论文部分内容阅读
近年来，图像融合已成为图像理解和计算机视觉领域中一项重要而有用的新技术，如何进一步提高图像预处理质量、融合质量和融合效率等一直是图像融合技术中的关键问题。由于图像处理技术的飞速发展，传统的变换方法，如主成分分析法、小波变换等已不能满足复杂图像的处理要求。本文在多尺度几何分析的基础上，将单目标优化和多目标优化引入到图像融合处理机制中，并采用群智能的启发式进化算法来解决图像融合中的优化问题。论文的主要创新点如下： (1)提出了基于对比度塔分解的“教与学”优化融合算法(TLBO CP)，即在对比度塔(CP)分解的基础上，自适应地选取融合权重值，主要是通过“教与学”优化算法(TLBO)经过向“老师”学习和“同学”之间相互学习，先搜索到最优区域范围，再从中找到最优解。利用该方法对遥感图像和红外与可见光图像进行融合实验，取得了较好的融合效果，但算法的实时性不高，并且由于TLBO自身的缺陷容易让整个融合算法的解陷入局部最优。 (2)针对(1)中融合方法的不足，我们提出了基于对比度塔分解的Baldwinian克隆选择优化融合算法(BCSA_CP)。它通过遗传多态性的增加和最优区域的扩张可以加快算法的进化速度，同时，较小的计算复杂度减少了每次迭代所花费的时间，能更快地达到融合系数的最优值，并且利用相应的算子保证算法能收敛到全局最优解，避免了早熟现象，对遥感图像进行了仿真实验，获得了较好的融合效果。 (3)提出了基于分解的多目标优化融合算法(MOEA/D_CP)，该方法针对图像融合处理中的多目标优化问题进行求解，在优化融合系数的过程中，将一个多目标问题分解为一系列单目标的子问题，采用了切比雪夫聚合方法和遗传算法在一定的搜索空间对每一个子问题分别进行寻优求解，每一个子问题的解都包含于Pareto最优解集中，并对遥感图像和可见光与红外图像进行融合实验，也获得Pareto最优融合图像集，可以满足更多应用需求。