多傳感器數(shù)據(jù)融合研究

楊 丹 董楊琴

摘要:數(shù)據(jù)融合技術(shù)又稱多傳感器數(shù)據(jù)融合或分布式傳感,即對(duì)多類多源和多平臺(tái)傳感器數(shù)據(jù)進(jìn)行組合,提供有關(guān)空間信息綜合態(tài)勢(shì)的一種數(shù)據(jù)處理技術(shù)。數(shù)據(jù)融合可分為:信號(hào)級(jí)數(shù)據(jù)融合、像素級(jí)數(shù)據(jù)融合、特征級(jí)數(shù)據(jù)融合和符號(hào)級(jí)數(shù)據(jù)融合。本文討論了紅外圖像、可見(jiàn)光圖像、多譜圖像、雷達(dá)圖像等的數(shù)據(jù)融合問(wèn)題以及各級(jí)數(shù)據(jù)融合的方法。

關(guān)鍵詞:多傳感器;數(shù)據(jù)融合

1 引言

隨著計(jì)算機(jī)技術(shù)、通信技術(shù)及微電子技術(shù)的發(fā)展,在軍事、醫(yī)學(xué)、能源探測(cè)、資源勘探、海洋測(cè)量、環(huán)境和土地利用管理、地形地貌分析等方面的大量應(yīng)用需求下,數(shù)據(jù)融合技術(shù)呈迅猛發(fā)展之勢(shì)。醫(yī)學(xué)上,這種技術(shù)被用來(lái)診斷出準(zhǔn)確的病變部位。在軍事上數(shù)據(jù)融合技術(shù)有著更為廣闊的應(yīng)用前景,包括目標(biāo)跟蹤、目標(biāo)自動(dòng)識(shí)別、智能武器敵我識(shí)別、系統(tǒng)戰(zhàn)場(chǎng)監(jiān)視、戰(zhàn)術(shù)態(tài)勢(shì)評(píng)估、威脅評(píng)估、戰(zhàn)場(chǎng)預(yù)警及戰(zhàn)略防御等。

遙感技術(shù)發(fā)展迅速,獲取遙感數(shù)據(jù)的手段越來(lái)越豐富,各種傳感器獲得的圖像數(shù)據(jù)在同一地區(qū)會(huì)形成影像金字塔, 單一傳感器的數(shù)據(jù)處理已發(fā)展為多種傳感器數(shù)據(jù)處理即多傳感器數(shù)據(jù)融合,數(shù)據(jù)融合技術(shù)可實(shí)現(xiàn)多傳感器數(shù)據(jù)的優(yōu)勢(shì)互補(bǔ),為提高這些數(shù)據(jù)的利用效益提供了有效的途徑,極大地提高了處理的自動(dòng)化,人機(jī)界面亦由傳統(tǒng)的友好界面發(fā)展到人機(jī)協(xié)作的自適應(yīng)多媒體界面。

數(shù)據(jù)融合技術(shù)在軍事上的應(yīng)用是隨傳感器信息處理及綜合指揮控制系統(tǒng)的發(fā)展而發(fā)展起來(lái)的,其自動(dòng)化很大程度上取決于數(shù)據(jù)融合水平的高低,它所揭示的信息處理思想和方法可以很好地解決目標(biāo)識(shí)別的瓶頸問(wèn)題?？梢哉f(shuō)多傳感器數(shù)據(jù)/信息融合迄今已發(fā)展成為現(xiàn)代技術(shù)尤其是高新技術(shù)條件下各種戰(zhàn)爭(zhēng)模式中正確進(jìn)行指揮決策及克敵致勝不可缺少的一項(xiàng)關(guān)鍵性技術(shù)。

2 多傳感器的數(shù)據(jù)融合Data fusion

在許多應(yīng)用場(chǎng)合,由單個(gè)傳感器所獲得的信息通常是不完整、不連續(xù)或不精確的。此時(shí)其他的信息源可以提供補(bǔ)充數(shù)據(jù),融合多種信息源的數(shù)據(jù)能夠產(chǎn)生一個(gè)有關(guān)場(chǎng)景的更一致的解釋,而使不確定性大大降低。因此,多傳感器數(shù)據(jù)融合意義重大,利用優(yōu)勢(shì)互補(bǔ)可以使目標(biāo)檢測(cè)和識(shí)別過(guò)程變得相對(duì)簡(jiǎn)單,準(zhǔn)確率大大提高。

