论文部分内容阅读
图像融合技术能够有效地提高图像信息的利用率、目标探测的准确性及图像的解译能力。目前比较流行的融合方法是基于多尺度几何分析工具的图像融合方法，其中最具代表性的是Shearlet变换。它不仅克服了小波变换在图像融合应用中信息丢失的不足，与Contourlet变换相比，还成功摆脱了滤波时的方向数限制，因而得到了广泛的应用。智能优化算法作为一种新兴的优化工具，在优化问题中起到了十分重要的作用。其中，遗传算法和粒子群算法因其自身强大的搜索能力而受到广大学者的重视。本文在基于Shearlet变换的图像融合技术基础上，将遗传算法和粒子群算法引入图像融合中，分别提出两种针对不同种类图像的融合新方法。本文的研究工作和创新点主要包括两个方面：1.深入研究Shearlet和遗传算法相关理论，通过分析遥感图像的数据特征及融合要求，使用具有针对性的客观评价指标构造适应度函数并根据经验对算法相关参数进行设置，提出一种基于Shearlet和遗传算法的遥感图像融合方法。遗传算法主要用于对高频系数融合策略的加权因子进行优化；2.深入研究粒子群算法基础理论及应用，根据多聚焦图像的融合需求及图像成像特点，使用不同评价指标构造三种不同的目标函数并对粒子群算法的运行参数进行设置，提出基于Shearlet和粒子群算法的多聚焦图像融合方法。在融合过程中，粒子群算法主要通过粒子追随最优个体来搜索最优的加权系数。通过对两种智能优化算法进行对比分析，充分证明遗传算法适用于遥感图像融合，粒子群算法更适用于多聚焦图像的融合处理。本文提出的两种融合方法都取得了较为理想的融合效果，通过对比客观评价指标数值可以看出算法在图像融合方面具有一定的优势和有效性。