20世紀70年代以來,隨著在軍事、國防、航空和其他高新科技領域的廣泛應用,多傳感器數據融合已經成為一個熱門的前沿研究方向。多傳感器數據融合技術是指在原始信息不確定的情況下,將多個傳感器在不同時間內測量的數據進行聯合、關聯、組合,從而獲得更加全面、可靠的數據信息。其主要特點是融合不同來源的互補信息,提高融合性能,因此在圖像去噪中有著重要的作用。隨著人工神經網絡的發(fā)展,神經網絡在并行計算以及大規(guī)模數據處理方面表現出了極大的優(yōu)越性,多傳感器圖像信息融合技術也因此得到了快速發(fā)展。本文主要研究了一種基于線性約束最小二乘法（LCLS）的神經動力學方法,這種方法能夠很好的提高圖像融合質量,提升圖像去噪能力。基于LCLS模型的神經動力學方法不僅能解決噪聲協(xié)方差信息未知條件下的圖像融合問題,還能夠克服噪聲協(xié)方差矩陣的奇異性等缺點。基于LCLS模型的圖像融合基本思想是通過最小化觀測數據與實際數據之間的誤差平方函數,獲得彩色圖像R、G、B通道中的最優(yōu)權重系數,再將傳感器采集到的圖像信息乘以權重系數,經過線性加權得到各自通道下的融合圖像,最終合成三通道的融合信息得到去噪后的圖像。為了獲取各個通道下的最優(yōu)權重系... 

【文章來源】：西南大學重慶市 211工程院校 教育部直屬院校

【文章頁數】：58 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
        1.2.1 多傳感器數據融合的研究
        1.2.2 神經網絡算法的研究
    1.3 論文結構及主要研究內容
第二章 多傳感器信息融合及圖像噪聲分類
    2.1 多傳感器圖像信息融合的概念
    2.2 多傳感器圖像信息融合的級別
    2.3 常見圖像融合方法
    2.4 圖像噪聲及其分類
        2.4.1 按產生的原因分類
        2.4.2 按統(tǒng)計特性分類
        2.4.3 按噪聲頻譜分類
        2.4.4 按噪聲和信號關系分類
        2.4.5 按概率密度分類
    2.5 本章小結
第三章 基于LCLS設計的圖像融合模型和神經網絡算法
    3.1 引言
    3.2 預備知識
    3.3 基于LCLS設計的圖像融合模型
    3.4 基于連續(xù)時間神經動力學融合算法設計及理論分析
    3.5 神經網絡算法收斂性分析
    3.6 本章小結
第四章 實驗結果與分析
    4.1 圖像噪聲去除的評價標準
    4.2 主觀評價
    4.3 客觀評價
        4.3.1 神經動力學方法瞬態(tài)行為
        4.3.2 圖像融合效果評價
    4.4 本章小結
第五章 總結與展望
    5.1 全文工作總結
    5.2 展望
參考文獻
致謝
攻讀碩士期間已發(fā)表的論文
攻讀碩士期間參加的科研項目



本文編號：3468829