數(shù)據(jù)融合Data fusion技術(shù)又稱多傳感器數(shù)據(jù)融合或分布式傳感技術(shù),它涉及如何組合多種類型傳感器數(shù)據(jù)對(duì)物理事件行為或態(tài)勢(shì)進(jìn)行推斷,對(duì)多類多源和多平臺(tái)傳感器獲取的數(shù)據(jù)判別處理綜合分析。與其他數(shù)據(jù)處理技術(shù)相比更能快速、準(zhǔn)確、可靠、連續(xù)及全面地提供有關(guān)環(huán)境態(tài)勢(shì)的綜合性結(jié)論。多傳感器數(shù)據(jù)融合可以在表述的信號(hào)級(jí)、像素級(jí)、特征級(jí)或符號(hào)級(jí)上進(jìn)行。信號(hào)級(jí)融合是指來(lái)自不同傳感器信號(hào)在生成圖像前的聯(lián)合;像素級(jí)融合包括來(lái)自不同數(shù)字圖像的信息的融合;特征級(jí)融合指的是從不同圖像中提取的特征之間的融合;符號(hào)級(jí)的融合是來(lái)自圖像中的信息在抽象這個(gè)更高層次上的融合。信號(hào)級(jí)、特征級(jí)和符號(hào)級(jí)的融合方法都沒(méi)有很好利用圖像數(shù)據(jù)的相關(guān)性,不利于對(duì)圖像進(jìn)行正確的目標(biāo)識(shí)別和檢測(cè)。

2.1 雷達(dá)與紅外的數(shù)據(jù)融合

毫米波(MMW)雷達(dá)、激光成像雷達(dá)(LADAR)與紅外傳感器組合可以同時(shí)提供主動(dòng)和被動(dòng)兩種工作方式。這樣的組合可以用FLIR搜索潛在的目標(biāo),利用毫米波雷達(dá)具有很好的抗衰減能力的特性進(jìn)行進(jìn)一步探測(cè),再與激光成像雷達(dá)(LADAR)的信息結(jié)合進(jìn)行目標(biāo)的識(shí)別。另外合成孔徑雷達(dá)與紅外圖像的融合,可以充分利用合成孔徑雷達(dá)全天候、全時(shí)段獲得目標(biāo)信息的特點(diǎn)和紅外圖像具有豐富的譜圖的特點(diǎn),來(lái)獲得較高空間分辨力和譜分辨力的融合圖像。

2.2 光學(xué)圖像與雷達(dá)圖像的數(shù)據(jù)融合

光學(xué)圖像以光譜信息為主,是一種經(jīng)常使用的遙感圖像。雷達(dá)圖像反映結(jié)構(gòu)信息較好,而且雷達(dá)具有全天時(shí)、全天候、穿透性等優(yōu)點(diǎn),較光學(xué)傳感器具有更大的偵察范圍,可以發(fā)現(xiàn)不易被光學(xué)傳感器發(fā)現(xiàn)的目標(biāo)。但是雷達(dá)信號(hào)代表的是被觀測(cè)物體的微波反射特性的反射率空間分布函數(shù),不為人們所熟悉,而且對(duì)于不同的雷達(dá)工作頻率、入射角和極化方式,感興趣物體具有不同的微波反射特性,所以如果只使用雷達(dá)數(shù)據(jù)來(lái)進(jìn)行目標(biāo)檢測(cè)及識(shí)別比較困難。光學(xué)圖像中的地面目標(biāo)處于反射狀態(tài),它不僅有明暗變化而且形狀邊緣清晰,圖像的細(xì)節(jié)也較雷達(dá)圖像明顯,這使得檢測(cè)識(shí)別變得相對(duì)簡(jiǎn)單和直接,但是光學(xué)傳感器大氣衰減大且受天氣及觀測(cè)時(shí)刻影響較大。因此,雷達(dá)圖像和光學(xué)圖像融合意義重大,利用二者優(yōu)勢(shì)的互補(bǔ)可以使目標(biāo)檢測(cè)和識(shí)別過(guò)程變得相對(duì)簡(jiǎn)單,準(zhǔn)確率提高。

2.3 紅外圖像與可見(jiàn)光圖像的數(shù)據(jù)融合

一般目標(biāo)都會(huì)有較大的溫度梯度或背景與目標(biāo)存在較大的熱對(duì)比度,低可視目標(biāo)往往容易被紅外傳感器探測(cè)到,與紅外熱圖像相比,可視圖像可提供更多的目標(biāo)細(xì)節(jié)。紅外與可見(jiàn)光傳感器的組合,數(shù)據(jù)融合后得到的圖像既保留了目標(biāo)的高局部亮度對(duì)比,還能獲取目標(biāo)表征的重要細(xì)節(jié)。

