逆主分量变换，得到融合的图像。 根据K-L变换的定义，多光谱变换的过程概括如下： 由多光谱图像的数据矩阵（矩阵中的每一行表示一个波段的图像），假设多光谱图像由个波段的图像组成，每个波段图像的像素总数是。计算它的协方差矩阵。 (2-9) 计算协方差矩阵的特征值与特征向量，组成变换矩阵，若以各特征矢量为列构成矩阵，则的转置矩阵即为K-L变换的系数矩阵。 由K-L变换的具体表达式，获得主分量变换后的新矩阵，矩阵中的每一行矢量为K-L变换后的一个主分量。其中被称为第一主分量，它包含的信息量最大，其它的主分量包含的信息呈逐渐减少的趋势。每一个主分量的像素大小也为，与单个波段的图像像素大小一致。任

23、何两个主成分之间的协方差都为0，互不相关，保证了各个主成分之间没有信息的重复和冗余。 PCA变换的流程图如图4所示：多光谱图像全色图像空间配准多光谱图像主成分变换对全色图像做直方图匹配匹配后的全色图像替换第一主分量并作逆主分量变换融合图像图4 PCA变换流程图PCA算法的主要步骤如下： 对参加融合的源图像进行配准； 计算多光谱图像的主成分变换矩阵的特征值与对应的特征向量； 将特征值按从大到小的顺序排序，相应的特征向量也要跟着变动，将最终的结果记为； 各主分量按如下方式计算： (2-10) 将全色图像和第一主分量图像进行直方图匹配，然后将第一主分量用全色图像替换； 做逆主分量变换，得到融合图像。

24、PCA变换融合法的主要优点是：融合后的图像光谱特性保持好，尤其在波段数较多的情况下；缺点是：由于要对自相关矩阵求特征值和特征向量，计算量非常大，实时性比较差3。2.2.3 基于IHS变换的图像融合目前，常用的颜色模型一种是通常采用的红、黄、绿（RGB）三原色模型。另外一种广泛应用的颜色模型是强度（Intensity）、色调（Hue）、饱和度（Saturation）颜色模型。IHS颜色模型是一种适合于人的直觉的配色方法，因而成为彩色图像处理最常用的颜色模型。强度表示光谱的整体亮度大小，对应于图像的空间分辨率，色调描述纯色的属性，决定光谱的主波长，是光谱在质的方面的区别，饱和度表征光谱的主波长在强

25、度中的比例，色调和饱和度代表图像的光谱分辨率。传统的IHS图像融合方法基本思想是将IHS空间中的低分辨率亮度成分用具有叫高空间分辨率的灰度图像的亮度成分I所代替。 IHS变换公式RGB转化为IHS（正变换）： (2-11) (2-12) (2-13)相应的逆变换： (2-14) IHS变换的一般流程IHS变换算法流程如图5所示：全色图像多光谱图像去噪处理IHS空间转换提取I直方图匹配用直方图匹配后的全色图像替换多光谱图像的I分量后转换到RGB空间融合图像图5 IHS空间融合流程图基于IHS空间的图像融合方法的一般步骤为： 将多光谱的三个波段转换到IHS空间，得到三个分量； 将全色图像与多光谱图

26、像经IHS变换后得到的亮度分量，在一定的融合规则下进行融合，得到新的亮度分量（融合分量）； 用第2步得到的融合分量代替亮度分量，并同分量图像一起转换到RGB空间，最后得到融合图像。在上述步骤中，第2步的融合规则可以选取不同的融合方法，如直接替换法、加权平均法、直方图匹配法等，其中直方图匹配法是较为经典和常用的方法。以分量图像为参考，对全色图像进行直方图匹配，使得匹配后的图像与元多光谱图像保持较高的相关性，然后用分量替换多光谱图像中原来的分量，再转换到RGB空间，得到最终的融合结果。传统的IHS变换融合方法虽然大大提高了融合图像的空间分辨率，但它存在严重的光谱畸变现象。IHS变换可以提高影像的地

