众文网1.如何写图像融合开题报告
【关键词】 图像配准； 多源传感器； 位置约束； 特征提取； 多种特征组合
【摘要】 随着遥感技术迅速发展和新型传感器的不断涌现，人们获取遥感图像数据的能力不断提高。在利用这些多源遥感图像进行数据融合、目标变化检测、目标识别等多源协同处理工作之前，必须进行多源图像配准工作，配准精度的高低直接影响到后续应用效果的好坏。为此，本文主要研究了多源遥感图像间的配准技术，作为协同系统中的关键技术，要求配准方法在运算能力和配准精度方面都能够达到较好的效果。首先，本文对现有的多源图像配准技术进行原理上的分析与介绍。通过对多种配准方法的分类与比较，指出了遥感图像配准的通用技术环节与技术要点。并在研究过程中分析关键技术环节的难点与所面临问题。其次，本文针对传统多源配准方法在进行控制点对应时运算量大，误配情况多的现状，提出了一种基于位置约束的多源遥感影像配准技术。该方法首先利用人工粗略选取少量控制点对，得到粗略位置映射关系，之后利用位置信息以及分辨率信息建立局部窗函数进行搜索匹配，对两幅图像中提取的Harris角点进行筛选，最终得到的控制点对作为求取配准参数的控制点输入，并利用此方法进行了多组图像的实验来证明方法的通用性。然后，本文针对传统配准方法需要人工参与，并且仅使用单一特征进行匹配效。更多果差的缺点，提出了一种基于多特征组合的多源遥感图像自动配准技术。这种方法利用了由粗至精的配准思想，结合使用点、线、面特征分别进行粗配准及精细配准两个过程。重点解决了其中少量初始控制点对的匹配和更多控制点对的获取。完成了存在闭合区域的多源遥感图像间的自动配准过程，并实验验证了方法的配准精度。最后，为了对配准后的遥感图像进行直观的视觉评价，本文介绍了配准后图像间的镶嵌以及融合等简单应用。通过实验，可以很直观的看出配准的效果，完成配准的定性评价。
2.提供几篇医学影像毕业论文参考下
4 医学影像融合的临床价值
利用计算机技术对获取的影像信息进行处理，并将其成果应用于临床已成为现代医学影像学发展的主要方向。通过影像的融合，将多项检查成像进行综合分析、处理，再现出全新的、高质量的影像，对于临床的价值主要体现在3个方面：（1） 对影像诊断的帮助：融合后的影像能够清晰地显示检查部位的解剖结构及毗邻关系，有助于影像诊断医生全面了解和熟悉正常组织、器官的形态学特征；通过采用区域放大、勾画病变轮廓、增添病变区伪彩色等手段，能够增加病变与正常组织的差异，突出显示病灶，有助于诊断医生及时发现病变，尤其是早期不明显的病变和微小病变，避免漏诊；在影像中集中体现出病灶在各项检查中的典型特征，有助于诊断医生做出更加明确的定性诊断，特别在疑难疾病的鉴别诊断中，作用更为显著[7]。(2) 对手术治疗的帮助：在影像的融合中，采用了图像重建和三维立体定向技术，充分显示出复杂结构的完整形态和病灶的空间位置，同时清楚地显示出病变与周围正常组织的关系；对于临床制定手术方案、实施手术以及术后观察起了重要作用[8]。(3) 对科研的帮助：影像的融合集中了多项检查的特征，同时体现了解剖结构，病理特征，以及形态和功能的改变，并对影像信息做出定性、定量分析，为临床进一步研究疾病提供了较为完整的影像学资料。
5 医学影像融合的应用前景
目前，图像融合主要应用于体层成像。随融合技术的不断发展，其在非体层成像方法中的应用逐渐增多。已有研究将血管内超声与二维X线血管造影图像进行融合，认为融合图像能克服超声显示冠状动脉形态的局限性、准确重建出血管的解剖结构、反映血管的真实弯曲[9]。
以医学成像技术为基础，结合影像诊断、影像导航、介入治疗和外科等学科所形成的计算机辅助科学是计算机在医学应用新的发展方向。图像融合技术有助于计算机辅助科学的成熟，特别是三维图像融合的研究与开发。
