研究和评论:工程和技术雷竞技苹果下载杂志》上
菜单ISSN: 2319 - 9873
ISSN: 2319 - 9873
+ 44 7456 035580部门电气工程Naghadeh Naghadeh分行伊斯兰自由大学,伊朗。
收到:28/10/2013接受:13/12/2013
访问更多的相关文章研究和评论:工程和技术雷竞技苹果下载杂志》上
开发新的成像传感器出现需要图像处理技术,可以有效地融合来自不同传感器的图像解释成一个连贯的成分。为了利用固有的冗余和扩展覆盖多个传感器,我们提出一个像素级图像融合的多尺度方法。最终的目标是减少人类/机器错误检测和识别的对象。仿真结果表明,该算法提高了目标检测的速度。
多尺度识别、固有的熵
各种各样的进行像素级图像融合算法。这些技术可分为线性叠加,逻辑滤波器(1,数学形态学2)、图像代数(3),人工神经网络(4),和模拟退火5)方法。这些算法主要关注的融合图像显示新的信息对单个传感器特性,无法感知图像。然而,一些有用的信息已经丢弃因为每个融合方案倾向于强调图像的不同属性。传统方法提供这些技术的详细审查。灵感来自这样一个事实,人类视觉系统处理和分析图像信息在不同的尺度上,研究人员最近提出了一种基于多尺度的融合。方法扩展应用熵概念测量不同指标之间的联合直方图图像。灵感来自以前的工作,寻求解决他们限制在常常困难的意象,本文介绍一种新颖的广义信息理论测量,即Jensen散度和熵的定义5]。詹森散度被定义为任何有限数量的加权概率分布之间的相似性度量。香农的互信息是一个特例,詹森散度。这个概括提供了我们一个控制测量灵敏度的联合直方图的能力,最终导致更好的登记的准确性。
ISAR目标运动引起的图像以及目标运动反过来又导致时间——不同光谱的接收到的信号。运动补偿是用于获得高分辨率图像。ISAR图像配准的目的是估计目标运动在成像时间。欧氏变换平移参数,旋转参数和尺度参数给定两个ISAR图像帧,估计目标运动参数。利用詹森不等式,很容易检查Jensen分歧是非负的。也是对称的,消失当且仅当概率分布是相等的,所有的尺寸表示Jensen散度两个伯努利概率分布,当Jensen散度完全广义Jensen-Shannon散度(6]。不像其他entropy-based散度等措施,著名的库尔巴克散度Jensen散度的优势是对称的,适用于任何有限数量的概率分布,与权重分配给这些分布的可能性。下面的结果,从某种意义上说,澄清和证明呼唤Jensen散度作为衡量概率分布之间的差异。詹森散度达到最大值时退化分布。域是一个凸多面体的顶点是堕落的概率分布。,詹森散度的最大值发生在一个堕落的分布。自从Jensen散度是一个凸函数,它达到最大值时,熵函数的加权平均退化概率分布,达到它的最大价值。分配权重,詹森退化分布这很容易掉出来的差异,可以作为一个起点。不失一般性,考虑到詹森散度与权重相等。因为,退化分布。 Let denote a non-increasing ordering of the components of a vector, said to be majorized performance bounds of the Jensen divergence in terms of the error and also of the asymptotic error of the NN classifier are derived. By a classifier we mean a function that classifies a given feature vector to the class. Denote be two random variables taking values respectively. It is well known that the classifier that minimizes the error probability is the result of the classifier with an error L written in discrete form as method that provides an estimate for the error without requiring knowledge of the underlying class distributions is based on the NN classifier which assigns a test pattern to the class of its closest pattern according to some metric.图1演示了一个神经网络分类器。足够大,以下结果相关的神经网络分类器的误差和误差的渐近,下列不等式推导出的条件概率给出相应的像素对。这里的詹森散度作为图像之间的相似性度量。如果两个图片是完全匹配,因为退化分布,詹森散度最大化为固定显示两个脑图像的错位是欧几里得旋转。
图1:神经网络分类器分类提取的二维特性
条件概率分布是脆的,当这两个图片是一致的,分散的,当他们不匹配。值得注意的是,詹森散度的最大化持有分歧正是香农残害互信息和詹森的散度和统一的重量。高峰在匹配点产生的分歧显然远远高于峰值的互信息。它给背景像素的最大重量。噪声的存在,匹配的背景下是损坏的。互信息可能无法识别定位点。下列命题建立统一的最优权重差异的背景下图像配准。后将统一的权重分配给各种分布的差异,一个自由参数直接关系到测量灵敏度有待选定。在图像配准的问题,一个欲望急剧和区分峰值匹配点。散度的清晰度可以通过最大价值特征以及峰值的宽度。 The sharpest peak is clearly a Dirac function. The following proposition establishes that the maximal value of the divergence is independent of if the two images are aligned, and yields the sharpest peak. In real world applications, there is a tradeoff between optimality and practicality in choosing. If one can model the misalignment between completely and accurately, would correspond to the best choice since it generates the sharpest peak at the matching point. It is, however, also the least robust selection, as it tends to make all the same as the uniform distribution, if it is not degenerate distribution, then the divergence would be zero for the whole transformation parameter space as in case where the adapted transformation group cannot accurately model the relationship accurate enough. On the other hand, the most robust choice, in spite of also resulting in the least sharp peak. The choice of therefore depends largely on the accuracy of the invoked model and on the specific application as well as the available computational resource. As an example, in图2演示了两个脑图像的登记结果选择不同的空间信息。在这种情况下,最好的选择,并将生成一个狄拉克函数峰值在匹配点。生成一个ISAR图像采用了频率的波形可以被理解为一个估算的过程目标的二维反射率从收集的数据在频率空间密度函数。假设一个踏频破裂由脉冲的传输频率线性增加的年代,基础频率是频率的一步。让发射脉冲的脉冲持续时间T,并表示在一些可接受的公差。提出压缩模型表明,我们的算法比其他旧技术非常有效。
图2:演示了两个脑图像的登记结果选择不同的空间信息
在本文中,我们试图扩展当前信号估计方法在小波框架中,一般都依赖于正态分布的假设扰动,我们提出了一个新的非线性改变技术,作为预处理步骤的ISAR成像系统获得的形状。关键的想法是一个嘈杂的形状投射到一个小波域和抑制小波系数的面具源自曲率尺度空间极值的表示。分段光滑的信号,它可以表明,过滤这个曲率面具相当于年长信号逐点H指数在奇异点,并提升其平滑所有剩余的点。