27、物纹理特性，增强其空间细节表现能量，但是由于在变换中分量被高分辨率全色影像取代，因此变换的结果会产生较大的光谱失真，融合后图像识别精度不高。所以，在实际应用中传统的IHS变换融合方法使用范围很有限，主要使用的是一些改进过的IHS变换融合方法3。2.2.4 基于小波变换的图像融合 图像的小波变换及其Mallat 算法10图像是二维信号，二维多分辨率分析与一维情况类似，而空间变成，一维中引入的尺度函数变为。设是的一个多分辨率分析，则可以证明，张 量 空 间 为 (2-15) 构成的一个多分辨率分析，并且二维多分辨率分析的二维尺度函数为 (2-16) 式中，是的尺度函数（一维）。式 (2-16) 说

28、 明 了 二 维 尺 度 函 数 的 可 分 离 性。对 于 每 一个，函数系构成的规范正交基，则成为的可分离多分辨率分析。因为、都是低通尺度函数，所以是平滑的低通空间。如果是一维多分辨率分析的正交小波基，而二维多分辨率分析的三个小波函数为 (2-17) 对于每一个，它们的整数平移系为 (2-18)注意这里的上标只是索引而不是指数。它们构成了的规范正交基。由于以上的三个正交基都至少包含一个带通的，所以它们都是带通函数。这三部分反映的都是细节信息，即函数系 (2-19)是的正交归一集，其中均为整数，分别对应水平、垂直和对角三个方向。对于任一二维图像信号，在分辨率下有 (2-20)上式表明，在分辨

29、率上将图解分解成、和四个子图，其中对应源图像在分辨率上的近似像（低频，用LL表示）；给出了y方向的高频分量（x方向的边缘细节，用LH表示）；给出了x方向的高频分量（y方向的边缘细节，用HL表示）；则对应于x和y方向的高频分量（对应角点，用HH表示）。图4表示了图像的二级小波分解，符号的上标表示图像的小波分解层数。可以看到，在每一分解层上，图像均被分解为LL、LH、HL、和HH四个频带；下一层的分解仅对低频分量LL进行分解。图4 小波分解塔式结构 小波变换的图像融合过程首先采用小波Mallat 快速算法10，对二维图像进行N层的小波分解 ，最终将有个不同频率分量，其中包括个高频分量和一个低频分量

30、。小波分解的层数越多，对应高层的子图将越小，因此图像小波分解的各个图像也具有金字塔式结构，故可称为小波分解金字塔。图像的小波变换也是图像的多分辨率、多尺度分解，同样可以用于多传感器图像的融合处理。基于小波多尺度分解图像融合的方法如图5所示。这里以两幅图像的融合为例，对于多幅图像的融合方法可由此类推。设A、B为两幅原始图像，C为融合后的图像，其融合处理的基本步骤如下。 对各源图像进行小波分解，建立源图像的小波金字塔； 对各分解层分别进行融合处理。各分解层上的不同频率分量可采用不同的融合算子进行融合处理，最终得到融合后的小波金字塔； 对融合后所得小波金字塔进行小波逆变换（进行图像重构），所得到的重

31、构图像即为融合图像。图5 两种融合方式示意图 小波图像融合规则及融合算子在小波图像融合过程中，融合规则及融合算子的选择，决定了获得视觉融合效果的优劣对于融合图像的质量至关重要。像素级图像融合要求提取各源图像中的特征（细节），在最终的融合图像中得到有效的显示。因为在源图像中，明显的图像特征，如直线、轮廓、区域等，往往表现为灰度值及其变化，而在小波变换域中，则表现为变换系数的绝对值大小，而图像的细节往往包含在图像的高频分量重，所以图像融合要寻求适当的融合规则和算子，有效地在相应的频段里进行信息的融合处理。已有的融合算子和规则11-15大致分为两类。基于像素点的融合方式。由于小波变换已将图像信息分解

32、变换到了不同的频段中，即将源图像逐层分解成具有不同特征的子图像，按照适当的融合规则和算子对子图像中像素点的灰度值进行融合处理，作为融合后子图像对应像素点的像素值。这种方式是基于像素点的融合方式，它是把每个像素点看做是孤立点来处理的。基于区域特征的融合方式。它更能反映图像特征。首先在以每个像素点为中心的一个窗口区域里来考虑图像的特征，并在计算该区域方差值的基础上，选择方差值较大点的像素值作为融合子图像对应点的像素值，从而得到融合变换系数。图5给出了两种融合方式的示意图。第二种方法相对于独立像素点的简单加权决定融合像素的方法效果更好1。小波图像融合的优点 多尺度、多分辨率特点 具有时域和频域局部性

