CN103778103A - 一种多源信息融合方法 - Google Patents
一种多源信息融合方法 Download PDFInfo
- Publication number
- CN103778103A CN103778103A CN201410045200.9A CN201410045200A CN103778103A CN 103778103 A CN103778103 A CN 103778103A CN 201410045200 A CN201410045200 A CN 201410045200A CN 103778103 A CN103778103 A CN 103778103A
- Authority
- CN
- China
- Prior art keywords
- matrix
- value
- sigma
- conversion coefficient
- data matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种多源信息融合方法,包括针对两个信息源采集到的被感知对象的第一和第二信号构建第一和第二数据矩阵;分别获取第一和第二数据矩阵的第一和第二变换系数矩阵;分别将第一和第二变换系数矩阵分成维数相同的第一和第二变换系数子矩阵;将标识矩阵初始化为0;获取与第一和第二变换系数子矩阵一一对应的第一和第二比较值;根据第一和第二比较值的比较结果修正标识矩阵中的元素;构造野点检测矩阵,并与修正后的标识矩阵进行卷积,获得比较矩阵;根据比较矩阵中元素对逆变换矩阵中的元素进行赋值,根据逆变换矩阵获取对第一和第二数据矩阵进行融合的融合数据矩阵。本发明在保证良好融合效果的同时,具有耗时短、抗干扰能力强的特点。
Description
技术领域
本发明涉及数字信号处理领域,具体涉及对两个不同的信息源采集到的被感知对象信息进行融合的方法。
背景技术
多源信息融合是将来自不同信息源的对同一被感知对象的信息描述进行变换和配准,通过相应的方法将各信息源所提供的信息互补性地结合起来,以产生新的数据的方法。该方法所产生的新的数据同单一信息源相比,能减少或抑制对被感知对象解释中可能存在的多义性、不完全性、不确定性,最大限度地利用各种信息源提供的信息,而且经过融合后的信息能够更好地解释和描述被感知对象。
传统的信息融合方法存在如下不足:1)耗时较长;2)容易受到干扰;3)融合质量较差。
发明内容
本发明的目的是为了解决现有信息融合方法存在的上述缺陷,提供一种耗时短及融合质量较高的多源信息的融合方法。
为了实现上述目的,本发明采用的技术方案为:一种多源信息融合方法,包括:
对第一信息源采集到的被感知对象的第一信号进行数字化,得到m×n的第一数据矩阵,其中,第一数据矩阵中的元素为f1(x,y),x的取值为1至m的所有整数,y的取值为1至n的所有整数,m与n均为分块基数q的整数倍;
对第二信息源采集到的所述被感知对象的第二信号进行数字化,得到m×n的第二数据矩阵,其中,第二数据矩阵中的元素为f2(x,y);
获取所述第一数据矩阵的m×n的第一变换系数矩阵,所述第一变换系数矩阵中的元素为F1(u,v),其中, u的取值为1至m的所有整数,v的取值为1至n的所有整数;
获取所述第二数据矩阵的m×n的第二变换系数矩阵,所述第二变换系数矩阵中的元素为F2(u,v),其中,
将所述第一变换系数矩阵分成维数相同的q2个第一变换系数子矩阵,分别为F1j,其中,j的取值为1至q2的所有整数,第一变换系数子矩阵F1j中的元素为F1j(u′,v′),其中,u′的取值为1至的所有整数,v′的取值为1至的所有整数;
将所述第二变换系数矩阵分成维数相同的q2个第二变换系数子矩阵,分别为F2j,第二变换系数子矩阵F2j中的元素为F2j(u′,v′);
构造一个m×n的标识矩阵,所述标识矩阵中的元素为M(u,v),将所述标识矩阵中的各元素的值初始化为0;
获取第一比较值L1j和第二比较值L2j,其中,
比较对应的第一比较值和第二比较值,并根据比较结果修正所述标识矩阵中的元素的值,当L1j>L2j时,则将所述标识矩阵中与第一变换系数子矩阵F1j在第一变换系数矩阵中位置相对应的元素的值修正为-1,当L1j≤L2j,则将所述标识矩阵中与第一变换系数子矩阵F1j在第一变换系数矩阵中位置相对应的元素的值修正为1;
对修正后的标识矩阵与野点检测矩阵进行卷积,以获得m×n的比较矩阵,所述比较矩阵中的元素为N(u,v);
构造逆变换矩阵,根据所述比较矩阵中元素的值对逆变换矩阵中的元素I(u,v)进行赋值,其中,当N(u,v)<0时,I(u,v)=F1(u,v),当N(u,v)≥0时,I(u,v)=F2(u,v);
