软件学报
軟件學報
연건학보
JOURNAL OF SOFTWARE
2007年
10期
2445-2457
,共13页
支持向量聚类%支持向量机%图像融合%多分辨率分析%融合规则
支持嚮量聚類%支持嚮量機%圖像融閤%多分辨率分析%融閤規則
지지향량취류%지지향량궤%도상융합%다분변솔분석%융합규칙
从无监督机器学习角度提出了一种基于SVC(support vector clustering)的图像融合规则,解决了基于SVM(support vector machine)的融合规则在处理多聚焦图像融合问题时所引起的区域混叠与非平滑过渡问题,进一步提高了融合图像的质量.使用非降采样离散小波变换对源图像进行多分辨率分解,基于网格提取源图像的特征.图像特征集合作为SVC的输入数据集,聚类结果最终由区域鉴别算法分配到两个区域:互补信息区域和冗余信息区域,并分别采用选择法和加权平均法生成融合图像的多分辨率表示,通过对这一多分辨率表示进行小波逆变换重构融合图像.详细研究了SVC的参数q与融合效果的评价参数RMSE之间的关系.理论分析及实验结果均表明,SVC用于图像融合问题是合适的,而且比较实验显示,基于SVC的融合规则优于基于SVM的融合规则.
從無鑑督機器學習角度提齣瞭一種基于SVC(support vector clustering)的圖像融閤規則,解決瞭基于SVM(support vector machine)的融閤規則在處理多聚焦圖像融閤問題時所引起的區域混疊與非平滑過渡問題,進一步提高瞭融閤圖像的質量.使用非降採樣離散小波變換對源圖像進行多分辨率分解,基于網格提取源圖像的特徵.圖像特徵集閤作為SVC的輸入數據集,聚類結果最終由區域鑒彆算法分配到兩箇區域:互補信息區域和冗餘信息區域,併分彆採用選擇法和加權平均法生成融閤圖像的多分辨率錶示,通過對這一多分辨率錶示進行小波逆變換重構融閤圖像.詳細研究瞭SVC的參數q與融閤效果的評價參數RMSE之間的關繫.理論分析及實驗結果均錶明,SVC用于圖像融閤問題是閤適的,而且比較實驗顯示,基于SVC的融閤規則優于基于SVM的融閤規則.
종무감독궤기학습각도제출료일충기우SVC(support vector clustering)적도상융합규칙,해결료기우SVM(support vector machine)적융합규칙재처리다취초도상융합문제시소인기적구역혼첩여비평활과도문제,진일보제고료융합도상적질량.사용비강채양리산소파변환대원도상진행다분변솔분해,기우망격제취원도상적특정.도상특정집합작위SVC적수입수거집,취류결과최종유구역감별산법분배도량개구역:호보신식구역화용여신식구역,병분별채용선택법화가권평균법생성융합도상적다분변솔표시,통과대저일다분변솔표시진행소파역변환중구융합도상.상세연구료SVC적삼수q여융합효과적평개삼수RMSE지간적관계.이론분석급실험결과균표명,SVC용우도상융합문제시합괄적,이차비교실험현시,기우SVC적융합규칙우우기우SVM적융합규칙.