33、 具有方向性 不会产生冗余数据3. matlab仿真结果及其分析3.1 matlab 仿真结果通过对上述4种主要像素级图像融合方法的理论和算法进行分析和研究，利用matlab编写各种融合方法的相应程序，选取3组图像，分别使用加权平均法、主成分分析（PCA）法、IHS变换法和小波变换法，运用matlab进行仿真，得到各种方法的融合结果，4种不同融合方法的融合结果如图6、7、8所示（其中：图6中的（a)原始图像是聚焦左边的图像，（b）原始图像是聚焦右边的图像；图7、8中的（a）原始图像为多光谱图像，（b）原始图像为全色图像）：图6 聚焦左边与聚焦右边图像的融合图7 多光谱图像与全色图像的融合图8

34、多光谱图像与全色图像的融合从以上3组图片我们可以很直观地看出，小波变换的融合效果相对于其它三种融合方法的融合效果是最好的，尤其从图6可以很明显的看出。图6中的(a)原始图像是聚焦左边的图像，即左边拍的比较清晰，右边拍的比较模糊，相反(b)原始图像是是聚焦右边的图像，即右边拍的比较清晰，左边拍的比较模糊，从融合后的4幅图中，可以很直观，很清楚的看到，基于小波变换融合方法的融合结果最为突出,整幅图像的左边和右边都很清晰，而其它三种融合方法的融合结果都有模糊之处，主成分分析（PCA）法和IHS变换法的融合结果基本上差不多，而且感觉加权平均的融合结果相对于主成分分析（PCA）和IHS变换的融合结果相对

35、好一点，但和小波变换的融合结果相比就明显要差一点。图7和图8从直观上看基本也是这种情况。3.2 融合图像效果分析就目前国内外对数字图像融合的研究现状而言，对融合图像效果的衡量还没有一个客观、全面、统一的标准，因此在大部分情况下，主要还是依靠观察者的主观感觉对图像的融合效果进行衡量。但是，为了能够对融合图像进行一个比较客观的衡量，主要采用信息熵、互信息量、均方根误差、信噪比和平均梯度5个参数对融合图像的效果进行衡量。但由于互信息的计算比较麻烦，不易实现，所以本文主要利用信息熵、均方根误差、信噪比和平均梯度4个参数对融合图像的效果进行衡量。 信息熵融合前后的图像，其信息量必然会发生变化，计算信息熵

36、可以客观地评价图像在融合前后信息量的变化。根据Shannon信息论的原理，一幅级灰度表示的图像，其信息熵为 (3-1)式中，表示图像总的灰度级数，为图像像素灰度值为的像素数和图像总像素数之比，= (3-2)信息熵越大，表示图形所含的信息越丰富，融合质量越好。 互信息图像A、B、F之间的互信息定义如下。 (3-3)之间的关系图是图像A、B的归一化联合灰度直方图，为图A、B、F之间的归一化联合灰度直方图。互信息越大，融合效果就越好。 均方根误差融合图像F和标准参考图R之间的均方根误差定义为 (3-4)式中，为图像的行数和列数。越小，融合质量越好。 信噪比峰值信噪比定义为 (3-5)越高，说明融合效

37、果越好。 平均梯度平均梯度敏感地反映了图像微小细节反差，可以作为清晰度检测的标准。 (3-6)式中，是融合图像，越大，表示图像越清晰。利用上述标准对图像融合效果评价准则如下。 熵的大小反映了图像信息量的多少，熵值越大，表示融合效果越好。 互信息越大，融合图中包含的原始图的信息就越多，效果就越好。 均方根误差越小，融合质量越好。 峰值信噪比高，融合效果好。 平均梯度越大，表示图像越清晰。对上述4种不同融合方法融合后的图像利用信息熵、均方根误差、信噪比和平均梯度4个参数进行融合效果衡量，运用评价参数得出的评价结果如表1所示表1 3组图像4种不同方法融合结果分析融合后的图像信息熵均方根误差信噪比平均

