论文部分内容阅读
图像融合技术,将不同途径采集到的同一目标的图像通过不同算法进行融合,提取不同图像中的有用信息,消除不同途径获取图像中的冗余信息,最终得到一幅包含每个图像特征的图像。目前,图像融合的研究热点是高精度的融合算法,融合精度的提高导致算法复杂度的提高,从而导致计算时间的增加。因此,对于快速图像融合算法的研究是必不可少的,尤其是对最新的、融合精度高、算法复杂的融合算法的快速融合研究。本课题以实验室研发的快照式成像光谱复原系统为平台,该系统能够获得可见光范围的光谱图像。但是受光谱图像的空间分辨率和光谱分辨率之间关系的限制,光谱图像的空间信息缺失。因此,利用图像融合技术将多光谱图像和全色图像进行融合来增加多光谱图像的细节信息。但是,高分辨的全色图像也带了庞大的数据量,导致计算时间增加。为了解决多光谱图像空间分辨和计算时间的问题,本课题进行以下几个方面的研究:首先,由于本课题的研究需要应用于实验室研发的光谱复原系统,为了满足该系统对于复原时间的要求,本课题对光谱复原过程进行优化。本课题对光谱复原过程的数据传输和峰值计算方式进行优化,优化后光谱复原时间由170 ms减至90 ms。然后,传统的多光谱图像和全色图像融合的常用融合算法,如PCA变换,Brovey变换和àtrous小波变换融合算法,存在着严重的空间或光谱失真。本课题中对两种传统融合的改进算法,即GPCA算法和基于Brovey-àtrous小波变换算法的原理进行深入研究,并且在Matlab平台上对上述算法进行实现和评价。结果表明,两种改进的融合算法都能在保存光谱信息的同时,增加空间细节信息,且GPCA算法的空间畸变、光谱畸变和辐射畸变都最小。最后,在NVIDIA GeForce GTX 1080 GPU平台上对GPCA算法和Brovey-àtrous算法并行加速,并利用CUDA的优化策略进行优化。结果表明,GPCA算法的融合时间约为338 ms,Brovey-àtrous变换算法的融合时间约为572 ms,GPCA算法的融合时间更短。从融合效果上看,和Matlab上融合结果比较,基于GPU的两类融合算法的融合性能都有所降低,这是由于融合过程中采样精度低造成的。对比基于CUDA的两类融合算法,GPCA算法融合后多光谱图像不仅增强了空间细节信息,而且空间畸变、光谱畸变和辐射畸变都更小。