由于相机和显示设备的动态范围远小于人眼可识别的动态范围，相机获取到的图像往往不能兼顾亮部细节与暗部细节。多曝光图像融合可以解决上述问题，但目前该方法大多基于相机与目标场景相对静止的前提。文中通过结合图像配准和图像融合，实现一个可以处理运动相机拍摄的多曝光图像的融合系统。首先，配准模块提取SURF特征点，进行欧式距离粗匹配；其次，配准模块利用RANSAC算法进行精匹配，提取变换模型参数并进行投影变换以矫正图像；最后，融合模块利用金字塔融合法融合已配准图像。实验结果表明该系统可有效矫正图像空间位置偏差，扩大图像的动态范围，提高图像质量。

SAR和可见光图像成像机理不同,图像差异较大,较难取得良好的融合效果。本文面向目标识别,通过分析图像的成像机理,首先在NSCT融合框架下,将SAR图像中重要的目标信息加入到可见光图像中,并尽可能多的保留源图像的边缘细节信息;再结合数学形态学和多尺度空间理论,提取源图像的亮、暗细节特征,进行特征级融合,得到亮、暗细节特征显著增强的融合图像。实验结果表明,本文算法有效的融合了SAR图像的目标信息,并增强了源图像的细节特征,达到了较好的视觉效果,提高了图像的目标检测和识别能力。

由于SLIC0算法在分割时仅考虑图像的颜色、亮度、空间位置特征,没有考虑纹理特征,当分割具有繁杂纹理的自然图像时,其分割的超像素无法精准地符合区域或目标的边界或外轮廓,因此提出基于SLIC0融合纹理信息的超像素分割算法——SLIC0-t。首先利用光谱分析描述图像中区域的纹理特性,然后在分割中融合能够准确反映图像中目标轮廓或区域边界的纹理特征;其次在分割过程中,进一步优化SLIC0围绕种子像素搜索近邻像素的搜索策略,采用以各个种子点为中心,在以预期超像素邻接距离为半径的圆盘内搜索的搜索策略;最后通过在公共图像库BSDS500上进行连续不同大小超像素的分割实验验证,结果表明:在边界召回率方面,SLIC0-t算法明显稳定优越于SLIC0算法;在欠分割错误率方面,其与SLIC0算法基本相当,处于可接受范围内。

以下步骤介绍了使用WLS进行图像融合的算法： （1）在我们的算法中，第一步是基于各向异性扩散（ANI）的两尺度分解，该分解用于在每次输入曝光时将较粗糙的细节（基础层）和较精细的细节（细节层）分开。 （2）弱纹理细节（即从ANI计算得出的细节层）和饱和度度量用于生成权重蒙版，以控制来自所有所有多次曝光中分离的基础层的像素的贡献。 （3）分别对第一步中计算的较粗细节和较细细节分别执行基于加权最小二乘（WLS）和基于Sigmoid函数的权重图细化。 （4）执行基于加权平均的较粗细节和较细细节的混合，以形成合成的无缝图像，而不会在大的不连续点附近模糊或丢失细节。

设计了一种多源信息特征层融合的故障诊断方法，应用在电力电子电路的诊断过程中。选择待测电路的节点电压和重要支路电流作为融合对象，利用小波变换和主成分分析对数据进行预处理和特征提取，采用间隔交叉的方式将电压特征矢量和电流特征矢量联合形成特征矢量，通过神经网络对联合特征矢量进行推理分类，得到故障诊断结果。以Buck―Boost电路为诊断实例，对比分析了选择不同特征融合对象对故障诊断结果的影响，实验结果证明该方法可以明显提高电路诊断率。

基于小变换，以及边缘融合算法的图像边缘检测算法。包含了在多尺度下层层检测分解重构图像。-Based on the small change, as well as the edge of fusion algorithm of image edge detection algorithm. Included at every level of multi-scale decomposition of reconstructed image detection.

基于小变换，以及边缘融合算法的图像边缘检测算法。包含了在多尺度下层层检测分解重构图像。-Based on the small change, as well as the edge of fusion algorithm of image edge detection algorithm. Included at every level of multi-scale decomposition of reconstructed image detection.

是利用国外最新的算法进行特征提取和融合的，效果很好

是利用国外最新的算法进行特征提取和融合的，效果很好

WORD格式，基于多尺度的图像融合，其步骤如下：首先，对已配准的原图像进行小波分解，相当于使用一组高低通滤波器进行滤波，分离出高低频信息，其次，对每层分解得到的高低频信息，采取不同融合策略。。。详列了问题，思路及实现代码