以边缘检测为驱动的多Contourlet包域多传感器图像自适应融合

本项目将多传感器图像融合看作为一个最优化问题，主要研究多传感器图像自适应融合：(1) 受益于多尺度几何分析的思想，基于多小波包和方向滤波器组，构造可以更有效捕捉图像中细节信息的多Contourlet包；(2) 从边缘检测的角度出发，设计融合活跃级测度和高频方向子带的融合策略；(3) 在边缘检测这个应用层面上给出有效的多传感器图像融合评价标准；(4) 通过对初始种群的设置方法、寻优过程中的变异算子的调整策略和克隆死亡算子的改进，构造新的克隆选择单目标优化模型，使得其在有限寻优迭代次数内，向最优低频融合权值方向收敛的速度更快, 提出基于克隆选择单目标优化的多Contourlet包域多传感器图像融合算法；(5) 构造Pareto最优解分布均匀，具有较快的收敛速度，对低频融合权值具有最佳寻优能力的克隆选择多目标优化模型, 提出基于克隆选择多目标优化的多Contourlet包域多传感器图像融合算法。

本项目构造了多Contourlet包变换。相比于多小波包变换，多Contourlet包变换系数的能量更加集中，不同方向子带体现出对不同方向上的信息的偏好。利用构造的多Contourlet包变换对多传感器图像进行分解、重构。分析讨论了多Contourlet包变换系数的分布特性。计算多Contourlet包变换系数多尺度积，抽取重要特征用于设计新的多传感器图像融合活跃级测度。用含有边缘信息的评价指标作为目标函数，采用加权融合的方式，最佳融合权重由克隆选择单目标优化算法获得。选择相互之间冗余度小的评价指标作为目标函数，即边缘融合质量指数、灰度均值和信息熵来构造克隆选择多目标优化模型。调整了优化算子，使得Pareto最优解分布更加均匀，具有较快收敛速度。