一、小波变换在多雷达数据融合中的应用（论文文献综述）
陈轩[1]（2021）在《可见光图像与激光雷达三维信息融合方法研究》文中指出由于成像激光雷达可以获取目标得距离像而且精度很高。因此,其广泛使用于导弹制导和直升机避障及三维场景重建等领域。将可见光彩色图像和激光雷达图像有效融合,可以提高系统的整体性能,可为后续可视化和目标探测识别提供更为可靠的图像。为实现可见光图像与激光雷达三维信息融合,本文以多分辨融合算法为核心,通过分析激光雷达图像特点,对多分辨融合算法规则进行改进使其符合激光雷达图像的融合,并进行仿真和实验验证,通过可见光图像和激光雷达三维信息的融合,可获得更为全面目标信息,且更符合人眼观察。本文主要的研究内容如下:首先,通过分析成像激光雷达所成强度像与距离像特点,确定先融合激光雷达强度像和距离像,以获得高质量的激光雷达融合强度像,再将融合的强度图像与可见光图像进行融合,从而实现可见光图像与激光雷达三维信息的融合。然后本文研究常用图像去噪算法,采用基于离线曲率估计的方法完成距离像的去噪,然后基于SIFT特性提取算法对可见光图像和激光雷达强度像进行了配准,完成了融合前的预处理。其次,通过仿真图像融合实验分析了多分辨融合算法在激光雷达图像融合过程中存在的问题,然后对多分辨图像融合过程的融合规则进行改进,既在图像复原过程改变强度像与距离像顶层图像进行加权平均融合的规则,直接使用顶层强度像作为顶层融合结果,使其更适合激光雷达图像的融合需求。最后,进行了可见光图像与激光雷达图像的融合实验。分别对室内近距离场景和室外远距离场景进行像素级信息融合实验,并对融合结果进行主评价和客观评价。经实验融合结果表明,通过本文的融合方案和改进的多分辨融合算法,能够在保留距离信息的同时提高雷达图像质量,加载上色彩纹理信息。适应激光雷达图像融合。
潘益群[2]（2021）在《基于特征的光学和SAR影像配准与融合方法研究》文中提出异源遥感影像融合为了使影像信息的可用性最大化,将各自具有互补优势的数据进行整合,在医疗、遥感、计算机视觉和航天领域具有重要的实际价值。光学影像的优势在于它色彩丰富且空间分辨率很高,能清晰地观察到地物丰富的纹理细节信息,而SAR的优势是主动型雷达,24小时不受恶劣天气干扰,且具有一定的穿透性。而配准是影像融合的必要前提步骤,因此研究光学与SAR影像的配准与融合具有重要意义。目前光学和SAR影像随着遥感技术快速发展,其空间分辨率显着提高,传统的配准方法失效。在像素级融合方面,光学和SAR影像因为两者灰度差异大,SAR的灰度范围较窄,导致SAR影像中的结构不能平滑的注入到光学中,而引起融合结果存在光谱扭曲问题。针对以上问题,本文进行方法改进。主要研究内容如下:（1）针对特征点提取,为了检测到更加稳定可靠的特征点,以便后续获得更多正确匹配点对,本文提出构建各向异性扩散的非线性尺度空间,然后在该空间上每层影像进行特征点提取。该尺度空间采取的滤波核是非线性的,而高斯金字塔的滤波核采用的高斯核,是唯一的线性滤波核,非线性尺度空间的滤波核克服了高斯核会使影像模糊的缺点,得到的每一空间尺度影像更加清晰。（2）为了抵抗异源影像成像机制带来的非线性辐射差异,本文利用相位一致性将两幅影像投射到比较一致的空间上。在特征向量构建方面,由于相位一致性值（Phase Consistency,PC）映射中的大多数像素值都接近于零,因此PC映射的信息较少不足以用于特征描述。其次,PC图对噪声很敏感,因为它主要包含边缘,这会导致特征描述不准确。针对以上问题,本文采用了基于PC信息的最大值索引图而不是直接使用PC映射图来进行描述。（3）由于只利用强度值（PC）来描述特征,仍然不太稳健的。所以本文综合利用相位一致性信息,增加了相位一致性的方向属性,增大了相似特征向量与不相似特征向量的区分度。（4）针对融合问题中SAR影像中的结构注入到光学中时不能平滑过渡,而引起融合影像存在光谱扭曲问题,本文提出了基于NSST变换结合分区域的融合算法。该算法主要用分区域的方式替代了IHS逆变换,将SAR目标区域和非SAR目标区域划分开来,然后针对这两个区域使用各自的融合规则。
薛策文[3]（2021）在《全极化探地雷达数据融合分析研究》文中提出探地雷达（Ground Penetrating Radar,GPR）是一种基于电磁反射信息的适用于浅层探测的无损探测工具。常规的探地雷达大多是单极化雷达,它是利用获得的电磁反射波的频率、相位等信息来进行识别目标体,但是它仅能采集到一种极化方式的信息,对于复杂地下目标体的识别有时难以满足要求。为了获得地下目标体更全面更准确的信息,全极化探地雷达被发展起来。全极化探地雷达是通过四种不同的天线组合来工作,它获得的信息比单极化探地雷达获得的信息多三倍。全极化探地雷达不光可以得到传统探地雷达所能获得的振幅、相位、频率等信息,还可以获得极化属性信息,因此全极化探地雷达对于复杂目标体的识别有更好的能力。但是对于四种探地雷达图像所存在的多种信息如何进行整合,得到最终的全极化探地雷达图像,需要进一步研究。数据融合是将来自不同传感器的同一目标的数据信息,通过对多个数据的提取,使其得到对同一目标的准确形容。在全极化探地雷达数据融合中,目前仅有加权平均融合方法被使用,这个方法无法确定不同极化方法所适应的权值,无法同时适应不同散射机制的地下目标体,简单的平均融合更是会掩盖全极化的优势,导致融合的图像结果无法得到突出地下目标体的信息。本研究主要是寻找方法（主成分分析、拉普拉斯金字塔、多尺度小波变换）来进行全极化探地雷达数据融合,加强全极化探地雷达融合图像的分辨率。论文的主要内容如下:1.介绍了全极化探地雷达的采集系统。其中包括两种全极化探地雷达系统,一种是适合实验室测量的系统,基于Vivaldi天线的全极化探地雷达系统;另一种是适合野外测量的系统,基于喇叭天线的自动控制全极化探地雷达系统。2.介绍了全极化探地雷达数据融合的理论,发展了主成分分析、拉普拉斯金字塔和多尺度小波变换与全极化探地雷达数据融合结合的方法。3.在实验室中将三种数据融合方法分别与全极化探地雷达三种不同散射机制的目标体数据进行结合,建立了瞬时振幅和改进梯度为核心的融合图像优选系统,寻找到了适合不同散射机制目标体的数据融合方法,以及适合未知散射机制目标体的数据融合方法。4.在野外冰层进行探测,将适合未知散射机制目标体的数据融合方法与传统加权平均方法对比。
崔子婧[4]（2021）在《基于改进的自适应稀疏表示多模态医学图像融合》文中认为近年来,自适应稀疏表示算法是多模态医学图像融合研究的热点。自适应稀疏表示算法是通过自适应选择字典进行稀疏表示的算法。该算法通过采样图像块,根据图像块的梯度方向构建多个字典,随后使用这些字典对图像进行稀疏表示,从而实现图像融合。该算法在图像融合的过程同时可以去除融合过程中产生的噪声,然而它在保持边缘信息上有一定缺陷,导致边缘部分细节丢失。因此本文主要对自适应稀疏表示算法进行改进并做了以下工作:（1）本研究介绍多模态医学图像融合的发展历史和实用价值,并根据不同融合等级、融合方法对图像融合进行介绍。其次本研究掌握了该领域近十年来国内外研究现状,分类介绍融合算法,为接下来的研究奠定了基础。（2）图像融合算法的研究必不可少的过程是评价算法的融合质量。本文从主观评价和客观评价两个角度给出了评价方法。在主观评价中主要有细节放大法和差分法;在客观评价指标中,根据其评价过程中有无标准参考图像,对其进行了分类汇总:无参考客观评价指标和全参考客观评价指标。并且详细地介绍了各种指标的计算过程。随后对不同指标进行了性能评价,得到适用于不同类型图像融合的相对有效指标。（3）对于多模态医学图像来说,多尺度图像融合算法效果较好。本文概括了多尺度融合算法的流程图,其中有两个关键步骤:一是多尺度变换,二是融合规则的选择。本文介绍了多种多尺度变换法和不同的融合规则,并给出了计算过程。随后将几种多尺度算法与稀疏表示结合进行仿真与评估,为改进自适应稀疏表示算法提供思路。（4）提出了一种基于引导滤波器与自适应稀疏表示的多模态图像融合算法。该算法首先将输入图像通过滤波器分解为细节层和基础层;其次采用自适应稀疏表示对细节层图像进行融合;根据显着性特征和引导滤波器求得基础层图像的权值图,而后根据基础层图像的权值图对其进行加权平均融合的计算;最后将得到的细节层图像和基础层图像相加得到最终的融合结果。（5）第二种算法是基于拉普拉斯金字塔与自适应稀疏表示的多模态医学图像融合算法。该算法首先利用拉普拉斯金字塔将输入图像分解为四层金字塔;其次对每一层金字塔图像都进行自适应稀疏表示融合;最后通过拉普拉斯金字塔逆变换得到最终的结果。通过使用三组CT和MRI图像进行对比实验,验证了两种算法的有效性并全面的分析其优劣性,最终得出结论:第二种算法优于第一种算法。
郑莉[5]（2020）在《SAR与可见光图像配准及融合方法研究》文中提出多源图像配准与融合是实现多源信息整合与分析的重要手段,在遥感、医疗、航天和计算机视觉等领域中有着广泛应用。多源图像由于成像机理不同,通常存在灰度分布差异大、特征表现不一致的问题,导致提取同名特征困难,难以根据灰度或特征实现多源图像配准;传统多源融合图像对比度低,目标信息不显着,不利于视觉分析和计算机处理。因此,需要探索新的多源图像稳定配准和多源图像增强融合方法,进而得到更全面、准确的多源图像信息,为社会发展提供支撑力量。本文围绕雷达、可见光多源图像配准与融合过程中存在的问题,分析多源图像差异特性,在多源图像配准和融合两个方面开展了框架搭建、边缘提取、稳定配准、区域划分和增强融合等工作,通过理论推导、方法研究和实验验证等途径完成了以上工作。主要研究内容如下:1、研究了图像配准与融合的理论方法和应用,根据多源图像较大的差异特性,以基于变换域配准方法和多尺度分解方法构建研究框架,为后文提出的多源图像的稳定配准与增强融合算法提供理论基础。2、针对多源图像灰度差异造成的同类特征不一致的问题,提出了一种边缘特征提取方法。通过多源图像单线边缘获取、边缘图像分割和阈值筛选,实现了多源图像灰度差异条件下提取稳定、一致性特征,为多源图像配准提供稳定的匹配因子。3、针对传统Fourier-Mellin变换配准中的频率泄漏,导致多源图像配准过程中形成虚假相关峰值的问题,提出了窗函数滤波的频谱泄漏抑制方法,得到了正确的傅里叶变换相关峰值,实现了多源图像的稳定配准。4、提出了一种区域划分的目标背景分离方法。通过多分辨率算法在多尺度多方向上分解得到特性子图,计算特性子图区域方差和阈值划分,得到区域划分图,为多源图像增强融合奠定基础。5、针对传统的像素融合图像清晰度和对比度低、目标信息不突出的缺点,提出了区域引导的多源图像融合算法。利用多尺度多分辨率算法,准确地捕获多尺度多方向上的图像特征信息,将区域划分的目标特征融入到多尺度的像素融合中,实现了多源融合图像目标区域的信息增强。以上所述方法,通过仿真试验,解决了雷达与可见光图像配准、融合中主要问题,实现了多源图像的稳定配准和增强融合。
贺志强[6]（2020）在《基于机器学习的合成孔径雷达遮挡目标识别方法研究》文中提出合成孔径雷达在军用领域和民用领域中都发挥着重要的作用。作为合成孔径雷达应用的重要方面,目标识别一直是研究的热点。基于机器学习的合成孔径雷达目标识别方法已经取得了非常优秀的性能。目前的合成孔径雷达目标识别技术都是以完整的目标作为处理对象。实际应用中经常出现遮挡等导致的目标残缺现象。传统的机器学习目标识别技术识别这些遮挡目标的性能会严重恶化。因此需要研究针对合成孔径雷达遮挡目标的目标识别技术。本文重点研究了基于稀疏表示和基于卷积神经网络的合成孔径雷达遮挡目标识别方法。论文的主要工作如下所示。1、提出了基于子图像稀疏表示的加权合成孔径雷达遮挡目标识别方法。基于稀疏表示模型的遮挡目标识别方法的关键是消除遮挡信息对样本稀疏重构误差的影响。首先将测试样本和字典分割成子测试样本和子字典,利用子字典稀疏表示子测试样本并计算稀疏重构误差。选择稀疏重构误差较大的子测试样本作为包含遮挡信息的子测试样本。然后对包含遮挡信息的子测试样本及对应的子字典加权来得到加权测试样本和加权字典。最后利用加权字典来稀疏表示加权测试样本并识别目标。该方法识别无遮挡目标时的性能与传统稀疏表示方法相似,识别遮挡目标时的性能优于传统稀疏表示方法和支持向量机方法。2、提出了基于加权图像融合的合成孔径雷达遮挡目标识别方法。加权图像模型的关键参数包括子图像尺寸、加权子图像比例和权值。这些参数的取值直接影响算法的识别性能,而设置最优参数值是加权图像模型的难点。本文采用融合策略来克服这个问题,首先设置一系列参数值来得到多个加权测试样本和加权字典。然后根据需要选择像素级融合或者决策级融合方法来处理这些加权测试样本和加权字典。最后利用融合结果来识别目标。该方法避免了加权图像模型中关键参数的取值问题,遮挡目标的识别性能也得到进一步提升。实验结果表明其识别性能优于传统的目标识别方法。3、提出了基于随机擦除图像融合的合成孔径雷达遮挡目标识别方法。在稀疏表示模型中准确定位遮挡信息通常十分困难,本文采用随机擦除方法来回避这个问题。随机擦除是指在测试样本和字典中随机选择一个区域并将其像素值置零,并且测试样本的置零区域和字典的置零区域相同。首先对测试样本和字典进行多次随机擦除。然后利用擦除字典稀疏表示擦除测试样本并计算稀疏重构误差。最后采用决策级融合策略来克服随机擦除中遮挡区域欠擦除和无遮挡区域的误擦除,通过融合所有稀疏重构误差来识别目标。该方法能够消除遮挡信息并保留目标信息,实验结果表明其识别性能优于传统的目标识别方法。4、提出了模块化的卷积神经网络构建方法和基于数据增强的合成孔径雷达遮挡目标识别方法。卷积神经网络的拓扑结构直接决定了网络的性能,本文采用模块化的思想来简化卷积神经网络的设计难度。首先构建基础模块。基础模块包含了卷积层和池化层,承担了学习特征和数据降维的功能。然后采用模块堆叠的方式得到卷积神经网络。该卷积神经网络具有与传统方法设计的卷积神经网络相似的性能。为了提高卷积神经网络识别遮挡目标的性能,通过数据增强的方法来使网络学习到遮挡目标的特征。数据增强的方式包括静态数据增强和动态数据增强两种。静态数据增强时遮挡目标训练样本是固定的。动态数据增强时遮挡目标训练样本是变化的。实验结果表明,数据增强可以明显提高卷积神经网络识别遮挡目标的能力。5、提出了一种基于重构误差水平的多层稀疏表示合成孔径雷达目标识别方法。稀疏表示模型利用稀疏重构误差作为分类指标。理想情况下只有相同类型子字典上的稀疏重构误差很小,其余子字典上的稀疏重构误差很大。本文利用稀疏重构误差来表征字典的表示能力,并以此决定测试样本的处理方法。设置了两个门限,其中一个门限代表字典的绝对表示能力,用来判断字典能否稀疏表示测试样本并决定是否利用当前字典识别测试样本;另一个门限表征子字典稀疏表示能力的相对差异,用来决定是否需要重构字典。最后利用已识别的样本来完善字典,提高了字典对剩余测试样本的表示能力。该方法更深入的挖掘了稀疏重构误差的性质,实现了更好的识别性能。6、提出了基于多视图张量稀疏表示模型的合成孔径雷达目标识别方法。张量稀疏表示模型可以保留合成孔径雷达图像中的局部结构信息。合成孔径雷达系统对目标多次观测可以得到多幅目标图像,并且这些图像间具有内部相关性。多视图张量稀疏表示模型可以综合利用图像的局部结构信息和图像间的内部相关性。提出了联合张量正交匹配追踪算法来计算多视图张量稀疏表示模型中测试样本的稀疏系数张量。识别目标时首先用经典的张量字典学习方法得到各类型目标的字典,然后采用联合张量正交匹配追踪算法来计算稀疏系数张量,最后根据所有视图总的稀疏重构误差来判断目标的类型。该方法识别合成孔径雷达目标时的性能优于联合稀疏表示模型和稀疏表示融合模型。
李亮亮[7]（2019）在《基于非下采样剪切波变换的图像增强算法研究》文中指出近年来,随着科学技术的快速发展,基于计算机辅助系统的图像处理算法也不断更新,其应用领域在人们的生活中逐渐增多,尤其是在医学图像、遥感图像和多聚焦图像处理方面。医学图像的获取可以提供患者疾病部位的有用信息,使得医生可以对患者的疾病进行快速有效的诊断和治疗,但是由于图像采集设备的限制和拍摄过程中受外界因素（如光照强度、温度等）的干扰,所获取的图像质量通常较低,这严重影响了对图像中重要信息的提取和图像的后续处理。遥感图像作为记录地貌特征的特殊图像,其广泛应用到军事、国防、民生等领域,例如对自然灾害的监控、城市规划与建设和土地利用动态监测等;但由于受大气环境和传感器设备等因素的影响,获取的遥感图像通常会出现清晰度低和亮度不均等缺点。因此对这些获取的低质量的医学图像和遥感图像进行有效的增强处理是非常有必要的,而且增强后的图像更能反映真实的信息。由于光学镜头的景深有限,使得人们在摄影时很难获取一幅全景清晰的图像,又因聚焦点不同,所以多聚焦图像中包含有不同的清晰区域和模糊区域,这将不利于对图像中信息的提取;图像融合技术作为图像增强的一个分支,将其应用到多聚焦图像的处理中,可以使得图像得到有效的增强。针对医学图像、遥感图像和多聚焦图像的特点,探索有效的图像增强算法,以获取视觉效果良好的图像,具有十分重要的意义。本论文主要针对医学图像、遥感图像以及多聚焦图像在获取中出现的模糊和对比度低等问题进行了深入的研究,提出了相应的解决方法,并给出了实验数据和讨论分析以验证所提出方法的有效性和可行性。本论文的主要研究内容和创新性如下:1.基于非下采样剪切波变换和引导滤波的医学图像增强方法。为了解决所获取的医学图像存在清晰度偏低的问题,提出了一种新的医学图像增强模型。首先,将原始图像进行非下采样剪切波变换分解,得到了一个低频子带和多个高频子带,由于图像的低频部分包含了图像的大量背景信息,这些信息将直接影响图像的对比度。引导滤波是一个快速且有效的对比度增强方法,采用该方法对低频部分进行处理,以提高图像的整体对比度;图像的高频部分包含了噪声和细节信息,采用自适应阈值的方法对高频部分进行处理,以降低噪声的干扰,同时使得图像的细节信息得到很好保持。最后利用非下采样剪切波变换的反变换对有效处理后的所有子带进行重构,得到最终的增强图像。实验结果表明,提出的算法在医学图像增强方面有明显的优势,在客观评价指标方面也取得了很好的效果。2.在非下采样剪切波变换域基于梯度引导滤波和模糊对比度的医学图像增强方法。大脑图像作为医学图像的一个重要分支,对于人体脑部组织的分析有非常重要的作用,为了提高大脑图像的清晰度和对比度,以及抑制噪声的干扰,一种基于非下采样剪切波变换的医学图像增强方法被提出。首先,将输入的大脑图像进行非下采样剪切波变换分解,得到低频子带和高频子带;梯度域引导滤波是一个有效的图像增强方法,且计算复杂度较低,将其用来对图像的低频部分进行处理,以改善图像的对比度;改进的模糊对比度方法用来对图像的高频部分进行有效的处理,以降低噪声的干扰。最后采用非下采样剪切波变换的反变换进行重构得到最终的增强图像。实验结果表明,该算法在大脑图像的细节保持和对比度增加方面具有很好的效果,且在客观评价指标数据方面具有一定的优势。3.基于非下采样剪切波变换和局部拉普拉斯滤波的遥感图像增强算法。由于获取的遥感图像存在视觉对比度和空间分辨率不能完全满足应用需求的缺点,对遥感图像进行分析和解译之前进行有效的增强处理是有必要的,因此提出了一种新的遥感图像增强方法。首先,将初始的低质量遥感图像进行NSST分解,分别得到低频部分和高频部分;然后将初始图像的低频部分进行局部拉普拉斯滤波算法处理,以提高图像的对比度并抑制低频中少量的噪声,将改进后的阈值算法应用到高频部分,以消除噪声的干扰;最后采用非下采样剪切波变换的逆变换对所有的子带进行重构,得到增强后的遥感图像。实验结果表明,与一些最新提出的图像增强算法相比较,该方法在遥感图像增强的主观和客观评价方面都具有明显的优势。4.基于非下采样剪切波变换和SF-PAPCNN的多聚焦图像融合与增强算法。针对图像融合方法中出现的模糊、伪影等问题,提出了一种基于非下采样剪切波变换的图像融合模型。首先将两个多源图像进行非下采样剪切波变换分解,分别得到相应的低频部分和高频部分;然后对于低频部分采用SF-PAPCNN模型进行融合,高频部分采用ISML模型进行融合;最后采用非下采样剪切波变换的逆变换对融合后的低频和高频部分进行重构,得到最终的融合图像。实验结果表明,相比于经典的和最新提出的融合方法,该算法在多聚焦图像融合中可以获得更清晰的融合图像和更多的图像细节信息。
