影像融合方法

图像融合根据融合处理所处的阶段不同，通常在三个不同层次上进行，即像素级融合、特征级融合和决策级融合，这三个层次上所采用的融合算法各不相同，因此，图像融合通常按照这三个层次相应地划分为三类，其主要应用方向如图所示。

从数据处理代价和获得融合性能角度分析，这三个层次的融合各有优缺点。

(1)像素级融合是最重要、最根本的图像融合方法，虽然处理开销大，实时性差，但是其精度高，融合结果直观，也利于进一步进行图像分析和理解；

(2)特征级图像融合可分为目标状态信息融合和目标特征融合。特征级目标状态信息融合主要应用于多传感器目标跟踪领域，其融合处理主要实现参数相关和状态矢量估计。特征级目标特征融合就是特征层的联合目标识别，其融合方法中仍然要用到模式识别的相关技术，只是在融合处理前必须对特征进行相关处理，对特征矢量进行分类和综合。更为重要的是，在模式识别、图像处理和计算机视觉等领域，人们已经对特征提取和基于特征的聚类问题进行了深入的研究，有许多方法可以借鉴。在融合过程中，常用到模糊方法、神经网络技术、聚类方法以及 Kalman 滤波器等。

目前存在的特征级融合算法大体上可以分为如下三类： 一种是简单的特征组合，即将所有的特征向量，按照串行、并行的方法组合在一起，构成新的特征向量，也可以称作经典的特征融合算法，如串行和并行融合算法、基于协方差矩阵的方法和基于多特征直方图的方法； 第二种是特征选择，即采用最优计算或智能计算