随着PACS在医院逐渐推广应用，为多种影像学技术的综合应用提供了广阔空间，加速了图像融合的发展。有人利用图像融合建立自动识别警告系统，校正PACS进行图像存储及归档的错误[10]。
远程医学是网络时代产物，是实现医学资源全球共享的方式。图像融合在远程医学中有广阔的应用前景。如进行远程手术，将多模图像融合成多参数、仿真人体模型，配准到术中真实器官上，可有效指导制定远程手术计划，有助于顺利实施手术[11]。
综上所述，医学影像的融合是利用计算机技术将多项检查成像的特征融合在一起，重新成像；影像融合既保留了原有的后处理技术，又增添了新的内容；它是信息融合技术、数字化技术、计算机技术等多项技术的综合和在医学影像学应用的深入和扩展。医学影像的融合将会带动医学影像技术的又一次更新，并将是影像医学新的发展方向。
【参考文献】
1 康晓东.计算机在医疗方面的最新应用.北京：电子工业出版社，1999,46-70.
2 Hill DL.Medical image registration.Phys Med Biol,2001,46:R1-R45.
3 Liehn JC,Loboguerrero A,Perault C,et al.Superimposition of computed tomography and single photon emission tomography immunoscintigraphic images in the pelvis:validation in patients with colorectal or ovarian carcinoma recurrence.Eur J Nucl Med,1992,19:186-194.
4 Turkington TG,Jaszczak RJ,Pelizzari CA,et al.Accuracy of registration of PET,SPECT,and MR images of a brain phantom.J Nucl Med,1993,34:1587-1594.
3.求一篇“一种基于小波变换的图像融合新方法”的论文
图像融合是多传感器信息融合领域的一个重要分支[1]，它是指将来自同一目标的不同传感器的信息通过一定的算法融合到一幅图上，从而获得比在单幅图上更完整、更精确的信息。
图像融合在军事（如军事侦察、识别伪装）和非军事（如医疗诊断、遥感、计算机技术等）领域得到广泛的应用。就遥感图像融合而言，目前大致分4种类型：多种分辨率的融合处理、多时相的融合处理、多种传感器类型的融合处理、多波段大容量的融合处理。
本文研究的对象属于最后一种，即不同光谱获得的图像。 这里使用基于小波变换的塔式结构的优点是小波变换具有紧凑性、正交性、很好的方向性，这使得小波变换可以很好地提取不同尺度上的显著特征，相对于高斯—拉普拉斯金字塔技术而言，不仅可以产生更好的融合结果，而且进行反向变换时稳定性更好；另外小波变换的塔式结构还使得不管原图像的长度是否2的幂次方，最终变换后的图像与原图像尺寸相同，这使得开发实用的并行算法系统成为可能。
本文正是基于这点，在对图像小波多分辨分解叙述的基础上，构造了一种图像融合算法，最后对算法进行了仿真，并对结果进行了分析。 