姜嘉璇[8]（2019）在《全息穿透成像雷达图像与X射线背散射图像融合增强》文中研究指明在军事、安全、考古、市政建设等方面对浅层不可见目标的无损检测存在迫切需求。考虑到需要穿透的介质与目标材料种类丰富,采用全息穿透成像雷达与X射线背散射图像对同一浅层不可见目标进行探测成像。由于微波全息穿透成像雷达与X射线背散射成像技术原理存在差异,应用场景互补性强,利用图像融合技术可以综合两类图像特点,提升探测性能,更好的获取不可见目标信息。本文主要研究适于全息穿透成像雷达图像与X射线背散射图像的融合增强方法。首先,从微波全息穿透成像雷达与X射线背散射成像技术原理出发,深入研究两类图像中各自的有效信息、干扰噪声来源和种类,提出图像可融合性算法和融合算法需要满足的要求。其次,提出基于目标区域检测结果重合度的图像可融合性评估方法,基于图像中目标模糊程度与干扰程度来判定图像是否具有可融合性。分别采用基于Canny算子的边缘检测方法和基于主成分分析和连通域标定的方法进行X射线背散射图像与全息穿透成像雷达图像中的目标区域检测。对塑料板、实木板、密度板等介质条件下七个目标的十三组有效实验数据进行可融合性分析,实验结果表明本文算法评价结果与参考结果具有一致性。第三,提出基于剪切波变换的目标与背景区域的全息穿透成像雷达与X射线背散射图像融合算法。为避免源图像中背景区域的干扰,将图像划分成目标与背景区域,针对各自区域特点选取融合规则。采用改进的相关系数、平均梯度等指标,来评价融合图像中目标可读性、边缘轮廓完整性、目标图像幅度特征保留程度与引入的虚假信息大小。本文提出的图像可融合性分析方法与基于目标区域的融合增强方法,对于不同质量的图像选用不同的增强方法,能提高图像增强效果,突出目标信息,减少背景噪声干扰。采用线目标与面目标的实测图像进行融合增强,并与其他几种常用的基于空间域和变换域的融合算法进行了对比,分析表明本文的融合算法可以有效地提高目标轮廓完整度,更好的保留目标图像幅度特征,产生更少的人造纹理。同时,算法中基于目标区域的融合规则可更有效地去除背景干扰,便于后续的目标检测与识别。
刘娟花[9]（2019）在《多尺度数据融合算法及其应用研究》文中提出分别在多个尺度上对多个传感器的信息进行融合,不仅可获得比单个传感器更优的性能,而且与单尺度上的融合相比,多尺度数据融合能更好地刻画出目标的本质特性。MEMS陀螺是一种可以测量角速度的传感器,具有很多吸引人的优点。但噪声大,准确度不高也是不争的事实。于是如何去除MEMS陀螺仪中的噪声,并提高其精度就成为近年来的研究热点。对多MEMS陀螺应用多尺度数据融合算法,可以显着提高系统的精度及可靠性。本文证明了前人提出的多尺度数据融合算法的有效性,设计了 一种新的多尺度融合算法,讨论了多尺度数据融合中的重要技术问题,并通过对多个MEMS陀螺的融合应用,经仿真和硬件实验验证了本文多尺度融合算法的优越性。主要创新点和工作如下:1.从小波分析理论出发,证明了平稳和非平稳情况下的数据融合定理。从数学上解释了多尺度数据融合算法优于经典加权算法的原理,为该算法的推广应用奠定了数学基础。2.结合小波域多尺度数据融合算法的原理、具体步骤及存在问题等,设计了基于小波包的多尺度数据融合算法,并用实测数据通过仿真实验,比较了小波多尺度数据融合和小波包多尺度数据融合。3.分析了多MEMS陀螺数据融合中的小波基、分解层数、加权因子等的选择方法,通过仿真实验验证了其可行性。4.比较了基于时间序列分析、基于小波去噪和基于小波变换的多尺度融合这三种融合方法不同方面的性能。另外,还比较了多尺度融合和前向线性预测（Forward Linear Prediction,FLP）融合方法,结果均表明本文所提出的多尺度融合方法的独特性和有效性。将上述研究成果应用于我们设计并制作的一套多MEMS陀螺仪数据融合实时处理系统平台中,对4个MEMS陀螺仪所采集的原始数据进行实时处理。分别在静态和动态环境下对该集成系统进行了测试,实验结果表明:该系统运行稳定可靠,将MEMS陀螺的精度提高了 1个量级。本文的研究工作不仅为有关多尺度融合系统的分析奠定了理论基础,还为算法的推广应用提供了实验依据。
张珂[10]（2019）在《基于显着特征的SAR与可见光图像融合算法研究》文中研究表明图像融合在数字图像处理领域有非常重要的地位,它的研究背景十分广阔。图像融合处理能将两幅或者多幅源图像按照所需的要求,根据一定规则提取各自的特点,所获得的融合图像结果有待融合图像中各自的优点和互补信息,其相比于任意单一待融合图像具有描述更加精确、丰富与可靠的优点,从另一方面考虑这也弥补了每类传感器自身的局限性。本文研究的SAR与可见光图像融合主要是为了提取SAR图像和可见光图像中可互相补充的特征信息,并将它们通过一定的规则融合到一幅特征兼具的融合图像中。比较一些传统的融合算法,它们会存在一些光谱与细节的矛盾问题,同时还会受到图像噪声的影响以及细节大量丢失的问题。本文的主要研究工作和研究领域包含如下一些方面:学习与分析关于图像融合的国内外进展以及工作意义;从物理特性上、成像机理和应用方面具体分析和比较SAR图像和可见光图像;列举和研究关于图像融合的传统算法,根据SAR图像的纹理特性与彩色可见光图像的光谱特性,参考小波变换的优点,从多分辨率角度研究和改进了传统能量取大的融合算法,提出了目标提取与噪声去除的方法;通过分析和仿真研究,提出了基于显着特征区域的融合算法,根据图像的特征信息将SAR图像的空间区域划分为明亮目标区域、灰暗目标区域和无目标区域,对于不同的特征区域,采用目标保持、噪声减弱和光谱保持的不同策略。有目标的区域（明亮目标与灰暗目标区域）采用的是保留细节特征信息策略,无目标的区域采用的保留融合,削弱噪声强度值,同时保留无目标区域的背景色,以保证灰暗目标不丢失。为了图像融合的实际效果,本文采用客观公正的评价指标对融合结果进行评估。然而传统的结构相似性（SSIM）指标是基于图像灰度的评价指标,它在有噪声图像的融合中不能反映图像融合的优劣。为了解决这个问题,本文提出了结构保持性（FSIM）,区别于SSIM,FSIM抛开基于灰度像素信息的统计,在边缘结构和方向梯度信息上研究,进而忽略了噪声对目标信息的影响,对融合结果的图像中保留细节边缘、去除噪声的算法有良好的评估效果。本文采用光谱扭曲度（D）、结构保持性（FSIM）作为SAR图像与彩色可见光图像融合在光谱保持和结构保持方面的主要评价指标,采用互信息（MI）作为融合评价的辅助参考指标。从仿真结果可以得出,从主观上分析,融合图像颜色信息保持优异,细节信息平滑融入,从客观上分析,各种评价参数均处于较优水平,这对进一步的图像处理（图像分割、图像特征提取、目标识别等）具有很大的帮助。综合对比具有代表性的小波替换融合、IHS-DWT融合算法和小波分区域算法,本文提出的方法在主观视觉表述上和客观评价参数上均发挥出明显的优势。
二、小波变换在多雷达数据融合中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小波变换在多雷达数据融合中的应用（论文提纲范文）
（1）可见光图像与激光雷达三维信息融合方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 可见光图像与激光雷达三维信息融合方法发展现状 |
| 1.2.2 基于多分辨图像融合算法研究现状 |
| 1.3 本文的主要内容及章节安排 |
| 2 融合方案与多分辨融合算法原理 |
