Curvelet基于目标特性的多波段图像融合技术研究(5)
图2.4 三个不同层次上的多波段图像融合示意图
（2）特征级多波段图像融合
特征级多波段图像融合是对源图像进行预处理和特征提取后获得的特征信息(如边缘、形状、轮廓、区域等)进行综合的融合方法。特征级融合是在中间层次上进行的信息融合，它既保留了足够数量的重要信息，又可对信息进行压缩，有利于实时处理。它使用参数模板、统计分析、模式相关等方法完成几何关联、特征提取和目标识别等功能，以利于系统判决。一般从源图像中提取的典型特征信息有:线型、边缘、纹理、光谱、相似亮度区域、相似景深区域等。在特征级图像融合过程中，由于提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息。尽管在模式识别、图像处理和计算机视觉等领域，已经对特征提取和基于特征的图像分类、分割等问题进行了深入的研究，但是这一问题至今仍是困扰计算机视觉研究领域的一个难题，有待于从融合角度进一步研究和提高。
（3）决策级多波段图像融合
决策级多波段图像融合是根据一定的准则以及每个决策的可信度做出最优决策的融合方法。决策级融合是高层次的信息融合，在每个传感器已完成了目标提取与分类之后，融合系统根据一定的准则以及每个决策的可信度做出决策融合处理。此种融合实时性好，并且具有一定的容错能力，但其预处理代价较高，图像中原始信息的损失最多。决策级融合方法主要是基于认知模型的方法，需要大型数据库和专家决策系统进行分析、推理、识别和判决。在实际应用中，要根据具体的需要选择及结合不同层次融合的特点，以获得最优的融合结果。此外，根据融合处理的数据类型和应用场合的不同，图像融合也可以分为以下三类：
1）时间融合：指对同一传感器在不同时间的测量结果进行融合处理。
2）空间融合：指对多个相同(空间位置不同)或不同传感器在同一时刻的测
量结果进行融合处理。
3）时空融合：指对多个相同(空间位置不同)或不同传感器在一段时间内的
测量结果不断地进行融合处理。
表2.1 各层次融合算法性能比较
层次 优点 不足
像素级 1.提供丰富、精确、可靠的细节信息
2.信息丢失少
3.有利于图像的进一步分析、处理与理解（如场景分析/监视、图形分割、特征提取、目标识别、图像恢复等） 1.必须对参加融合的各图像进行精确的配准
2.处理时间长
3.对设备的要求高
特征级 1.保留了足够数量的重要信息
2.可对信息进行压缩，有利于实时处理
3.能够最大限度地给出决策分析所需要的特征信息 容易造成信息的损失
决策级 1.实时性好、灵活性高、通信量小、抗干扰能力强
2.具有一定的容错能力
3.系统对信息传输带宽要求低，能有效地反映环境或目标不同方面的不同类型的信息 1.预处理代价高
2.图像原始信息损失大
2.2.4 多波段图像融合的基本流程
对某个具体的图像融合系统来说，其所接受的信息可以是单一层次上的信息，亦可以是几种层次上的信息。融合的基本策略就是先对同一层次上的信息进行融合，从而获得更高层次的融合后的信息，然后再进行相应层次的融合。因此，图像融合本质上是一个由低层至高层对多源信息整合、逐层抽象的信息处理过程。一个完整的图像融合过程如图2.5所示。