1 图像的小波变换 定义1 多分辨分解 设fj+1∈V2j+1，由V2j+1=V2j W2j可得，存在fj∈V2j,gj∈W2j，有fj+1=fj+gj 对于图像f(x,y)而言，由文献[2]可得图像的Mallat二进小波的塔式分解为 fj+1(x,y) =∑k,mCj,k,mj,k,m+∑ε=1,2,3∑k,mDεj,k,mΨεj,k,m(1) 式中： Cj,k,m=∑l,nhl-2khn-2mCj+1,l,n; D1j,k,m=∑l,nhl-2kgn-2mCj+1,l,n D2j,k,m=∑l,ngl-2khn-2mCj+1,l,n; D3j,k,m=∑l,ngl-2kgn-2mCj+1,l,n 在图像小波分解的表达式中Cj,k,m, D1j,k,m, D2j,k,m, D3j,k,m，分别对应图像的低频子带及水平、垂直与对角线3个方向的高频子带， Cj,k,m为图像在aj分辨率下的离散逼近，D1j,k,m, D2j,k,m, D3j,k,m为2j分辨率下的离散细节。
{hk}k∈z可看作低通滤波器系数， {gk}k∈z可看作高通滤波器系数，为尺度函数，Ψ为正交小波函数。{j,k,m|k,m，∈z}构成Vj2的规范正交基，{Ψεj,k,m|j,k,m∈z}构成W2j的规范正交基。
另外，通过小波分解，除了低频子带都是一些正的变换值外，其它的3个高频子带都包含了一些在零附 近的变换值，在这些子带中，较大的变换值对应着亮度急剧变化的点，也就是图像中的显著特征，如边缘、亮线及区域轮廓。既然小波变换具有很好的空域及频域局部性，融合的效果就是：对来自同一目标的两个不同传感器所获解的图象A和B，融合前在图像A中若比图像B中显著，融合后图像A中的目标就被保留，图像B中的目标就被忽略；对不同的场景，比如图像A中的目标的外部轮廓比较明显，图像B中目标的内部轮廓比较明显，这种情况，图像A、B中目标的小波变换系数将在不同的分辨率水平上占统治地位，从而在最终的融合图像中，图像A中的外部结构与图像B中的内部结构都被保留。
因此通过融合可以实现在单幅图像上的片面的、不完整、不精确的信息得到更一致更精确的体现。 最后对组合后的变换系数进行反向小波变换，就可得到融合后的图像。
2 基于区域的图像增强算法 在图像的融合算法中，图像不同，图像的数据表征不同，融合算法也各不相同，目前采用的融合方法主要有[3]：基于像素的代数组合法、统计/数值法以及与颜色有关的技术。但是我们知道图像中的有用特征通常大于1个像素，因此基于像素的选择方法可能不是最适合的，近几年又提出了基于区域的选择方法，比较有代表性的是文献[4]中提出的基于区域的均值选择法，该方法用一M*N的窗口对图像块进行求方差运算，计算结果作为与窗口中心像素对应的一种度量方法，中心像素的选择方法为：如果两幅图像方差在对应位置上的度量值相近，取2者的均值作为输出的新值，否则取较大的值作为输出。
文献[5]中提出利用不同的特征选择算子，有方向的计算对应细节图像的局域能量，由局部能量构造匹配度及加权因子，从而对图像进行加权运算。这里以均值、方差、相关等统计参量构造一种新的区域融合算法。
以下计算以两幅图像为例，对3幅以上的图像融合算法与此类似，具体步骤如下： 首先，利用M*N （一般选M,N为奇数，常用的窗口为3*5或5*5）窗口计算小波分解各子带系数 的均值和方差，子带中以（x,y）位置为中心的区域均值与方差分别为 mi(x,y) =1M*N∑Mm=1∑Mn=1fi(x+ m -M+12,y+ n -N+12) (2) σ2i(x,y) =1M*N∑Mm=1∑Mn=1(fi(x+ m -M+12,y+ n -N+12)- mi(x,y))2(3) 图像1以（x,y）位置为中心与图像2对应区域的协方差为 β2(x,y)=1M*N∑Mm=1∑Mn=1(fi(x+m-M+12,y+n-N+12)-m1(x,y))* (f2(x+m-M+12,y+n-N+12)-m2(x,y))(4) 构造匹配度ρ及加权系数W： ρ=β2σ1σ2; Wmax=1-12ρ； Wmin=1-Wmax 然后，利用下式对两幅图像中的对应子带像素进行融合计算 f(x,y)=Wmax·MAX(f1(x,y),f2(x,y))+Wmin·MIN(f1(x,y),f2(x,y)) (5) 这里f1(x,y),f2(x,y)是上述对应窗口中心位置的两幅图像的像素灰度值。这样就完成了2j分辨率 下的数据融合，最后对融合后的子带系数进行反变换就可得到融合后的图像。