| 2.1 可见光图像与激光雷达三维信息融合系统 |
| 2.2 多分辨率图像融合基础理论 |
| 2.2.1 多分辨图像分解规则 |
| 2.2.2 分辨图像融合规则 |
| 2.3 图像融合的评价方法 |
| 2.4 本章小结 |
| 3 多分辨融合规则改进 |
| 3.1 激光雷达图像去噪 |
| 3.1.1 点云噪声来源及分类 |
| 3.1.2 基于不规则三角的邻域分割 |
| 3.1.3 基于离散曲率估计的点云去噪 |
| 3.1.4 去噪结果分析 |
| 3.2 可见光图像与激光雷达强度像的配准 |
| 3.3 强度像与距离像融合 |
| 3.3.1 常用融合规则下多分辨率融合算法融合结果分析 |
| 3.3.2 多分辨融合规则的改进 |
| 3.3.3 改变融合规则后的融合结果 |
| 3.4 可见光图像与激光雷达图像的信息融合 |
| 3.5 本章小结 |
| 4 融合实验与结果分析 |
| 4.1 实验平台 |
| 4.2 实验步骤 |
| 4.3 实验结果分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（2）基于特征的光学和SAR影像配准与融合方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于特征的影像配准现状 |
| 1.2.2 像素级异源影像融合现状 |
| 1.3 论文主要内容 |
| 1.4 论文的结构安排 |
| 第二章 异源影像配准及融合相关技术原理 |
| 2.1 基于灰度和基于特征图像配准算法 |
| 2.1.1 光学和SAR影像配准典型方法 |
| 2.1.1.1 基于灰度信息的配准方法 |
| 2.1.1.2 基于特征信息的配准方法 |
| 2.1.2 空间几何变换模型 |
| 2.2 光学和SAR影像传统融合算法 |
| 2.2.1 融合层级划分 |
| 2.2.2 基于主成分替代法 |
| 2.2.3 基于多尺度分析法 |
| 2.3 本章小结 |
| 第三章 基于各向异性扩散和相位一致性结构的配准算法 |
| 3.1 遥感数据预处理 |
| 3.1.1 影像辐射校正 |
| 3.1.1.1 光学影像辐射校正 |
| 3.1.1.2 SAR影像辐射定标 |
| 3.1.2 SAR影像斑点噪声抑制 |
| 3.2 基于各向异性扩散尺度空间的特征点提取 |
| 3.2.1 各向异性扩散尺度空间构建 |
| 3.2.2 Harris角点提取 |
| 3.3 几何结构特征向量构建 |
| 3.3.1 相位一致性边缘提取 |
| 3.3.2 基于相位一致性的最大值索引构建 |
| 3.3.3 基于相位一致性的方向构建 |
| 3.4 基于RANSAC的误匹配剔除 |
| 3.5 实验结果及分析 |
| 3.5.1 本文配准算法流程 |
| 3.5.2 配准结果验证分析 |
| 3.6 本章小结 |
| 第四章 基于NSST变换的分区域融合算法 |
| 4.1 非下采样剪切波分解 |
| 4.1.1 NSST变换 |
| 4.1.2 基于最近映射的直方图匹配 |
| 4.2 基于分区域的融合算法 |
| 4.2.1 基于能量的低频融合规则 |
| 4.2.2 基于绝对最大值的高频融合规则 |
| 4.2.3 SAR目标区域的分块融合算法 |
| 4.3 实验结果与分析 |
| 4.3.1 本文融合算法流程 |
| 4.3.2 融合质量评价 |
| 4.3.2.1 主观评价方法 |
| 4.3.2.2 客观评价方法 |
| 4.3.3 融合结果验证分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（3）全极化探地雷达数据融合分析研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 全极化探地雷达的研究现状 |
| 1.2.1 探地雷达原理 |
| 1.2.2 探地雷达进展 |
| 1.2.3 全极化探地雷达原理 |
| 1.2.4 全极化探地雷达进展 |
| 1.3 数据融合的研究现状 |
| 1.3.1 数据融合的研究现状 |
| 1.3.2 主成分分析的研究现状 |
| 1.3.3 拉普拉斯金字塔的研究进展 |
| 1.3.4 小波变换的研究进展 |
| 1.4 研究内容和创新点 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文创新点 |
| 第2章 全极化探地雷达采集系统 |
| 2.1 实验室全极化探地雷达采集系统 |
| 2.2 户外全极化探地雷达采集系统 |
| 2.3 本章小结 |
| 第3 章 全极化探地雷达数据融合理论 |
| 3.1 全极化探地雷达数据融合理论 |
| 3.2 主成分分析 |
| 3.2.1 主成分分析的几何意义 |
| 3.2.2 主成分分析的数学理论 |
| 3.2.3 全极化探地雷达主成分分析融合 |
| 3.3 拉普拉斯金字塔 |
| 3.4 多尺度小波变换 |
| 3.4.1 小波变换的理论 |
| 3.4.2 多分辨率分析 |
| 3.4.3 全极化探地雷达小波变换数据融合 |
| 3.5 本章小结 |
| 第4章 实验与分析 |
| 4.1 室内实验与分析 |
| 4.1.1 数据采集 |
| 4.1.2 探地雷达数据处理 |
| 4.1.3 数据融合与判别标准 |
| 4.1.4 融合结果与分析 |
| 4.2 室外实验与分析 |
| 4.2.1 数据采集与处理 |
| 4.2.2 数据融合与分析 |
| 4.3 本章小结 |
| 第5章 结论与展望 |
| 5.1 主要工作总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（4）基于改进的自适应稀疏表示多模态医学图像融合（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 医学图像融合研究背景与意义 |
| 1.2 医学图像融合国内外研究现状 |
| 1.3 本文主要工作与章节安排 |
| 1.4 本章小结 |
| 第二章 图像融合评价指标 |
| 2.1 主观评价 |
| 2.2 客观评价 |
| 2.2.1 无参考客观指标 |
| 2.2.2 全参考客观指标 |
| 2.3 客观评价指标分析 |
| 2.4 本章小结 |
| 第三章 多模态图像融合 |
| 3.1 图像的多尺度变换 |
| 3.1.1 拉普拉斯金字塔变换法 |
| 3.1.2 小波变换法 |
| 3.2 稀疏表示 |
| 3.3 其他图像融合算法 |
| 3.4 融合规则 |
| 3.4.1 数学统计法 |
| 3.4.2 模糊逻辑法 |
| 3.4.3 人类视觉系统法 |
| 3.5 多种融合算法实验仿真和评价 |
| 3.6 本章小结 |