2.4 多雷達(dá)的數(shù)據(jù)融合

在多雷達(dá)的融合系統(tǒng)中無(wú)論是檢測(cè)距離還是覆蓋范圍,與單部雷達(dá)相比,融合系統(tǒng)均有較大提高。當(dāng)雷達(dá)性能相近或相同時(shí),融合系統(tǒng)的性能會(huì)有顯著改善;而當(dāng)雷達(dá)性能相差較大時(shí),融合系統(tǒng)性能改善不明顯,接近較優(yōu)雷達(dá)的性能。對(duì)合成孔徑雷達(dá)數(shù)據(jù)融合過(guò)程可進(jìn)行相干處理,用雙天線提高對(duì)觀測(cè)場(chǎng)景的匹配,可以得到同一傳感器的不同頻率或不同極化圖像的融合。這需要電磁測(cè)量的校正和多極化、多頻率圖像融合、圖像互對(duì)準(zhǔn)等。不同分辨力合成孔徑雷達(dá)圖像的融合,可得到噪聲較低的高分辨力融合圖像。

2.5 不同波段紅外數(shù)據(jù)融合

采用不同波段的兩個(gè)傳感通道,如:使用3~5μm、8~14μm兩種波段的紅外傳感器探測(cè)同一空間目標(biāo),會(huì)使得到的目標(biāo)背景信息量增加了一倍,采用融合技術(shù),可提高系統(tǒng)的探測(cè)距離和識(shí)別能力。在地下探礦、人造目標(biāo)探測(cè)和航空遙感等方面有著廣泛應(yīng)用。

2.6 CT、PET、MRI等的數(shù)據(jù)融合

各種成像方法在臨床上的應(yīng)用,使得醫(yī)學(xué)診斷和治療技術(shù)取得了很大的進(jìn)展,同時(shí)將各種成像技術(shù)得到的信息進(jìn)行融合互補(bǔ),已成為臨床診療及生物醫(yī)學(xué)研究的有力武器。如:X射線斷層成像(CT)、正電子發(fā)射斷層成像(PET)、核磁共振(MRI)、單光子發(fā)射斷層成像(SPET)、超聲成像(US)、顯微成像(MI)等。不同的成像模式可提供圖像互不覆蓋的互補(bǔ)信息。如:CT提供骨骼信息、MRI提供軟組織、血管等信息。在有骨骼的地方選擇CT屬性,在其他有軟組織的地方選擇MRI屬性,融合各信息用于制定手術(shù)方案。在未來(lái),基于圖像融合的數(shù)字可視化與虛擬現(xiàn)實(shí)技術(shù)相結(jié)合,可創(chuàng)造出一個(gè)虛擬環(huán)境,幫助醫(yī)生制定最有效、最安全的手術(shù)方案。

2.7 單傳感器多譜數(shù)據(jù)融合

多譜圖像數(shù)據(jù)融合是把多變量信息,即多波段的圖像信息綜合在一張圖像上,而且對(duì)于融合圖像來(lái)說(shuō),各波段的信息所做的貢獻(xiàn)能最大限度地表現(xiàn)出來(lái)。為此可對(duì)原圖像各波段像素亮度值作加權(quán)線性變換,產(chǎn)生新的像素亮度值或?qū)⒍鄠€(gè)波段的信息集中到若干個(gè)波段上,如紅、綠、藍(lán)色波段。多譜圖像數(shù)據(jù)融合也可通過(guò)亮度、色度和飽和度變換(IHS變換)、主成分分析(PCA)和高通濾波(HPF)等方法進(jìn)行。為了得到更好的融合結(jié)果,可將已提取的目標(biāo)信息加到變換公式中,根據(jù)先驗(yàn)信息對(duì)圖像的參數(shù)進(jìn)行修正?；谝阎卣鞯娜诤戏椒梢葬槍?duì)不同的要求,靈活改變信息特征的提取方法。用微分幾何方法將多譜圖像變換為可視圖像可能會(huì)成為有前途的方法。一般來(lái)說(shuō),多譜圖像融合得到的是彩色圖像。

3 數(shù)據(jù)融合方法

多傳感器數(shù)據(jù)融合可以在表述的信號(hào)級(jí)、像素級(jí)、特征級(jí)或符號(hào)級(jí)上進(jìn)行。信號(hào)級(jí)融合是指來(lái)自不同傳感器信號(hào)在生成圖像前的聯(lián)合;像素級(jí)融合包括來(lái)自不同數(shù)字圖像的信息的融合;特征級(jí)融合指的是從不同圖像中提取的特征之間的融合;符號(hào)級(jí)的融合是來(lái)自圖像中的信息在抽象這個(gè)更高層次上的融合。