需要的话给我你的邮箱，发。
4.如何写图像融合开题报告
【关键词】 图像配准； 多源传感器； 位置约束； 特征提取； 多种特征组合
【摘要】 随着遥感技术迅速发展和新型传感器的不断涌现，人们获取遥感图像数据的能力不断提高。在利用这些多源遥感图像进行数据融合、目标变化检测、目标识别等多源协同处理工作之前，必须进行多源图像配准工作，配准精度的高低直接影响到后续应用效果的好坏。为此，本文主要研究了多源遥感图像间的配准技术，作为协同系统中的关键技术，要求配准方法在运算能力和配准精度方面都能够达到较好的效果。首先，本文对现有的多源图像配准技术进行原理上的分析与介绍。通过对多种配准方法的分类与比较，指出了遥感图像配准的通用技术环节与技术要点。并在研究过程中分析关键技术环节的难点与所面临问题。其次，本文针对传统多源配准方法在进行控制点对应时运算量大，误配情况多的现状，提出了一种基于位置约束的多源遥感影像配准技术。该方法首先利用人工粗略选取少量控制点对，得到粗略位置映射关系，之后利用位置信息以及分辨率信息建立局部窗函数进行搜索匹配，对两幅图像中提取的Harris角点进行筛选，最终得到的控制点对作为求取配准参数的控制点输入，并利用此方法进行了多组图像的实验来证明方法的通用性。然后，本文针对传统配准方法需要人工参与，并且仅使用单一特征进行匹配效。更多果差的缺点，提出了一种基于多特征组合的多源遥感图像自动配准技术。这种方法利用了由粗至精的配准思想，结合使用点、线、面特征分别进行粗配准及精细配准两个过程。重点解决了其中少量初始控制点对的匹配和更多控制点对的获取。完成了存在闭合区域的多源遥感图像间的自动配准过程，并实验验证了方法的配准精度。最后，为了对配准后的遥感图像进行直观的视觉评价，本文介绍了配准后图像间的镶嵌以及融合等简单应用。通过实验，可以很直观的看出配准的效果，完成配准的定性评价。
5.求一篇“一种基于小波变换的图像融合新方法”的论文
图像融合是多传感器信息融合领域的一个重要分支[1]，它是指将来自同一目标的不同传感器的信息通过一定的算法融合到一幅图上，从而获得比在单幅图上更完整、更精确的信息。
图像融合在军事（如军事侦察、识别伪装）和非军事（如医疗诊断、遥感、计算机技术等）领域得到广泛的应用。 就遥感图像融合而言，目前大致分4种类型：多种分辨率的融合处理、多时相的融合处理、多种传感器类型的融合处理、多波段大容量的融合处理。
本文研究的对象属于最后一种，即不同光谱获得的图像。 这里使用基于小波变换的塔式结构的优点是小波变换具有紧凑性、正交性、很好的方向性，这使得小波变换可以很好地提取不同尺度上的显著特征，相对于高斯-拉普拉斯金字塔技术而言，不仅可以产生更好的融合结果，而且进行反向变换时稳定性更好；另外小波变换的塔式结构还使得不管原图像的长度是否2的幂次方，最终变换后的图像与原图像尺寸相同，这使得开发实用的并行算法系统成为可能。