对所述第一数据矩阵和所述第二数据矩阵进行融合,获取融合数据矩阵,其中,所述融合数据矩阵中的元素为f3(x,y)其中,
优选的是,所述第一信号和第二信号均为图像信号、距离信号、位置信号、位姿信号或者力信号。
本发明的有益效果为:本发明的多源信息融合方法在保证良好的融合效果的同时,具有耗时短、抗干扰能力强的特点。
附图说明
图1为根据本发明所述多源信息融合方法的流程图。
具体实施方式
下面将结合附图详细描述本发明的实施例,如图1所示,本发明的多源信息融合方法包括:
步骤S1:对第一信息源采集到的被感知对象的第一信号进行数字化,得到m×n的第一数据矩阵,其中,第一数据矩阵中的元素为f1(x,y),具体应理解为是第一数据矩阵中第x行第y列的元素,例如f1(1,1)即为第一数据矩阵中第一行第一列的元素,x取值为1至m的所有整数,y的取值为1至n的所有整数,m与n均为分块基数q的整数倍,本领域技术人员应当理解的是,由于q表示分块基数,其应为正整数;同理,对第二信息源采集到的所述被感知对象的第二信号进行数字化,以得到m×n的第二数据矩阵,其中,第二数据矩阵中的元素为f2(x,y);通过该步骤得到第一信号和第二信号的数字化表示。
步骤S21:获取第一数据矩阵的m×n的第一变换系数矩阵,第一变换系数矩阵中的元素为F1(u,v),参照上述解释,具体应理解为是第一变换系数矩阵中的第u行第v列的元素,其中, u的取值为1至m的所有整数,v的取值为1至n的所有整数;通过该步骤获得第一信号的变换系数矩阵,即第一变换系数矩阵。
步骤S22:获取第二数据矩阵的m×n的第二变换系数矩阵,第二变换系数矩阵中的元素为F2(u,v),其中, 通过该步骤获得第二信号的变换系数矩阵,即第二变换系数矩阵。
步骤S31:将第一变换系数矩阵分成维数相同(相当于均分)的q2个第一变换系数子矩阵,分别为F1j,其中,j的取值为1至q2的所有整数,第一变换系数子矩阵F1j中的元素为F1j(u′,v′),其中,u′的取值为1至的所有整数,v′的取值为1至的所有整数,在此对于相同的m、n的取值,分块基数q越大,对第一信号和第二信号的融合越精准,但如果m、n的取值较大,那么将影响处理速度,因此,q的取值使得第一和第二变换系数子矩阵具有2~12个元素比较适宜。
步骤S32:将第二变换系数矩阵分成维数相同的q2个第二变换系数子矩阵,分别为F2j,第二变换系数子矩阵F2j中的元素为F2j(u′,v′)。
步骤S4:构造一个m×n的标识矩阵,标识矩阵中的元素为M(u,v),将标识矩阵中的各元素的值初始化为0。
步骤S51:获取第一比较值L1j,其中,
步骤S52:获取第二比较值L2j,其中,
步骤S6:比较对应的第一比较值和第二比较值,并根据比较结果修正标识矩阵中的元素的值,具体为:当L1j>L2j时,则将标识矩阵中与第一变换系数子矩阵F1j在第一变换系数矩阵中位置相对应的元素的值修正为-1,当L1j≤L2j,则将标识矩阵中与第一变换系数子矩阵F1j在第一变换系数矩阵中位置相对应的元素的值修正为1;例如,当L11>L21时,则将标识矩阵中与第一变换系数子矩阵F11在第一变换系数矩阵中位置相对应的元素的值修正为-1,例如在m等于8,n等于4的情况下,如果分别将第一和第二变换系数矩阵分成维数相同的4个第一和第二变换系数子矩阵的情况下,F11在第一变换系数矩阵中的位置即为第一行和第二行的前四列,这样,即将标识矩阵的第一行和第二行的前四列的元素的值修正为-1。
步骤S7:构造7×7野点检测矩阵,野点检测矩阵中的元素的值均为,对修正后的标识矩阵与野点检测矩阵进行卷积,以获得m×n的比较矩阵,比较矩阵中的元素为N(u,v),通过野点检测提高本发明的多源信息融合方法的抗干扰能力。
步骤S8:构造逆变换矩阵,根据比较矩阵中元素的值对逆变换矩阵中的元素I(u,v)进行赋值,其中,当N(u,v)<0时,I(u,v)=F1(u,v),当N(u,v)≥0时,I(u,v)=F2(u,v),通过该步骤对第一信号和第二信号所包含的信息进行互补。
步骤S9:对所第一数据矩阵和所述第二数据矩阵进行融合,获取融合数据矩阵,其中,融合数据矩阵中的元素为f3(x,y)其中,
上述第一信号和第二信号为相同类型的信号,可以是被感知对象的图像信号、距离信号、位置信号、位姿信号、力信号等,本发明的多源信息融合方法特别适用于对被感知对象的图像信号进行融合处理。
Claims (2)
1.一种多源信息融合方法,其特征在于,包括:
对第一信息源采集到的被感知对象的第一信号进行数字化,得到m×n的第一数据矩阵,其中,第一数据矩阵中的元素为f1(x,y),x的取值为1至m的所有整数,y的取值为1至n的所有整数,m与n均为分块基数q的整数倍;
