图像融合分类
像素级的图像融合
特征级图像融合
决策级图像融合
根据图像表征层次的不同，图像融合可分为三个层次的融合：像素级融合、特征级融合和决策级融合。图像融合的：1.图像增强，提高图像分辨率和清晰度；2.增强图像的相关特征；3.相互补充相关信息，去除噪声和冗余；4.提高目标检测的额识别能力；5.获得完整的三维重构数据。
图像融合的层级划分图：
像素级融合：直接对个幅图像的像素点进行融合信息综合的过程。
像素级融合的局限性：
图像原始数据规模导致算法实现费时；
.数据未经处理，传感器原始信息的优缺点会叠加，影响融合效果；
对硬件的设施的要求相当高，进行图像融合时，配准的精度要求精确的各传感器数据之间每个像素；
因为基于像素计算，像素信息易受污染，噪声等干扰，所以效果不稳定。
特征级融合:对图像进行特征抽取，将边缘、形状、轮廓、局部特征等信息进行综合处理的过程。特征级图像融合是对图像进行特征抽取后，将边缘、形状、轮廓、局部特征等信息进行综合处理的过程。特征级融合包括：目标状态信息融合，目标特征性融合。特征级融合包含的几个模块：源图像的获取，图像的预处理，图像分割，特征提取，特征数据融合及目标识别。图像的特征是一种代价处理，降低了数据量，保留了大部分信息，仍损失部分细节信息。原始特征的组合形成特征，增加特征维数，提高目标的是被准确率。特征向量可以直接融合也可以根据特征本身的属性进行重新组合，边缘，形状、轮廓灯都是描述特征的重要参数，他们的几何变换也具有一定的特征属性。
目标状态特征融合
是一种基于多尺度和多分辨率的目标统计特征，它对图像的原始数据状态的提取被描述，需要经过严格的配准，最后得到的是一幅包含更多图像信息的图像。它是对图像的状态信息统计，进行模式匹配的问题。核心思想是实现多传感器目标的精确状态估计，与先验知识的有效关联，应用广泛的是目标跟踪领域。
目标特性融合
按照特定的语义对图像特征提取特征的内在描述，或特征属性的重新组合，这些特征向量代表抽象的图像信息，直接对特征进行机器学习理论融合识别，增加了特征的维度，提高了目标识别的精确度。目标特性融合是特征向量融合识别，一般处理的都是高维问题，随意实质上该融合应用最多是模式识别。多传感器比单一传感器提供的信息增大了特征空间的维数，扩大了细信息特征散射的空间，从分类的角度上提高了识别率。特征实际上涉及了图像分割、特征提取和特征层信息融合等几个方面。
决策级融合：在每种传感器独立完成决策或分类的基础上，将多个传感器的识别结果进行融合做出全局的最优决策。决策级融合根据一定的规则对提取特征和识别后的源图像决策综合，获得融合图像。决策的输入是对目标的认识框架。认识框架是通过同质异质传感器观测同一场景的目标，经过预处理、特征提取、识别的基本处理后形成的。对该框架通过最优化决策得到融合结果。决策级是趋向智能逻辑的，综合多传感器的识别结果比单一识别更精准，更有效。但多传感器的数据同时也增加了误差和风险，每一传感器的可能的错误都会传递到决策层，决策函数的容错能力直接影响融合分类性能。
决策级融合的优点：
具有很好的实时性、自适应性；
数据要求低，刚干扰能力强；
高效的兼容了多传感器的环境特征信息；
很好的纠错能力，通过适当的融合，消除单个传感器造成的误差，系统还能获得正确的结果。
联系客服
