资源描述：
《一种基于神经网络的数据融合方法在遥感图像处理中的应...》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、一种基于神经网络的数据融合方法在遥感图像处理中的应用王传旭(青岛科技大学信控学院山东青岛266042) 摘 要：用一维自组织特征的神经网络数据融合算法,对分别从3个传感器采集的同一遥感对象的3幅数字灰度图像进行了融合,生成出了高质量图像,为人工判读和下一步特征层和决策层融合处理提供了更佳的输入信息。 关键词：数据融合；自组织神经网络；自组织；图像处理DataFusionApplicationinRemoteSensingImageBasedonNeuralNetworkWANGChuanxu(CollegeofInformationandControlEn
2、gineering,QingdaoUniversityofScienceandTechnology,Qingdao,266042,China) Abstract：Adatafusionmethodbasedonselforganizedneuralnetworkisadoptedtoprocess3remotesensingimages,whichareobtainedfrom3differentsensorsfocusedonthesameobject,andahighresolutionimageisfusedout,whichcanbe usedforch
3、aracteristicanddecisionfusion Keywords：datafusion；selforganizedneuralnetwork;selforganized;imageprocessing1基于神经网络的象素层数据融合原理 随着遥感传感器的应用，从最初的单一的可见光传感器到现代的多通道光谱、红外线、雷达、高光谱等传感器，相应获得的数据量也爆炸性地增长。越来越多的数据信息不断地困扰着数据使用者，任何一种获取技术都有一定的精度和使用范围且信号受到其周围环境的干扰，对来自同一景物的多幅图像，由于其传感器的方向不同，景物自身变化以及各种干扰的存
4、在，所摄取的图像会存在不同程度的失真和变质，这就产生了如何从多幅图像中恢复出原始的图像，即数据信息融合的问题。 经研究分析后发现［1］，这些来自不同的传感器的大量数据，既具有互补性，又存在极大的冗余性。利用各遥感图像有用数据的相关性，而干扰却不具有这种相关性的特点,通过融合技术可最终获取被检测对象的全面信息。本设计采用一种基于一维自组织特征映射神经网络的数据融合方法。该基本原理有3个步骤，如图1所示。1.1图像数据融合的预处理 对失真变质的图像直接进行融合必然导致图像噪声融入最后结果，这是造成图像融合结果不够理想的主要因素之一。所以在融合前，要进行原始图像的滤波预
5、处理。1.2基于自组织神经网络的图像聚类分析 通过预处理得到的图像，由于获得方式的不同和图像自身的问题，如背景灰度的选取、物体间的对比度等。所以在融合前必须对每幅图像进行归一化，可以采用一维自组织神经网络对每一幅图像进行聚类分析。1.3数据图像的融合 图像经过聚类分析和模糊化后，每幅图像的所有象素点都有一个隶属度矢量，可以记S幅图像中第i图像中点（m,n）的灰度值为pi(m,n)，按隶属度矢量Ui(m,n)={ui1,ui2,…,uic}(m,n)进行分类，该点在这幅图像中的灰度值计算为： 这样就完成了整个融合的过程。2基于象素层数据融合方法的实现2.1图
6、像去噪滤波实现预处理 滤波的方法取决于噪声与图像的关系以及处理的要求，得到3幅分别主要带有高斯噪声、脉冲噪声和乘性噪声的图像如图2(a)~(c)所示，分别进行滑动均值滤波、加权中值滤波和自适应维纳滤波，其滤波效果如图3(a)~(c)所示。2.2基于自组织神经网络的图像聚类分析［2］ Kohonen自组织特征映射神经网络模型［3］，由输入层和输出层两层组成，由4个功能部分组成，即一个输出处理单元阵列、一个比较选择机制、某种局部互联作用和一个自适应过程，是一种无监督的学习方法，其特征映射如图4所示。 通过预处理得到的图像，由于获得方式的不同和图
7、像自身的问题，在融合前必须对每幅图像进行归一化，采用一维自组织神经网络对每一幅图像进行聚类分析，结果如图5(a)~(c)所示。2.3数据图像融合的实现 基于象素的数据图像融合是很简单的，参照公式（2），很容易用C或Matlab语言实现，数据图像融合结果如图6所示。3结语 融合后的图像无论在视觉效果上还是在噪声特性上都有了很大的改善，基于象素的数据融合主要针对原始图像数据进行的，目的主要是图像增强、图像分割和图像分类，象素层融合也是三级融合层次中研究最成熟的一级，已形成了丰富而有效的融合算法［2］。参考文献［1］瞿继双.基于图像融合
