圖像融合分類

根據圖像表征層次的不同,，圖像融合可分為三個層次的融合：像素級融合、特征級融合和決策級融合,。圖像融合的：1.圖像增強,，提高圖像分辨率和清晰度；2.增強圖像的相關特征,；3.相互補充相關信息,，去除噪聲和冗余；4.提高目標檢測的額識別能力,；5.獲得完整的三維重構數據,。
圖像融合的層級劃分圖：

像素級的圖像融合

像素級融合：直接對個幅圖像的像素點進行融合信息綜合的過程。
像素級融合的局限性：

1. 圖像原始數據規(guī)模導致算法實現(xiàn)費時,；

2. .數據未經處理,，傳感器原始信息的優(yōu)缺點會疊加，影響融合效果,；

3. 對硬件的設施的要求相當高,，進行圖像融合時，配準的精度要求精確的各傳感器數據之間每個像素,；

4. 因為基于像素計算,，像素信息易受污染,，噪聲等干擾，所以效果不穩(wěn)定,。

特征級圖像融合

特征級融合:對圖像進行特征抽取,，將邊緣、形狀,、輪廓,、局部特征等信息進行綜合處理的過程。特征級圖像融合是對圖像進行特征抽取后,，將邊緣,、形狀、輪廓,、局部特征等信息進行綜合處理的過程,。特征級融合包括：目標狀態(tài)信息融合，目標特征性融合,。特征級融合包含的幾個模塊：源圖像的獲取,，圖像的預處理，圖像分割,，特征提取，特征數據融合及目標識別,。圖像的特征是一種代價處理,，降低了數據量，保留了大部分信息,，仍損失部分細節(jié)信息,。原始特征的組合形成特征，增加特征維數,，提高目標的是被準確率,。特征向量可以直接融合也可以根據特征本身的屬性進行重新組合，邊緣,，形狀,、輪廓燈都是描述特征的重要參數，他們的幾何變換也具有一定的特征屬性,。

目標狀態(tài)特征融合
是一種基于多尺度和多分辨率的目標統(tǒng)計特征,，它對圖像的原始數據狀態(tài)的提取被描述，需要經過嚴格的配準,，最后得到的是一幅包含更多圖像信息的圖像,。它是對圖像的狀態(tài)信息統(tǒng)計，進行模式匹配的問題,。核心思想是實現(xiàn)多傳感器目標的精確狀態(tài)估計,，與先驗知識的有效關聯(lián),，應用廣泛的是目標跟蹤領域。
目標特性融合
按照特定的語義對圖像特征提取特征的內在描述,，或特征屬性的重新組合,，這些特征向量代表抽象的圖像信息，直接對特征進行機器學習理論融合識別,，增加了特征的維度,，提高了目標識別的精確度。目標特性融合是特征向量融合識別,，一般處理的都是高維問題,，隨意實質上該融合應用最多是模式識別。多傳感器比單一傳感器提供的信息增大了特征空間的維數,，擴大了細信息特征散射的空間,，從分類的角度上提高了識別率。特征實際上涉及了圖像分割,、特征提取和特征層信息融合等幾個方面,。

決策級圖像融合

決策級融合：在每種傳感器獨立完成決策或分類的基礎上，將多個傳感器的識別結果進行融合做出全局的最優(yōu)決策,。決策級融合根據一定的規(guī)則對提取特征和識別后的源圖像決策綜合,，獲得融合圖像。決策的輸入是對目標的認識框架,。認識框架是通過同質異質傳感器觀測同一場景的目標,，經過預處理、特征提取,、識別的基本處理后形成的,。對該框架通過最優(yōu)化決策得到融合結果。決策級是趨向智能邏輯的,，綜合多傳感器的識別結果比單一識別更精準,，更有效。但多傳感器的數據同時也增加了誤差和風險,，每一傳感器的可能的錯誤都會傳遞到決策層,，決策函數的容錯能力直接影響融合分類性能。
決策級融合的優(yōu)點：

1. 具有很好的實時性,、自適應性,；

2. 數據要求低，剛干擾能力強,；

3. 高效的兼容了多傳感器的環(huán)境特征信息,；

4. 很好的糾錯能力，通過適當的融合,，消除單個傳感器造成的誤差,，系統(tǒng)還能獲得正確的結果,。