对第二信息源采集到的所述被感知对象的第二信号进行数字化,得到m×n的第二数据矩阵,其中,第二数据矩阵中的元素为f2(x,y);
获取所述第一数据矩阵的m×n的第一变换系数矩阵,所述第一变换系数矩阵中的元素为F1(u,v),其中, u的取值为1至m的所有整数,v的取值为1至n的所有整数;
获取所述第二数据矩阵的m×n的第二变换系数矩阵,所述第二变换系数矩阵中的元素为F2(u,v),其中,
将所述第一变换系数矩阵分成维数相同的q2个第一变换系数子矩阵,分别为F1j,其中,j的取值为1至q2的所有整数,第一变换系数子矩阵F1j中的元素为F1j(u′,v′),其中,u′的取值为1至的所有整数,v′的取值为1至的所有整数;
将所述第二变换系数矩阵分成维数相同的q2个第二变换系数子矩阵,分别为F2j,第二变换系数子矩阵F2j中的元素为F2j(u′,v′);
构造一个m×n的标识矩阵,所述标识矩阵中的元素为M(u,v),将所述标识矩阵中的各元素的值初始化为0;
获取第一比较值L1j和第二比较值L2j,其中,
比较对应的第一比较值和第二比较值,并根据比较结果修正所述标识矩阵中的元素的值,当L1j>L2j时,则将所述标识矩阵中与第一变换系数子矩阵F1j在第一变换系数矩阵中位置相对应的元素的值修正为-1,当L1j≤L2j,则将所述标识矩阵中与第一变换系数子矩阵F1j在第一变换系数矩阵中位置相对应的元素的值修正为1;
对修正后的标识矩阵与野点检测矩阵进行卷积,以获得m×n的比较矩阵,所述比较矩阵中的元素为N(u,v);
构造逆变换矩阵,根据所述比较矩阵中元素的值对逆变换矩阵中的元素I(u,v)进行赋值,其中,当N(u,v)<0时,I(u,v)=F1(u,v),当N(u,v)≥0时,I(u,v)=F2(u,v);
2.根据权利要求书1所述的多源信息融合方法,其特征在于,所述第一信号和第二信号均为图像信号、距离信号、位置信号、位姿信号或者力信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410045200.9A CN103778103B (zh) | 2014-02-07 | 2014-02-07 | 一种多源信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410045200.9A CN103778103B (zh) | 2014-02-07 | 2014-02-07 | 一种多源信息融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103778103A true CN103778103A (zh) | 2014-05-07 |
CN103778103B CN103778103B (zh) | 2016-08-31 |
Family
ID=50570350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410045200.9A Active CN103778103B (zh) | 2014-02-07 | 2014-02-07 | 一种多源信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778103B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908732A (zh) * | 2017-11-14 | 2018-04-13 | 北京恺思睿思信息技术有限公司 | 一种相互隔离的多来源大数据融合分析方法及系统 |
CN112529047A (zh) * | 2020-11-23 | 2021-03-19 | 广州大学 | 一种基于梯度屏蔽的对抗样本生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1971549A (zh) * | 2005-11-25 | 2007-05-30 | 天津工业大学 | 多源模糊信息融合处理方法 |
CN203340191U (zh) * | 2013-06-03 | 2013-12-11 | 中国兵器工业计算机应用技术研究所 | 一种多源图像信息采集与处理系统 |
CN203396956U (zh) * | 2013-08-12 | 2014-01-15 | 中国兵器工业计算机应用技术研究所 | 一种多传感器探测与信息融合系统 |
-
2014