38、梯度图6(c)4.152081.28979.93011.4943(d)4.159480.484710.01651.3919(e)4.159080.478910.01721.3853(f)4.178580.204810.04682.0526续表1融合后图像 信息熵均方根误差信噪比平均梯度图7(c)4.062774.696610.66481.9127(d)4.112175.785010.53912.4411(e)4.123175.847910.53192.4311(f)4.173274.548610.68202.8548图8(c)3.926465.779411.76901.8009(d)3.691

39、863.038712.13871.7663(e)3.570866.009211.73871.5132(f)3.971362.490212.21462.0105对表1中的数据进行分析，无论是图6、图7还是图8可得如下几条结论： 信息熵()：(f)(d)(c)(b)； 均方根误差()：(c)(d)(e)(f); 信噪比()：(f)(d)(c)(b)； 平均梯度()：(f)(d)(c)(b)。由图像融合效果的评价准则可知：信息熵()、 平均梯度()越大，信噪比()越高，均方根误差()越小融合效果越好，可得出结论：小波变换的融合效果最好，加权平均融合效果最差，主成分分析（PCA）和IHS变换的融合效果

40、基本差不多，这与根据融合图像的直观评价得出的结论基本是一致的。4. 结论4.1 论文主要工作图像融合是指通过对多源图像信息的提取和合成，从而获得对同一场景目标的更为准确、更为全面、更为可靠的图像描述。人们可以得到包含了在各种环境条件下、各种模式下、各种观测角度对同一事物的综合特征描述的合成图像。图像融合通常可分为像素级融合、特征级融合和决策级融合三个层次。目前，像素级融合是图像融合的研究重点。本文主要就图像融合技术展开研究，阐述了图像融合的目的、国内外研究现状、研究所面临的问题以及图像融合的三个层次，重点研究了像素级图像融合的几种融合方法，并通过matlab仿真，得出不同融合方法的融合结果，并

41、通过融合后图像的一些参数来评价各种融合方法，得出4种融合方法中最优的方法。4.2 研究展望近几十年来，图像融合技术取得了显著的发展，并广泛的应用于军事，遥感、民用、医学等许多领域。但是目前国内外对图像融合技术的研究还不够系统、不够深入，还没有形成完整的理论框架和体系，还需要做大量深入、细致的工作。本文只是对像素级图像融合的几种主要融合方法进行了简要分析，并通过matlab进行实验仿真，取得了一定的成果，但是依然存在许多问题，需要进一步研究： 本文对像素级图像融合的几种常用方法只做了比较粗浅的研究，所用的几种融合方法都是最基本、常规的，而在实际的应用中，所使用的融合方法要比这些方法复杂的多。因此

42、，在这一方面还需要进一步更加深入的研究。 本文对融合图像效果进行衡量的参数都是对图像最基本的衡量标准，而在现实中，并没有一个客观、全面、统一的标准对融合图像效果进行衡量。因此，在这一方面还需要我们做出更大的努力。 在实际的图像融合中，单一的融合方法很难达到我们所预期的效果，因此需要我们考虑采用多种融合方法进行分工和互补，来达到最优化的融合效果。 进一步研究新的融合规则和融合算法，探讨如何将一些好的数学算法应用在数字图像融合的研究中，以实现对信息的智能处理。总之，图像融合是一个新兴的研究领域，是图像理解和目标识别的重要研究内容之一，具有重大的实际应用价值。本文仅研究了像素级图像融合的几种最基本、

43、最常用方法，仍有大量的工作有待进一步研究和完善，随着我们学习的不断深入，相信能在以后的工作学习中，更进一步的掌握图像融合技术。参考文献1 刘卫光, 李跃, 张修社. 图像信息融合与识别M. 北京:电子工业出版社,2008:1105.2 敬忠良, 肖刚, 李振华. 图像融合理论与应用M. 北京:高等教育出版社, 2007.10:39.3 赵晓雷 像素级图像融合技术研究D. 西安科技大学,2010:15, 3842.4 Hoballan I, Varshney P.K. Distributed Bayesian Signal Dectection. IEEE Trans. on Information Theory,1989,35(5):9951000.5 H.Leung, Yifeng Li, et al. Improved Multiple Target Tracking Using Dempster-Shafer Identification. SPIE,1997,3068(8):12571265.6 Laferte J.M.,Heitz F, et al. Hierarchical statistical Model