[发明专利]基于自适应云模型的大雾场景空中图像融合识别方法

说明书

本发明公开了一种基于自适应云模型的大雾场景空中图像融合识别方法，其包括以下步骤：采集原始大雾场景空中图像作为样本，使用加权灰度化算法对大雾场景空中图像进行灰度化处理，得到灰度图像；使用直方图均衡化对灰度图像进行处理，得到均衡后灰度图，对均衡后灰度图进行边缘检测，得到边缘图像，初始化卷积神经网络，训练数据，提取出特征数据；对于经过大雾场景空中图像识别训练模型训练后的图像采用多尺度分解得到平滑图像和细节图像，进行重构得到融合图像，将融合图像输入卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练，将提取的测试特征数据输入大雾场景空中图像识别训练模型中进行判断，最终得到准确的大雾场景空中图像图像识别结果。

技术领域

本发明涉及遥感技术领域，具体涉及一种基于自适应云模型的大雾场景空中图像融合识别方法。

背景技术

目前，图像处理是指对现有图像进行预处理、配准、融合、分割等相关操作，以获取对同一场景或同一目标更为精准，更为可靠的图像描述。

本发明以大雾图像为研究目标，提出一种新的融合方法，使得融合后的脑部图像更符合人或机器的视觉特性，以利于对图像的进一步分析，便于临床医学的应用。几十年来，图像融合方法层出不穷，大致可分为一些三类：

1、基于空间域的融合方法；

2、基于变换域的融合方法；

3、基于智能域的融合方法。

基于空间域的融合方法(灰度值加权平均法、亮度-色度-饱和度变换法(IHS)、主成分分析法(PCA)等)是直接在图像的像素灰度空间上进行灰度值处理，它的优点是简单易行，但是融合精度往往不高；基于变换域的融合方法(离散小波变换法(DWT)、金字塔变换法、轮廓波融合方法、支持向量机融合方法等)是对源图像首先进行空间频域变换，然后对变换得到的系数根据一定规则结合，得到融合系数，最后进行逆变换得到输出图像。近年来，伴随着人工智能的飞速发展，将模糊推理、神经网络、云模型等智能方法引入到大雾图像融合中已然呈现出势不可挡的趋势。

云模型是李德毅院士于1995年在模糊数学理论和概率论与数理统计的基础上提出一种可以同时兼顾随机性和模糊性的数学模型，可达成概念定性值与数字定量值之间同时兼顾模糊性与随机性的完美转换。本发明提出的融合方法根据输入图像的灰度直方图特征，自适应地生成云模型。由图像本身特点决定生成云模型的形状和个数，很好地体现了融合的方法的自适应性和智能性。大雾图像时可见度大大降低，因此在高速大雾时候很容易引起交通事故，因此提供一种能够对大雾情况下前方的视野进行良好辨别的技术就显得比较重要了。

目前针对于大雾图像时图像的处理分割因为其复杂性和变化性，导致识别能力较低，对于没有起到很好的识别性能，往往导致严重的后果。因此有必要提供一种精确的脑部医学图像识别方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种融合度高、识别度大大提高、精确度高的基于自适应云模型的大雾场景空中图像融合识别方法。

本发明技术方案如下：一种基于自适应云模型的大雾场景空中图像融合识别方法，其包括以下步骤：