- 2014-02-07 CN CN201410045200.9A patent/CN103778103B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1971549A (zh) * | 2005-11-25 | 2007-05-30 | 天津工业大学 | 多源模糊信息融合处理方法 |
CN203340191U (zh) * | 2013-06-03 | 2013-12-11 | 中国兵器工业计算机应用技术研究所 | 一种多源图像信息采集与处理系统 |
CN203396956U (zh) * | 2013-08-12 | 2014-01-15 | 中国兵器工业计算机应用技术研究所 | 一种多传感器探测与信息融合系统 |
Non-Patent Citations (3)
Title |
---|
刘准钆等: "多传感器冲突信息的加权融合算法", 《传感技术学报》 * |
刘纯平: "多源遥感信息融合方法及其应用研究", 《万方学位论文》 * |
曲阳等: "基于信息博弈的多源信息融合方法", 《东南大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908732A (zh) * | 2017-11-14 | 2018-04-13 | 北京恺思睿思信息技术有限公司 | 一种相互隔离的多来源大数据融合分析方法及系统 |
CN107908732B (zh) * | 2017-11-14 | 2020-02-07 | 北京恺思睿思信息技术有限公司 | 一种相互隔离的多来源大数据融合分析方法及系统 |
CN112529047A (zh) * | 2020-11-23 | 2021-03-19 | 广州大学 | 一种基于梯度屏蔽的对抗样本生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103778103B (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102314609B (zh) | 一种多边形图像的骨架提取方法及装置 | |
WO2015176305A1 (zh) | 人形图像分割方法 | |
CN102831582A (zh) | 一种微软体感装置深度图像增强方法 | |
CN106600639A (zh) | 遗传算法结合自适应阈值约束的icp位姿定位技术 | |
CN103578092A (zh) | 一种多聚焦图像融合方法 | |
CN104867137A (zh) | 一种基于改进ransac算法的图像配准方法 | |
CN104332161B (zh) | 一种基于接收先验和单源点检测的欠定盲辨识方法 | |
CN102663695A (zh) | 基于小波变换的dr图像去噪方法及系统 | |
CN104200468A (zh) | 一种球面透视投影模型校正参数获取方法 | |
CN104680488A (zh) | 一种基于中值滤波的dsm进行星载sar影像正射纠正的方法 | |
CN114241018A (zh) | 一种牙齿点云配准方法、系统及可读存储介质 | |
CN103778103A (zh) | 一种多源信息融合方法 | |
CN107507185B (zh) | 一种适用于工业检测的快速检测圆的方法 | |
CN103679639A (zh) | 基于非局部均值的图像去噪方法和装置 | |
CN104318586B (zh) | 基于自适应形态学滤波的运动模糊方向估计方法及装置 | |
CN103714544A (zh) | 一种基于sift特征点匹配的优化方法 | |
CN106446499A (zh) | 一种基于三维链码的空间曲线识别方法 | |
CN105760896A (zh) | 一种多源异构大数据的腐蚀源联合去噪方法 | |
CN102663750A (zh) | 数字图像边缘检测方法 | |
CN105574875A (zh) | 一种基于极曲线几何的鱼眼图像稠密立体算法 | |
Kim et al. | Compressive MUSIC with optimized partial support for joint sparse recovery | |
CN102243329A (zh) | 用于波前编码成像技术的相位板 | |
WO2018119565A1 (zh) | 一种桶形畸变图像的矫正重构方法及装置 | |
CN105604541A (zh) | 一种生产测井多臂井径斜井校正处理的方法 | |
CN111189399A (zh) | 一种用于圆形工业零件尺寸的图像测量算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |