申请/专利权人：浙江科技学院

申请日：2023-12-21

公开（公告）日：2024-03-12

公开（公告）号：CN117689988A

主分类号：G06V10/80

分类号：G06V10/80;G06N3/048;G06V10/30;G06V10/82

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.29#实质审查的生效;2024.03.12#公开

摘要：一种基于有限值终态网络的图像融合方法，针对带有外部噪声干扰的权重图像融合，根据基于权重图像融合过程中不同权重参数对融合后图像质量的影响，利用有限值终态网络方法，再结合二次规划，设计一种基于有限值终态网络的权重参数图像求解方法；有限值终态网络的设计是为了保证权重参数能够在有限时间内收敛到最优真值，并且避免了权重参数估计存在的不确定性问题，有效消除了外部噪声对图像的影响。本发明提供了一种最优权重参数求解方法，并且能有效消除图像中的噪声干扰，保证方法的有限时间收敛特性。

主权项：1.一种基于有限值终态网络的图像融合方法，其特征在于，所述方法包括以下步骤：步骤1，分析不同传感器捕获的噪声图像，从中获取有用的信息，过程如下：1.1假设有总共有K个传感器，第k个传感器捕获具有由Gkm,n表示的归一化像素的M×N的灰度图像，其中m＝1，2，...，M和n＝1，2，...，N，第k个图像的像素被逐行矢量化，以形成矩阵的第k列，其中L＝M×N，将Sk定义为矩阵S的第k列，将产生以下方程Skm-1N+n＝Gkm,n1其中Sk的第m-1N+n行等于Gk的第m行n列；1.2矩阵S的每一行都由从K个不同的传感器中检索到的像素值组成，列向量的元素满足Skl＝aksl+Ωkl2k＝1，2，...，K和l＝1，2，...，L，其中，作为向量a的第k个元素的标量ak表示缩放增益，向量是通过对未知原始图像的像素执行逐行矢量化而形成的，并且向量表示由第k个传感器施加的零均值加性高斯噪声；1.3假设向量s和Ωk包含相互独立的随机信号，设计一个最优权重向量x*，从而使融合信息的不确定性最小化，以下为基于权重的图像融合方程 其中，s*是融合后的图像序列；步骤2，最优权重向量x*计算方法设计，过程如下：2.1假设x*是以下二次规划问题的最优解：minimizexTtWxt24subjecttoaTxt＝15xt≥06向量矩阵其中向量表示矩阵S的第l行向量，通过式4-6得到最优权重向量x*；2.2当且仅当拉格朗日乘子和存在，向量是方案4-6的一个最优解，从而满足以下Karush-Kuhn-TuckerKKT条件 其中，向量λ和μ是未知的且需要要满足约束条件5和6，因此，是二次规划问题4-6的待求解向量；通过引入Fischer-Burmeister函数，将上述式子7中的不等式约束转化为等式约束问题，Fischer-Burmeister函数的定义如下： 其中，a，c和η+都是具有相同维数的列向量，η+＞0，符号表示哈达玛乘积，由Fischer-Burmeister函数的定义，得出以下结论： 其中，a，c，η+＞0，此外，对于a和c都是平滑曲线；2.3最优解满足以下方程 以上方程组重新表述为以下非线性时变方程fyt,t＝Hyt+vt＝011其中 其中步骤3，为了求解上述非线性方程11，设计了一种有限值终态网络求解器，过程如下：3.1在标准递归神经网络的设计程序的基础上，将误差向量定义为et＝fyt,t13为了使得误差函数et＝fyt,t为零，设计以下动态方程 其中，γ＞0是与收敛速率密切相关的增益参数，而φ·是一个单调递增奇函数；选择有限时间收敛的激活函数： 其中，0＜τ＜1，α1＞0，α2＞0和α3＞0，signε的定义如下 因此式14重新写为 3.2结合式13和式11得：et＝Hyt+vt；结合式17，得到以下有限值终态网络模型 其中 其中符号∧·和分别表示对角矩阵和矩阵元素相除；有限值终态网络模型18进一步写成以下表达式 其中 步骤4，通过有限值终态网络模型20求解，得到步骤2中二次规划问题4-6中的最优解x*，最终得到融合后的图像。

全文数据：

权利要求：

百度查询： 浙江科技学院 一种基于有限值终态网络的图像融合方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD