基于IHS变换的遥感影像融合方法研究，张建平，王崇倡，为了解决全色影像具有较高的空间分辨率但缺乏光谱信息；多光谱影像光谱分辨率高，光谱信息丰富，但其空间分辨率低的技术问题。本

关于多源遥感图像融合方法研究毕业论文，后面附matlab代码

分析了信息融合面临的问题与挑战, 包括系统融合框 架、信息不确定、多模态、高冲突、强相关、网络化以及非线性等; 并以此为分类依据, 在信息融合模型与系统设 计、不确定信息融合、多模态信息融合、高冲突信息融合、相关信息融合及网络化信息融合等方面对近10年来的进 展进行了综述.

基于频率域变换的图像融合方法，包括小波变换，拉普拉斯金字塔，和高通滤波等融合方法，内含实验素材。

图像融合的目的是将来自同一场景的不同源图像信息互补合成一幅新的图像,提供比源图像更丰富的视觉信息。采用了一种基于金字塔形小波帧变换(PDWFT)的图像融合方法,首先将配准好的源图像进行PDWFT分解,然后采用原始图像灰度的活跃度作为小波系数选取的参考标准,最后采用加权平均的融合方法并进行一致性验证得到最终的融合图像。实验结果表明,无论是在视觉效果上还是在定量指标上,该方法融合效果均明显优于单一小波基的图像融合方法。

为了更好地将可见光图像与噪声干扰严重的合成孔径雷达图像融合, 提出了一种最大尺度硬阈值去噪的方法, 在此基础上设计了一种融合规则, 根据噪声和信号在NSCT(nonsubsampled Contourlet transform)域的分解系数特性, 将NSCT分解的最大尺首先进行硬阈值去噪, 其他高频尺度与最大尺度对应的像素点取值方式保持一致, 在低频系数采用“简单绝对值取大”的融合规则, 最后进行NSCT逆变换得到融合图像。实验结果表明, 该方法能有效抑制斑点噪声, 并能充分保留源图像重要特征。

一种基于人工智能的雷达视频数据融合方法.pdf

介绍了传统的拉普拉斯变换存在的缺点以及改进的拉普拉斯变换的基本原理和重构方法,分析了新的重构算法能够在重构时抑制噪声的特点。提出了在图像融合过程中会引入噪声的问题,并通过实验分析了图像融合过程中引入的噪声情况。使用新的重构算法能够在图像重构过程中,而不是在系数处理过程中,有效抑制融合噪声。给出了基于改进的拉普拉斯变换方法进行图像融合的基本架构,并对变换系数的设置与融合过程的处理进行了详细的介绍。仿真实验的主客观性能比较表明,基于改进的拉普拉斯变换的图像融合方法比其它几种基于金字塔变换的融合效果要好得多。

Gram-Schmidt是一种光谱锐化方法 本文查阅相关文献对该方法在图像融合方面做了全面详尽的介绍！

1.3 特征融合方法与损失函数改进优化 与弱监督网络结构与定位方法不同的是，特征融合方法与损失函数的改进是在前两者的125 基础上帮助前两者可以得到到更好的特征，增加类间距离减少类内距离。关于特征融合现有 的方法大多只是级联 concat 和求和 sum，这些方法限制了层间和层内的本质高阶关系， HIHCA [32] 提出了层级卷积响应的核融合机制使得不同特征可以更好的融合，使得多特征的 优势最大化。通过将卷积激活作为一个局部描述符，层级卷积激活可以处理不同尺度的局部 表示。提出一个基于预测器的多项式核来捕捉卷积激活的高阶统计信息，并通过核融合将多130 项式预测器拓展来对局部建模。 本文的目的是捕捉部件之间更复杂的高阶的关系，写成所 有成分的线性组合，多项式预测如下公式（1）所示。另外 RACNN 引入的排序损失函数、 常用的 triplet loss [33] 、softmax loss 的变种及优化目的都是在缩小类内距离，增加类间距离， 从而使得细粒度识别的效果更好。其中 MAMC [34] 便是提取每张图像的多个区域，然后按照 类别和区域的不同，采用 Triplet Loss 和 Softmax Loss 来训练网络。现有的很多方法是把目135 标的每个部位单独处理，忽略了他们之间的相关性。MAMC 能够拉近相同注意力并且是相 同类别的特征，同时拉远不同注意力或者不同类别的特征。使得分类效果更好。特征融合方 法与损失函数的改进优化这两个方面在细粒度识别领域的应用是最经济适用的，因为在不增 加模型耗时与显存的情况下仅根据训练优化就会使得模型有更好的结果。 (1) 2 应用介绍 140 基于深度学习的计算机视觉近些年发展迅猛，但是视觉算法理论的发展与实际的落地还 有很大的距离。在细粒度识别领域，目前最直接的落地实现便是百度、搜狗等公司推出的车