發(fā)布時(shí)間：2024-06-13 21:51

　　紅外與可見光圖像融合是目前應(yīng)用最為廣泛、也是最具有研究價(jià)值的信息融合方式。由于紅外與可見光圖像之間具有良好的互補(bǔ)特性,那么通過這兩種光譜的有效結(jié)合,可以在提高紅外目標(biāo)可識別度的同時(shí),獲得更加詳細(xì)準(zhǔn)確的視覺顯著性信息,使我們能在惡劣環(huán)境下也能更準(zhǔn)確地判斷熱源的位置。目前,多尺度變換算法是一類能有效解決紅外與可見光融合問題的方法,其核心思想是將圖像分解為一系列具有不同特征的子帶分量,然后再采用一定的融合規(guī)則分別對它們進(jìn)行處理,最終獲得融合圖像。然而,現(xiàn)有的多尺度變換算法對細(xì)節(jié)的捕捉能力較差,容易遺漏圖像中的邊緣細(xì)節(jié)信息,并且還不具備一定的自適應(yīng)分解特性。除此外,現(xiàn)有的融合規(guī)則也無法較好地消除源圖像之間存在的光譜差異性,并且在針對低亮度或目標(biāo)處于遮蔽等環(huán)境時(shí),也沒有更有效地解決途徑提高融合圖像的成像質(zhì)量。那么針對上述存在的問題,為了能更有效地提高融合算法的視覺性能,本文的研究內(nèi)容和主要創(chuàng)新如下:1.提出一種全新的多尺度變換工具:滾動引導(dǎo)剪切波變換(RGST)。RGST可將滾動引導(dǎo)濾波器的尺度敏感特性與剪切波濾波器的方向化特性有效結(jié)合,因此能根據(jù)圖像的邊緣尺度特征進(jìn)行自適應(yīng)分解,其分解后的多尺...

【文章頁數(shù)】：131 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 紅外與可見光圖像融合的研究綜述
        1.2.1 相關(guān)融合技術(shù)的國內(nèi)外應(yīng)用現(xiàn)狀
        1.2.2 相關(guān)融合算法的國內(nèi)外研究現(xiàn)狀
        1.2.3 多尺度變換融合算法目前存在的問題
    1.3 圖像融合算法的評價(jià)方法
        1.3.1 主觀評價(jià)方法
        1.3.2 客觀評價(jià)方法
    1.4 論文研究內(nèi)容與結(jié)構(gòu)安排
第2章 非下采樣剪切波變換的基本理論
    2.1 引言
    2.2 剪切波的基本理論
    2.3 離散剪切波變換
        2.3.1 離散剪切波變換的頻域?qū)崿F(xiàn)
        2.3.2 離散剪切波變換的時(shí)域?qū)崿F(xiàn)
    2.4 非下采樣剪切波變換
    2.5 本章小結(jié)
第3章 基于滾動引導(dǎo)剪切波的多尺度變換方法
    3.1 引言
    3.2 滾動引導(dǎo)濾波器的原理
    3.3 滾動引導(dǎo)剪切波變換的原理
        3.3.1 多尺度滾動引導(dǎo)濾波器
        3.3.2 自適應(yīng)多方向剪切波濾波器
        3.3.3 滾動引導(dǎo)剪切波變換
    3.4 本章小結(jié)
第4章 基于RGST與變分優(yōu)化模型的紅外與微光圖像融合
    4.1 引言
    4.2 變分法的相關(guān)理論
        4.2.1 泛函與變分的基本理論
        4.2.2 變分法的歐拉方程
        4.2.3 梯度下降法
    4.3 視覺光譜顯著性檢測
        4.3.1 基于頻率調(diào)諧的顯著性檢測算法
        4.3.2 基于微光圖像的FT算法改進(jìn)
    4.4 圖像算法框架及相應(yīng)融合規(guī)則
        4.4.1 圖像融合算法的主體框架
        4.4.2 基于?₂-能量最小化的近似層融合規(guī)則
        4.4.3 基于混合?₁-梯度正則化的細(xì)節(jié)層融合規(guī)則
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 主觀視覺評價(jià)
        4.5.2 客觀參數(shù)評價(jià)
    4.6 本章小結(jié)
第5章 基于RGST與自適應(yīng)雙通道PCNN模型的紅外與可見光圖像融合
    5.1 引言
    5.2 傳統(tǒng)單通道PCNN模型
        5.2.1 PCNN模型的基本結(jié)構(gòu)組成
        5.2.2 PCNN模型的相關(guān)工作原理
        5.2.3 PCNN模型的視覺處理特性
    5.3 自適應(yīng)雙通道PCNN模型
        5.3.1 傳統(tǒng)單通道PCNN模型存在的問題
        5.3.2 改進(jìn)后的自適應(yīng)雙通道PCNN模型
    5.4 圖像算法框架及相應(yīng)融合規(guī)則
        5.4.1 圖像融合算法的主體框架
        5.4.2 近似層分量PCNN模型的融合規(guī)則
        5.4.3 細(xì)節(jié)層分量PCNN模型的融合規(guī)則
    5.5 實(shí)驗(yàn)結(jié)果與分析
        5.5.1 主觀視覺評價(jià)
        5.5.2 客觀參數(shù)評價(jià)
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文研究內(nèi)容總結(jié)
    6.2 未來的研究展望
參考文獻(xiàn)
致謝
作者簡歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號：3993694