| 第四章 基于引导滤波与自适应稀疏表示的多模态医学图像融合 |
| 4.1 自适应稀疏表示模型 |
| 4.2 引导滤波模型 |
| 4.3 算法描述 |
| 4.3.1 图像分解 |
| 4.3.2 融合规则 |
| 4.3.3 图像重构 |
| 4.4 算法仿真和评价 |
| 4.4.1 仿真结果对比 |
| 4.4.2 客观指标对比 |
| 4.5 本章小结 |
| 第五章 基于拉普拉斯金字塔法和自适应稀疏表示的多模态医学图像融合 |
| 5.1 算法描述 |
| 5.1.1 图像分解 |
| 5.1.2 自适应稀疏表示融合 |
| 5.1.3 图像重构 |
| 5.2 算法仿真和评价 |
| 5.2.1 仿真结果对比 |
| 5.2.2 客观指标对比 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（5）SAR与可见光图像配准及融合方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状与应用 |
| 1.2.1 研究现状 |
| 1.2.2 工程应用 |
| 1.3 论文主要内容及结构安排 |
| 第二章 图像配准与融合的理论基础 |
| 2.1 图像配准理论 |
| 2.1.1 空间变换模型 |
| 2.1.2 配准方法及分类 |
| 2.2 图像融合理论 |
| 2.2.1 融合层次划分 |
| 2.2.2 融合方法及分类 |
| 2.2.3 融合质量指标 |
| 2.3 SAR与可见光图像特性分析 |
| 2.4 本章小结 |
| 第三章 边缘特征变换的图像配准方法 |
| 3.1 方法提出与分析 |
| 3.2 稳定特征获取 |
| 3.2.1 提取边缘 |
| 3.2.2 图像分割 |
| 3.3 边缘特征变换的图像配准 |
| 3.3.1 相位相关 |
| 3.3.2 对数极坐标理论 |
| 3.3.3 Fourier-Mellin算法 |
| 3.3.4 算法改进 |
| 3.4 配准步骤 |
| 3.5 实验结果及分析 |
| 3.6 本章小结 |
| 第四章 区域引导的图像融合方法 |
| 4.1 区域引导的图像融合 |
| 4.1.1 多尺度分析理论 |
| 4.1.2 区域引导融合规则 |
| 4.2 融合步骤 |
| 4.3 实验结果及分析 |
| 4.3.1 融合算法实验仿真 |
| 4.3.2 融合质量评估 |
| 4.4 本章小结 |
| 第五章 工作总结及展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（6）基于机器学习的合成孔径雷达遮挡目标识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 合成孔径雷达目标识别研究现状 |
| 1.2.1 特征提取方法 |
| 1.2.2 分类器模型 |
| 1.3 稀疏表示模型 |
| 1.3.1 稀疏表示模型主要应用 |
| 1.3.2 稀疏表示识别合成孔径雷达目标现状 |
| 1.4 卷积神经网络 |
| 1.4.1 卷积神经网络主要应用 |
| 1.4.2 基于卷积神经网络的合成孔径雷达目标识别 |
| 1.5 合成孔径雷达遮挡目标研究现状 |
| 1.6 论文主要工作和内容安排 |
| 1.6.1 论文主要工作 |
| 1.6.2 论文内容安排 |
| 第二章 稀疏表示模型及其目标识别扩展模型 |
| 2.1 引言 |
| 2.2 稀疏表示模型及其目标识别原理 |
| 2.2.1 稀疏表示模型 |
| 2.2.2 基于稀疏表示模型的SAR目标识别方法 |
| 2.3 合成孔径雷达目标识别数据集 |
| 2.3.1 十类目标标准操作环境实验 |
| 2.3.2 训练样本不充分情况下实验 |
| 2.3.3 噪声污染情况下实验 |
| 2.3.4 目标型号不同情况下实验 |
| 2.3.5 俯仰角不同情况下实验 |
| 2.4 基于稀疏重构误差水平的多层稀疏表示SAR目标识别 |
| 2.4.1 基于稀疏重构误差水平的多层稀疏表示模型 |
| 2.4.2 实验及讨论 |
| 2.4.3 避免门限选择的折中方法 |
| 2.4.4 算法小结 |
| 2.5 基于多视图张量稀疏表示模型的SAR目标识别方法 |
| 2.5.1 本节涉及的符号定义 |
| 2.5.2 张量稀疏表示模型 |
| 2.5.3 多视图张量稀疏表示模型 |
| 2.5.4 基于多视图张量稀疏表示模型的识别方法 |
| 2.5.5 实验及讨论 |
| 2.5.6 算法小结 |
| 2.6 本章小结 |
| 第三章 基于改进稀疏表示的遮挡目标识别方法 |
| 3.1 引言 |
| 3.2 基于子图像稀疏模型的自适应加权SAR遮挡目标识别方法 |
| 3.2.1 基于子图像稀疏模型的自适应加权模型 |
| 3.2.2 基于加权测试样本和加权字典的SAR遮挡目标识别 |
| 3.2.3 实验及讨论 |
| 3.2.4 算法小结 |
| 3.3 基于加权图像融合的SAR遮挡目标识别 |
| 3.3.1 融合模型基本原理 |
| 3.3.2 加权图像融合模型 |
| 3.3.3 实验及讨论 |
| 3.3.4 算法小结 |
| 3.4 基于随机擦除图像融合的遮挡目标识别方法 |
| 3.4.1 基于随机擦除图像的稀疏表示融合模型 |
| 3.4.2 实验及讨论 |
| 3.4.3 算法小结 |
| 3.5 小波变换域中SAR遮挡目标识别方法 |
| 3.5.1 小波变换模型 |
| 3.5.2 小波变换域SAR遮挡目标识别实验 |
| 3.6 本章小结 |
| 第四章 基于卷积神经网络的SAR遮挡目标识别 |
| 4.1 引言 |
| 4.2 卷积神经网络理论及模型 |
| 4.2.1 卷积神经网络发展历程 |
| 4.2.2 卷积神经网络基本构成 |
| 4.3 模块化的SAR目标识别卷积神经网络构造方法 |
| 4.3.1 典型卷积神经网络结构及特征 |
| 4.3.2 模块设计及网络构建 |
| 4.3.3 实验验证 |
| 4.3.4 算法小结 |
| 4.4 基于数据增强的SAR遮挡目标识别方法 |
| 4.4.1 数据增强模型 |
| 4.4.2 实验及讨论 |
| 4.4.3 算法小结 |
| 4.5 稀疏表示和卷积神经网络识别遮挡目标性能对比 |
| 4.6 本章小结 |
| 第五章 结论及展望 |
| 5.1 论文内容总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 作者在学期间申请的发明专利 |
（7）基于非下采样剪切波变换的图像增强算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 国内外图像增强算法的研究现状 |
| 1.2.1 基于空间域的图像增强算法 |
| 1.2.2 基于变换域的图像增强算法 |
| 1.2.3 基于深度学习的图像增强算法 |
| 1.2.4 基于融合模型的图像增强算法 |
| 1.3 本文的研究背景 |
| 1.4 论文的结构以及研究内容 |
| 1.5 本章小结 |
| 第2章 非下采样变换的基本理论 |
| 2.1 轮廓波变换 |
| 2.1.1 LP变换 |
| 2.1.2 方向滤波器组 |
| 2.2 非下采样轮廓波变换 |
| 2.2.1 非下采样金字塔分解 |
| 2.2.2 非下采样方向滤波器组分解 |
| 2.3 剪切波变换 |
| 2.4 离散剪切波变换 |
| 2.4.1 频域实现 |
| 2.4.2 时域实现 |
| 2.5 非下采样剪切波变换 |
| 2.6 本章小结 |
| 第3章 在NSST域基于引导滤波的医学图像增强 |
| 3.1 引言 |
| 3.2 引导滤波 |
| 3.3 本章的NSST-GF模型 |
| 3.3.1 低频部分进行引导滤波 |
| 3.3.2 高频部分进行阈值去噪 |
| 3.3.3 算法的实施步骤 |
| 3.4 实验结果和分析 |
| 3.4.1 主观分析 |
| 3.4.2 客观分析 |
| 3.5 本章小结 |
| 第4章 在NSST域基于GDGF和模糊对比度的医学图像增强 |
| 4.1 引言 |
| 4.2 梯度域引导滤波 |
| 4.3 本章的NSST-GDGF算法 |
| 4.3.1 基于梯度引导滤波的低频部分处理 |
| 4.3.2 基于模糊对比度的高频部分处理 |
| 4.3.3 本章算法实施步骤 |
| 4.4 实验结果和分析 |
| 4.4.1 视觉效果比较 |
| 4.4.2 客观指标评价 |
| 4.5 本章小结 |
| 第5章 基于NSST和局部拉普拉斯滤波的遥感图像增强 |
| 5.1 引言 |
| 5.2 局部拉普拉斯滤波 |
| 5.3 本章NSST-FLLF算法 |
| 5.3.1 低频部分处理 |
| 5.3.2 高频部分处理 |
| 5.3.3 算法的实施步骤 |
| 5.4 实验结果和分析 |
| 5.5 本章小结 |
| 第6章 在NSST域基于SF-PAPCNN的多聚焦图像融合与增强 |
| 6.1 引言 |
| 6.2 参数自适应PCNN模型 |
| 6.3 本章提出的算法实施步骤 |
| 6.4 实验结果对比和分析 |
| 6.4.1 实验设置 |
| 6.4.2 对灰度多聚焦图像仿真实验 |
| 6.4.3 对彩色多聚焦图像仿真实验 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 作者简介及在学期间的科研成果和项目经历 |
| 致谢 |
（8）全息穿透成像雷达图像与X射线背散射图像融合增强（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 多源图像融合方法进展 |
| 1.2.2 图像质量分析方法进展 |
| 1.3 论文的主要工作与创新点 |
| 第二章 图像增强处理基本原理 |
| 2.1 引言 |
| 2.2 图像可融合性判定方法 |
| 2.2.1 图像干扰客观评价方法 |
| 2.2.2 适用性分析 |
| 2.3 多分辨率分析基本原理 |
| 2.3.1 多分辨率分析的基本原理与框架 |
| 2.3.2 剪切波变换原理 |
| 2.4 融合效果评价方法 |
| 2.4.1 融合效果客观评价方法 |
| 2.4.2 适用性分析 |
| 2.5 本章小结 |
| 第三章 图像可融合性评估方法 |
| 3.1 引言 |
| 3.2 两类图像特征分析 |
| 3.3 基于目标区域检测结果的可融合性判断方法 |
| 3.3.1 雷达图像与X射线图像目标区域选取方法 |
| 3.3.2 可融合性判断方法 |
| 3.3.3 算法可靠性分析 |
| 3.4 可融合性分析实验 |
| 3.4.1 实验参考评价结果 |
| 3.4.2 实验方法判定结果 |
| 3.5 本章小结 |
| 第四章 基于剪切波变换的目标区域融合增强方法 |
| 4.1 引言 |
| 4.2 图像预处理 |
| 4.3 基于剪切波变换的融合方法 |
| 4.3.1 图像剪切波变换 |
| 4.3.2 基于不同区域的融合规则 |
| 4.3.3 融合算法流程 |
| 4.4 融合图像质量评价指标 |
| 4.5 雷达图像与X射线背散射图像融合实验 |
| 4.5.1 融合方法对比试验 |
| 4.5.2 不同融合规则对比试验 |
| 4.6 本章小结 |
| 第五章 结束语 |
| 5.1 论文的主要工作及创新点 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）多尺度数据融合算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 多传感器信息融合概述 |
| 1.2.1 信息融合的概念和优点 |
| 1.2.2 信息融合的模型 |
| 1.2.3 信息融合的方法 |
| 1.2.4 信息融合技术的研究现状 |
| 1.3 多尺度数据融合有关技术及进展 |
| 1.3.1 多尺度系统估计理论研究概况 |
| 1.3.2 多尺度数据融合的应用及研究现状 |
| 1.3.3 多尺度数据融合概念的演变 |
| 1.4 MEMS陀螺仪中漂移信号处理方法研究现状 |
| 1.5 陀螺仪中的多尺度数据融合及需要解决的问题 |
| 1.6 本文的主要研究内容及结构安排 |
| 2 多尺度数据融合算法及其有效性的证明 |
| 2.1 引言 |
| 2.2 小波分解原子时算法 |
| 2.2.1 常见时间尺度 |
| 2.2.2 原子时算法 |
| 2.2.3 小波分解原子时算法的提出 |
| 2.2.4 小波分解原子时算法有待解决的问题 |
| 2.2.5 小波分解原子时算法的基本原理 |
| 2.3 预备知识 |
| 2.3.1 原子钟的噪声特性 |
| 2.3.2 相关说明 |
| 2.4 随机信号数据融合的理论体系 |
| 2.4.1 平稳单尺度数据融合 |
| 2.4.2 平稳多尺度数据融合 |
| 2.4.3 非平稳单尺度数据融合 |
| 2.4.4 非平稳多尺度数据融合 |
| 2.5 非平稳多尺度数据融合定理的证明 |
| 2.6 分析与讨论 |
| 2.7 本章小结 |
| 3 多尺度数据融合算法的小波包实现 |
| 3.1 引言 |
| 3.2 小波变换和小波包变换 |
| 3.3 小波包的基本理论 |
| 3.3.1 正交小波包的定义与性质 |
| 3.3.2 小波包的子空间分解 |
| 3.3.3 小波库及小波包基的定义 |
| 3.3.4 小波包的分解与重构算法 |
| 3.3.5 最优小波包基的概念 |
| 3.3.6 最优基的快速搜索 |
| 3.4 基于小波包的多尺度数据融合方案 |