本文正是基于这点，在对图像小波多分辨分解叙述的基础上，构造了一种图像融合算法，最后对算法进行了仿真，并对结果进行了分析。 1 图像的小波变换 定义1 多分辨分解 设fj 1∈V2j 1，由V2j 1=V2j W2j可得，存在fj∈V2j,gj∈W2j，有fj 1=fj gj 对于图像f(x,y)而言，由文献[2]可得图像的Mallat二进小波的塔式分解为 fj 1(x,y) =∑k,mCj,k,mj,k,m ∑ε=1,2,3∑k,mDεj,k,mΨεj,k,m(1) 式中： Cj,k,m=∑l,nhl-2khn-2mCj 1,l,n; D1j,k,m=∑l,nhl-2kgn-2mCj 1,l,n D2j,k,m=∑l,ngl-2khn-2mCj 1,l,n; D3j,k,m=∑l,ngl-2kgn-2mCj 1,l,n 在图像小波分解的表达式中Cj,k,m, D1j,k,m, D2j,k,m, D3j,k,m，分别对应图像的低频子带及水平、垂直与对角线3个方向的高频子带， Cj,k,m为图像在aj分辨率下的离散逼近，D1j,k,m, D2j,k,m, D3j,k,m为2j分辨率下的离散细节。
{hk}k∈z可看作低通滤波器系数， {gk}k∈z可看作高通滤波器系数，为尺度函数，Ψ为正交小波函数。{j,k,m|k,m，∈z}构成Vj2的规范正交基，{Ψεj,k,m|j,k,m∈z}构成W2j的规范正交基。
另外，通过小波分解，除了低频子带都是一些正的变换值外，其它的3个高频子带都包含了一些在零附 近的变换值，在这些子带中，较大的变换值对应着亮度急剧变化的点，也就是图像中的显著特征，如边缘、亮线及区域轮廓。 既然小波变换具有很好的空域及频域局部性，融合的效果就是：对来自同一目标的两个不同传感器所获解的图象A和B，融合前在图像A中若比图像B中显著，融合后图像A中的目标就被保留，图像B中的目标就被忽略；对不同的场景，比如图像A中的目标的外部轮廓比较明显，图像B中目标的内部轮廓比较明显，这种情况，图像A、B中目标的小波变换系数将在不同的分辨率水平上占统治地位，从而在最终的融合图像中，图像A中的外部结构与图像B中的内部结构都被保留。
因此通过融合可以实现在单幅图像上的片面的、不完整、不精确的信息得到更一致更精确的体现。 最后对组合后的变换系数进行反向小波变换，就可得到融合后的图像。
2 基于区域的图像增强算法 在图像的融合算法中，图像不同，图像的数据表征不同，融合算法也各不相同，目前采用的融合方法主要有[3]：基于像素的代数组合法、统计/数值法以及与颜色有关的技术。 但是我们知道图像中的有用特征通常大于1个像素，因此基于像素的选择方法可能不是最适合的，近几年又提出了基于区域的选择方法，比较有代表性的是文献[4]中提出的基于区域的均值选择法，该方法用一M*N的窗口对图像块进行求方差运算，计算结果作为与窗口中心像素对应的一种度量方法，中心像素的选择方法为：如果两幅图像方差在对应位置上的度量值相近，取2者的均值作为输出的新值，否则取较大的值作为输出。
文献[5]中提出利用不同的特征选择算子，有方向的计算对应细节图像的局域能量，由局部能量构造匹配度及加权因子，从而对图像进行加权运算。这里以均值、方差、相关等统计参量构造一种新的区域融合算法。
以下计算以两幅图像为例，对3幅以上的图像融合算法与此类似，具体步骤如下： 首先，利用M*N （一般选M,N为奇数，常用的窗口为3*5或5*5）窗口计算小波分解各子带系数 的均值和方差，子带中以（x,y）位置为中心的区域均值与方差分别为 mi(x,y) =1M*N∑Mm=1∑Mn=1fi(x m -M 12,y n -N 12) (2) σ2i(x,y) =1M*N∑Mm=1∑Mn=1(fi(x m -M 12,y n -N 12)- mi(x,y))2(3) 图像1以（x,y）位置为中心与图像2对应区域的协方差为 β2(x,y)=1M*N∑Mm=1∑Mn=1(fi(x m-M 12,y n-N 12)-m1(x,y))* (f2(x m-M 12,y n-N 12)-m2(x,y))(4) 构造匹配度ρ及加权系数W： ρ=β2σ1σ2; Wmax=1-12ρ； Wmin=1-Wmax 然后，利用下式对两幅图像中的对应子带像素进行融合计算 f(x,y)=Wmax·MAX(f1(x,y),f2(x,y)) Wmin·MIN(f1(x,y),f2(x,y)) (5) 这里f1(x,y),f2(x,y)是上述对应窗口中心位置的两幅图像的像素灰度值。 这样就完成了2j分辨率 下的数据融合，最后对融合后的子带系数进行反变换就可得到融合后的图像。
需要的话给我你的邮箱，发到你邮箱。
6.求一篇《视觉传达与设计》的毕业论文,3000字左右
本文在对视觉传达设计师各个创作阶段进行了详细分析的基础上，从视觉传达设计师的非数字化创作时期及数字化创作时期出发，将个人创作的完全独立时期、合作创作时期和主导创作时期进行比较，得出了创作独立性不是一个单纯的线性发展的历史，而是随着时代不断发展变化的事件。
文章最后讲述了关于认识创作独立性对于我们规划未来的现实意义。 在上个世纪二十年代，书籍设计者维岑斯创造了“视觉传达设计师”这个名称，形容“使印刷传达有结构和视觉形式的个人活动”①行为。
它的意义在很大程度上预示了视觉传达设计师工作方式的独立性。从传达设计开始的一个人独立工作的创作方式，到现在由自己决定创作概念并同他人合作的创作方式，设计师们的创作状态有了很大的变化。
如何正视这种变化，正确认识到自己的创作独立性所处的状态，从而帮助我们更好的发展，是非常值得我们关注和思考的。 一 独立创作的视觉传达设计师 1.1 非数字化时代的视觉传达设计师 在数字化设计高度发展以前，每一个设计师在设计创作时，基本上从头到尾都是一个人包干。
他们通过一个人去探索主题的计划性，掌握用颜料绘画不容许有失误的技术能力，进行个人创作，直至完成作品。他们这种独立创作状态和现在处于学习阶段的视觉传达者的创作状态极其相似。
正如我们所知，视觉传达设计的历史并不长，很多的设计师现在依然从事着设计工作。例如：日本的田中一光、福田繁雄、户田正寿、南部俊安，波兰的Wieslaw Walkuski等。
在欣赏他们的作品时不难发现，虽然不是在同样的时间、地点进行创作，但他们都具有相同的特征，即扎实的手绘功底，以及从他们独特的个人视角诠释的设计作品。正如户田正寿所说：“多少年前，在设计创作时，我基本上从头到尾都是一个人包干的。”
②他们所处的正是非数字化时代的视觉传达设计师的一种普遍状态，即在创作概念、制作过程上拥有主控性的独立创作状态。相对与他们，数字化时代的创作者的独立性就有了些限制，但仍有这样的一部分人群拥有创作独立性，视觉传达学习者、独立创作的设计师占拥有创意独立性人群的绝大部分。
1.2 数字化时代的视觉传达学习者 社会的不断发展，使越来越多的人通过学习关于视觉传达的知识，掌握了如：Photoshop、FreeHand、Illustrator、Coreldraw这样的数字处理软件，期望能就此走入视觉传达的设计世界。他们大多通过进行假的设计课题，或参与非商业性质设计比赛的方式来学习。
在这种脱离了市场运作的状态下，他们也同样拥有对创作概念上的主控性。最普遍的例子就是在学校学习的平面设计专业的学生，当然还包括喜欢视觉传达这个活动的人。
在中国平面设计在线设计长廊的竞赛传真③中的16个展示中，设计者不仅是设计师们，还有更多处于学习阶段的人们。对于同一个比赛命题，正是因为有了创作者在创作概念上的主控性，才有了这缤彩纷呈的设计。
想在结束学习后继续保持其创作独立性，就需要定准自己的目标，是与人合作还是进行个人创作。最好能多观察数字化时代的独立创作者的创作与运营方式，结合自身的实力求发展。
1.3数字化时代的独立创作者 同视觉传达学习者有所区别的是，数字化时代的独立创作者大多是应运市场要求和个人愿望而诞生的个人工作室的创立者，或大型设计公司的设计总监、艺术指导类的设计师。在市场的双向选择下，这些创作者依照客户的要求进行着设计创作，他们同样拥有对设计创作概念上的主控性，有时还不仅如此。
户田正寿认为“作为艺术指导，首先要做的工作是决定创作概念，定了概念之后，就要挑选合适的创作人员。挑选创作人员时最重要也是最关键的事，是一定要合适那个创作概念的。
否则，即使那人再优秀，也还是不用为好。②”从他的观点中不难发现这类人的创作独立性已经发生了改变，更多的是对关键事宜的独立思考，且其垄断和主控性在此得到了一定的体现。
不过这并不是说他们不需要合作，脱离社会的设计是不存在的。 以上三类视觉传达设计师虽在创作方式上有所不同，但数字化时期和非数字化时期的设计师有一个本质上的相同点，就是他们都是独立的创作者。
但正如历史的发展不是一成不变的一样，设计师的独立性也是不能用是否数字化来区分的，它始终是个发展的事件，独立性的变化和发展趋势就是对这种螺旋形运动的事件的分析。 二 视觉传达设计师创作独立性的变化 成为一个视觉传达设计师就如同其他专业的人一样，都有一个学习的过程，因此从历史的普遍性上讲，他们大多都有过如下的几个时期：技术上学习，思想上独立的创作状态→技术上合作，思想上也合作→技术上合作，思想上独立的创作状态。
我们不难发现这其中有个循环的变化。但设计师的这种循环和一般时间的那种线性链接的循环是迥然相异的，不光是设计师个人上的不同，更大的不同在于现代社会融合的趋势使得设计师们的独立创作状态，在不断的复杂互渗之中有别与最初的独立状态。
2.1个人创作——即完全独立状态 这是一种完全按照个人的意念、愿望来进行创作的状态。学生的创作和部分设计师的意念创作，还有。
7.求一篇“一种基于小波变换的图像融合新方法”的论文
图像融合是多传感器信息融合领域的一个重要分支[1]，它是指将来自同一目标的不同传感器的信息通过一定的算法融合到一幅图上，从而获得比在单幅图上更完整、更精确的信息。
图像融合在军事（如军事侦察、识别伪装）和非军事（如医疗诊断、遥感、计算机技术等）领域得到广泛的应用。就遥感图像融合而言，目前大致分4种类型：多种分辨率的融合处理、多时相的融合处理、多种传感器类型的融合处理、多波段大容量的融合处理。
本文研究的对象属于最后一种，即不同光谱获得的图像。 这里使用基于小波变换的塔式结构的优点是小波变换具有紧凑性、正交性、很好的方向性，这使得小波变换可以很好地提取不同尺度上的显著特征，相对于高斯—拉普拉斯金字塔技术而言，不仅可以产生更好的融合结果，而且进行反向变换时稳定性更好；另外小波变换的塔式结构还使得不管原图像的长度是否2的幂次方，最终变换后的图像与原图像尺寸相同，这使得开发实用的并行算法系统成为可能。
本文正是基于这点，在对图像小波多分辨分解叙述的基础上，构造了一种图像融合算法，最后对算法进行了仿真，并对结果进行了分析。 1 图像的小波变换 定义1 多分辨分解 设fj+1∈V2j+1，由V2j+1=V2j W2j可得，存在fj∈V2j,gj∈W2j，有fj+1=fj+gj 对于图像f(x,y)而言，由文献[2]可得图像的Mallat二进小波的塔式分解为 fj+1(x,y) =∑k,mCj,k,mj,k,m+∑ε=1,2,3∑k,mDεj,k,mΨεj,k,m(1) 式中： Cj,k,m=∑l,nhl-2khn-2mCj+1,l,n; D1j,k,m=∑l,nhl-2kgn-2mCj+1,l,n D2j,k,m=∑l,ngl-2khn-2mCj+1,l,n; D3j,k,m=∑l,ngl-2kgn-2mCj+1,l,n 在图像小波分解的表达式中Cj,k,m, D1j,k,m, D2j,k,m, D3j,k,m，分别对应图像的低频子带及水平、垂直与对角线3个方向的高频子带， Cj,k,m为图像在aj分辨率下的离散逼近，D1j,k,m, D2j,k,m, D3j,k,m为2j分辨率下的离散细节。
{hk}k∈z可看作低通滤波器系数， {gk}k∈z可看作高通滤波器系数，为尺度函数，Ψ为正交小波函数。{j,k,m|k,m，∈z}构成Vj2的规范正交基，{Ψεj,k,m|j,k,m∈z}构成W2j的规范正交基。
另外，通过小波分解，除了低频子带都是一些正的变换值外，其它的3个高频子带都包含了一些在零附 近的变换值，在这些子带中，较大的变换值对应着亮度急剧变化的点，也就是图像中的显著特征，如边缘、亮线及区域轮廓。既然小波变换具有很好的空域及频域局部性，融合的效果就是：对来自同一目标的两个不同传感器所获解的图象A和B，融合前在图像A中若比图像B中显著，融合后图像A中的目标就被保留，图像B中的目标就被忽略；对不同的场景，比如图像A中的目标的外部轮廓比较明显，图像B中目标的内部轮廓比较明显，这种情况，图像A、B中目标的小波变换系数将在不同的分辨率水平上占统治地位，从而在最终的融合图像中，图像A中的外部结构与图像B中的内部结构都被保留。
因此通过融合可以实现在单幅图像上的片面的、不完整、不精确的信息得到更一致更精确的体现。 最后对组合后的变换系数进行反向小波变换，就可得到融合后的图像。
2 基于区域的图像增强算法 在图像的融合算法中，图像不同，图像的数据表征不同，融合算法也各不相同，目前采用的融合方法主要有[3]：基于像素的代数组合法、统计/数值法以及与颜色有关的技术。但是我们知道图像中的有用特征通常大于1个像素，因此基于像素的选择方法可能不是最适合的，近几年又提出了基于区域的选择方法，比较有代表性的是文献[4]中提出的基于区域的均值选择法，该方法用一M*N的窗口对图像块进行求方差运算，计算结果作为与窗口中心像素对应的一种度量方法，中心像素的选择方法为：如果两幅图像方差在对应位置上的度量值相近，取2者的均值作为输出的新值，否则取较大的值作为输出。
文献[5]中提出利用不同的特征选择算子，有方向的计算对应细节图像的局域能量，由局部能量构造匹配度及加权因子，从而对图像进行加权运算。这里以均值、方差、相关等统计参量构造一种新的区域融合算法。
以下计算以两幅图像为例，对3幅以上的图像融合算法与此类似，具体步骤如下： 首先，利用M*N （一般选M,N为奇数，常用的窗口为3*5或5*5）窗口计算小波分解各子带系数 的均值和方差，子带中以（x,y）位置为中心的区域均值与方差分别为 mi(x,y) =1M*N∑Mm=1∑Mn=1fi(x+ m -M+12,y+ n -N+12) (2) σ2i(x,y) =1M*N∑Mm=1∑Mn=1(fi(x+ m -M+12,y+ n -N+12)- mi(x,y))2(3) 图像1以（x,y）位置为中心与图像2对应区域的协方差为 β2(x,y)=1M*N∑Mm=1∑Mn=1(fi(x+m-M+12,y+n-N+12)-m1(x,y))* (f2(x+m-M+12,y+n-N+12)-m2(x,y))(4) 构造匹配度ρ及加权系数W： ρ=β2σ1σ2; Wmax=1-12ρ； Wmin=1-Wmax 然后，利用下式对两幅图像中的对应子带像素进行融合计算 f(x,y)=Wmax·MAX(f1(x,y),f2(x,y))+Wmin·MIN(f1(x,y),f2(x,y)) (5) 这里f1(x,y),f2(x,y)是上述对应窗口中心位置的两幅图像的像素灰度值。这样就完成了2j分辨率 下的数据融合，最后对融合后的子带系数进行反变换就可得到融合后的图像。
需要的话给我你的邮箱，发到你邮箱。