基于图像的道路分割技术算法研究(2)
3.4.2 KL 变换融合法 17
3.4.3 高通滤波融合法 17
3.4.4 小波变换融合法 17
3.5 图像融合步骤 18
3.5.1 预处理 18
3.5.2 分割目标和特征点的选择 18
3.5.3 利用特征点进行图像配准 18
3.5.4 融合图像创建 18
3.5.5 参数提取 18
4 软件实现与结果 19
4.1 VISUAL C++简介 19
4.2 程序运行结果 19
5 结论 24
致谢 25
参考文献 26
1 绪论
随着科学技术的不断发展创新，拍摄像素的逐渐高清化，对于人工智能识别道路边缘的需求也越来越大。对于现如今车载导航来说，道路的边缘识别尤为重要。那么通过对地面几何信息的提取，再通过计算机算法识别且将分割出道路成为现如今重要的问题。对于现代科学来说，道路已经不仅仅是简单的地理信息了，而且还可以作为参考物为周边的环境特征提线索。道路在影像上虽然呈现的非常清楚，但通过计算机实现识别却十分的困难。这些困难最主要的还是由于计算机人工智能的全自动化还未达到一定的水平，不能完全自动化的提取道路图像的信息。虽然自动化提取特征信息很困难，但是还是阻挡不了人类多未知的好奇心以及对挑战的决心，也有越来越多的道路提取技术相继涌现出来。很多道路提取的技术和理论都可以在国内外找到。而本文也通过对这些知识的拜读和理解将它们整合起来，做一个相对完整的概述。
1.1 研究背景
人工智能(Artificial Intelligence)的核心问题之一便是知识。道路图像的提取在图像智能处理中，某一程度上涉及到知识的运用与表达是不可避免的。由于道路图像自动提取在计算机人工智能实现起来相多的复杂，对于运用的知识也相对的比较特殊，并有自身的特性。知识可以说是人类通过生活学习到的经验并将它们整合成册，制定相关的规则来表述相对的知识体系，并实现整个体系的数据结构能够统一的过程。知识的表示是知识表述的主要选择，这也映射了知识与表达之间的关系。
知识表示的主要方法有两种，分别为符号表征和连接机制。符号表示法中，通常表示的逻辑知识有它们不同的方式和组合。这个规律就是利用人工神经网络在不同的方式和命令连接各种物理对象连接机制，并在传输和处理各种包含特定信息的意义，为了表示相关概念和相关的符号，表示的知识是一种含蓄的表达[1]。迄今，已经提出了许多只是表示的方法：（1）自然语言表示；（2）谓词逻辑表示；（3）语义网络表示；（4）框架表示；（5）产生式系统表示；（6）过程表示；（7）脚本表示；（8）面向对象的知识表示；（9）神经网络表示
在道路图像的自动提取过程中，其中涉及到的知识的运用与知识的表达都有它自身的特殊性。所以这是非常重要的知识表达与特定的道路类型和几种方法的选择结合。道路提取最终的关键在于不断的创新学习，也要适应新技术的发展。如今，大部分的系统都太过依赖于现有的技术，被框架化，太过于局限，应该大胆的创新，而不是仅仅局限于特定的成像条件。应该大胆的迈出第一步，适应不同的图像环境和背景，不断的创新思文，这样在道路图像的提取道路上才能有新的突破。这些也正是目前我们需要解决的一个主要问题之一。