| 3.4.1 基于小波变换的多尺度数据融合算法 |
| 3.4.2 基于小波包的多尺度数据融合方案 |
| 3.5 基于小波包的多尺度陀螺融合实验研究 |
| 3.5.1 MEMS陀螺概述 |
| 3.5.2 MEMS陀螺随机误差分析 |
| 3.5.3 MEMS陀螺随机误差的Allan方差分析 |
| 3.5.4 MEMS陀螺漂移的数学模型 |
| 3.5.5 MEMS陀螺信号实时小波处理方法 |
| 3.5.6 基于小波包的多尺度陀螺融合算法仿真实验 |
| 3.6 本章小结 |
| 4 小波多尺度数据融合中关键技术 |
| 4.1 MEMS陀螺噪声特性与小波熵 |
| 4.1.1 MEMS陀螺误差及噪声特性 |
| 4.1.2 小波熵 |
| 4.2 常见的小波簇 |
| 4.2.1 小波基的性质 |
| 4.2.2 常用小波基 |
| 4.3 基于小波变换的数据融合中小波基的选取 |
| 4.3.1 小波基选取原则 |
| 4.3.2 小波基的比较 |
| 4.3.3 小波簇的选取 |
| 4.3.4 陀螺数据融合效果评价 |
| 4.3.5 最佳小波基选取实验 |
| 4.4 小波分解层数的设定 |
| 4.5 数据融合加权因子的选择 |
| 4.6 本章小结 |
| 5 多尺度融合与其它MEMS陀螺信号处理方法的比较 |
| 5.1 MEMS陀螺仪噪声抑制方法研究概述 |
| 5.1.1 MEMS陀螺仪噪声抑制方法研究现状 |
| 5.1.2 卡尔曼滤波和小波阈值去噪法的缺点 |
| 5.1.3 多尺度数据融合算法的优点 |
| 5.2 MEMS陀螺数据处理中的多传感器数据融合 |
| 5.2.1 多尺度融合 |
| 5.2.2 卡尔曼滤波融合 |
| 5.2.3 小波阈值融合 |
| 5.3 基于仿真信号对三种融合方法的比较 |
| 5.3.1 仿真信号的产生 |
| 5.3.2 第一组仿真实验(Chirp信号+高斯白噪声) |
| 5.3.3 第二组仿真实验(Chirp信号+有色噪声) |
| 5.4 基于实测信号对三种融合方法的比较 |
| 5.5 三种融合方法比较的结论 |
| 5.6 多尺度数据融合与FLP(前向线性预测)方法的比较 |
| 5.6.1 FLP算法 |
| 5.6.2 基于FLP滤波的多传感器融合方法 |
| 5.6.3 FLP滤波融合结果和分析 |
| 5.7 本章小结 |
| 6 多尺度数据融合系统设计与验证 |
| 6.1 系统的总体设计方案 |
| 6.1.1 系统需求分析 |
| 6.1.2 系统整体框图 |
| 6.1.3 系统中的主要器件选型 |
| 6.2 硬件电路设计 |
| 6.2.1 陀螺仪模块 |
| 6.2.2 协处理器模块 |
| 6.2.3 主处理器模块 |
| 6.2.4 系统实物图 |
| 6.3 系统软件设计 |
| 6.3.1 接口部分 |
| 6.3.2 融合处理部分 |
| 6.4 实验研究 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 本文的主要研究成果 |
| 7.2 创新研究 |
| 7.3 进一步研究工作 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表和收录的论文 |
| 攻读博士学位期间获奖 |
| 攻读博士学位期间参加的科研项目 |
（10）基于显着特征的SAR与可见光图像融合算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 国内外研究进展 |
| 1.3 本文工作 |
| 1.4 内容安排 |
| 第二章 SAR图像与可见光图像融合的基础理论 |
| 2.1 SAR图像和可见光的成像原理与图像特性 |
| 2.1.1 SAR的成像原理与图像特性 |
| 2.1.2 可见光传感器成像原理和图像特性 |
| 2.1.3 SAR图像与可见光图像信息互补性 |
| 2.2 SAR图像和可见光图像融合的基本理论 |
| 2.3 SAR图像和可见光图像融合的原理与一般方法 |
| 2.3.1 金字塔变换的原理与应用 |
| 2.3.2 基于小波变换的图像融合算法 |
| 2.4 本章小结 |
| 第三章 基于显着目标指导的SAR与可见光图像的融合方法 |
| 3.1 基于目标特征的显着性理论 |
| 3.2 离散分解基本理论 |
| 3.2.1 离散小波变换理论 |
| 3.2.2 基于小波的多分辨分析 |
| 3.2.3 平稳小波算法研究(SWT) |
| 3.3 基于显着目标的小波邻域能量取大融合方法 |
| 3.3.1 邻域能量的计算 |
| 3.3.2 图像的显着目标分析与融合规则 |
| 3.4 SAR与可见光融合效果评价指标的研究 |
| 3.4.1 图像融合的一般评价指标 |
| 3.4.2 基于结构保持性的指标研究 |
| 3.5 仿真与分析 |
| 3.5.1 实验仿真结果 |
| 3.5.2 实验结果分析 |
| 3.6 本章小结 |
| 第四章 基于显着性目标区域的SAR图像与彩色可见光图像融合方法 |
| 4.1 彩色模型的研究 |
| 4.2 基于区域特征的显着性理论 |
| 4.3 显着区域函数的建立 |
| 4.4 融合规则 |
| 4.5 仿真与分析 |
| 4.5.1 实验仿真结果 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 第五章 结束语 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、小波变换在多雷达数据融合中的应用（论文参考文献）
- [1]可见光图像与激光雷达三维信息融合方法研究[D]. 陈轩. 西安工业大学, 2021(02)
- [2]基于特征的光学和SAR影像配准与融合方法研究[D]. 潘益群. 电子科技大学, 2021(01)
- [3]全极化探地雷达数据融合分析研究[D]. 薛策文. 吉林大学, 2021(01)
- [4]基于改进的自适应稀疏表示多模态医学图像融合[D]. 崔子婧. 兰州大学, 2021(09)
- [5]SAR与可见光图像配准及融合方法研究[D]. 郑莉. 电子科技大学, 2020(07)
- [6]基于机器学习的合成孔径雷达遮挡目标识别方法研究[D]. 贺志强. 国防科技大学, 2020(01)
- [7]基于非下采样剪切波变换的图像增强算法研究[D]. 李亮亮. 吉林大学, 2019(02)
- [8]全息穿透成像雷达图像与X射线背散射图像融合增强[D]. 姜嘉璇. 国防科技大学, 2019(02)
- [9]多尺度数据融合算法及其应用研究[D]. 刘娟花. 西安理工大学, 2019
- [10]基于显着特征的SAR与可见光图像融合算法研究[D]. 张珂. 西安电子科技大学, 2019(02)