3.1 像素級(jí)數(shù)據(jù)融合

3.1.1 邏輯濾波器法

最直觀的融合方法是兩個(gè)像素的灰度值進(jìn)行邏輯運(yùn)算,如:兩個(gè)像素的灰度值均大于特定的門限值,進(jìn)行“與”運(yùn)算。來(lái)自“與”運(yùn)算的特征被認(rèn)為是對(duì)應(yīng)了環(huán)境的主要方面。同樣,“或”濾波用來(lái)分割圖像,因?yàn)樗写笥谔囟ǖ拈T限值的傳感器信息都可用來(lái)進(jìn)行圖像分割。兩個(gè)像素的灰度值均小于特定的門限值時(shí),用“或非”運(yùn)算。

3.1.2 加權(quán)平均法

加權(quán)平均法用于處理來(lái)自各個(gè)測(cè)量精度大不相同的數(shù)據(jù)源的數(shù)據(jù),是最簡(jiǎn)單最直觀融合多傳感器數(shù)據(jù)的方法。該法對(duì)某一參數(shù)值通過(guò)一加權(quán)因子取平均,即將由一組傳感器提供的冗余信息進(jìn)行加權(quán)取平均,并將加權(quán)平均值作為信息融合值。當(dāng)每個(gè)傳感器的測(cè)量值為標(biāo)量,且加權(quán)值反比于每個(gè)傳感器的標(biāo)準(zhǔn)差時(shí),加權(quán)平均法與貝葉斯方法相一致

3.1.3 數(shù)學(xué)形態(tài)法

數(shù)學(xué)形態(tài)學(xué)通過(guò)使用從基本算子:集合并、集合交、減、條件加推演出來(lái)的一套數(shù)學(xué)形態(tài)算子,如膨脹、腐蝕等算法,對(duì)圖像進(jìn)行處理。若兩個(gè)集合互相支持,則通過(guò)集合交從兩個(gè)特征集中提取出高置信度的“核”特征集;若兩個(gè)集合互相對(duì)抗,則通過(guò)集合差從兩個(gè)特征集中提取出高置信度的“核”特征集。兩個(gè)集合互相支持,則通過(guò)集合并從兩個(gè)特征集中提取出高置信度的“潛在”特征集;若兩個(gè)集合互相對(duì)抗,則通過(guò)一個(gè)集從另一個(gè)集中提取出高置信度的“潛在”特征集。用條件膨脹和條件腐蝕的形態(tài)運(yùn)算來(lái)融合“核”與“潛在”特征集。條件膨脹用來(lái)提取“潛在”特征集的連接分量,可用來(lái)抑制雜波;條件腐蝕可用來(lái)填入在“核”特征集中丟失的分量邊界元素。開(kāi)運(yùn)算和閉運(yùn)算的基本作用是對(duì)圖像進(jìn)行平滑處理,開(kāi)運(yùn)算可以去掉圖像中的孤立子域和毛刺,閉運(yùn)算可以填平一些小洞并將兩個(gè)鄰近的目標(biāo)連接起來(lái)。統(tǒng)計(jì)形態(tài)的引入為圖像融合提供了一種新的思路。將統(tǒng)計(jì)的思想與形態(tài)濾波相結(jié)合估計(jì)圖像包含的有用信息,噪聲抑制效果較好。

3.1.4 圖像代數(shù)法

圖像代數(shù)是描述圖像算法的高級(jí)代數(shù)語(yǔ)言,完全可以描述多種像素層的融合算法。它有四種基本的圖像代數(shù)操作數(shù):坐標(biāo)集、值域、圖像和模板。坐標(biāo)集,可定義為矩形、六角形、環(huán)形離散矩陣及多層矩陣數(shù)組,用來(lái)表示不同方格和分辨率圖像的相干關(guān)系。若來(lái)自多傳感器的用于像素層融合的圖像有相同的基本坐標(biāo)系,則坐標(biāo)集稱為齊次的;否則稱為非齊次的?！爸涤颉蓖ǔ?duì)應(yīng)整數(shù)集、實(shí)數(shù)集、復(fù)數(shù)集、固定長(zhǎng)度的二進(jìn)制數(shù)集,通常對(duì)其定義算術(shù)和邏輯運(yùn)算。若一個(gè)值集的所有值都來(lái)自同一數(shù)集,則稱為齊次的,否則稱為非齊次的。“圖像”是最重要的圖像代數(shù)算子,定義為從坐標(biāo)集到值集函數(shù)的圖。“模板”和模板算子是圖像代數(shù)強(qiáng)有力的工具,它將模板、掩模、窗口、數(shù)學(xué)形態(tài)的構(gòu)成元素、定義在鄰域像素上的其他函數(shù),統(tǒng)一、概括成數(shù)學(xué)實(shí)體。用于變換實(shí)值圖像的三種基本的模板操作是:廣義卷積、乘積最大、和最大。模板操作可通過(guò)在全局和局部卷積來(lái)改變維數(shù)、大小和圖像形狀。

3.1.5 金字塔圖像融合法

用金字塔在空間上表示圖像是一種簡(jiǎn)單方便的方法。概括地說(shuō)金字塔圖像融合法就是將參加融合的每幅源圖像作金字塔表示,將所有圖像的金字塔表示在各相應(yīng)層上以一定的融合規(guī)則融合,可得到合成的金字塔。將合成的金字塔,用金字塔生成的逆過(guò)程重構(gòu)圖像,則可得到融合圖像。金字塔可分為:Laplacian金字塔、Gaussian金字塔、梯度金字塔、數(shù)學(xué)形態(tài)金字塔等。

3.1.6 小波變換圖像融合法

3.1.6.1 圖像的快速小波分解

Mallat提出了小波的快速分解與重構(gòu)算法,他利用兩個(gè)一維濾波器實(shí)現(xiàn)對(duì)二維圖像的快速小波分解,利用兩個(gè)一維重構(gòu)濾波器實(shí)現(xiàn)圖像的重構(gòu)。

3.1.6.2 基于小波分解的圖像融合

若對(duì)二維圖像進(jìn)行N層的小波分解,最終將有(3N+1)個(gè)不同頻帶,其中包含3N個(gè)高頻帶和一個(gè)低頻帶。對(duì)圖像分解層數(shù)N的確定和對(duì)具體問(wèn)題母小波的確定還有一些有待研究的問(wèn)題?；谛〔蚣?、小波包的圖像融合方法在一些情況下融合效果較好。

基于小波分解的圖像融合基本步驟如下:①對(duì)每一源圖像分別進(jìn)行小波分解,建立圖像的小波金字塔分解;②對(duì)各分解層分別進(jìn)行融合處理,各分解層的不同頻率分量采用不同的融合算子進(jìn)行融合處理,最終得到融合后的小波金字塔;③對(duì)融合后小波金字塔進(jìn)行小波逆變換,得到重構(gòu)圖像。

小波變換的目的是將原始圖像分別分解到一系列頻率通道中,利用分解后的金字塔結(jié)構(gòu),對(duì)不同分解層、不同頻帶分別進(jìn)行融合處理,可有效地將來(lái)自不同圖像的細(xì)節(jié)融合在一起。人的視網(wǎng)膜圖像是在不同頻帶上分別以不同算子進(jìn)行融合的?；谛〔ǚ纸獾膱D像融合也是在不同的頻率通道上進(jìn)行融合處理的,因而可獲得與人的視覺(jué)特性更為接近的融合效果。

3.1.7 多尺度卡爾曼濾波

以卡爾曼濾波的形式在空間上將圖像分層表示,引入帶有噪聲的量測(cè)模型,以統(tǒng)計(jì)圖像的方式對(duì)圖像進(jìn)行處理,在各不同層次上對(duì)圖像融合。

3.1.8 基于微分幾何的圖像融合

對(duì)多譜圖像進(jìn)行融合,可借助微分幾何作為工具,計(jì)算一階多譜對(duì)比度,求出最優(yōu)灰度值。將圖像的多波段構(gòu)成幾何流形,將多波段對(duì)比度構(gòu)成的多維向量投影到圖像的灰度區(qū)間上,這種方法計(jì)算的對(duì)比度值比梯度法和零交叉法,能更充分地利用多譜信息,對(duì)噪聲抑制效果好。

3.2 特征級(jí)數(shù)據(jù)融合

3.2.1 聯(lián)合統(tǒng)計(jì)

當(dāng)來(lái)自多傳感器的信息被用于分類和決策時(shí),需要某種類型的判別尺度,需要對(duì)感知的環(huán)境與已知特征比較。聯(lián)合統(tǒng)計(jì)量可用于快速而有效地分類未知樣本的概率密度函數(shù)。

3.2.2 帶約束的高斯-馬爾可夫估計(jì)

協(xié)方差矩陣用來(lái)存儲(chǔ)與約束有關(guān)的信息,并可作為基本幾何推理的數(shù)據(jù)庫(kù)。

3.2.3 廣義卡爾曼濾波

利用廣義卡爾曼濾波能有效地使圖像對(duì)準(zhǔn),使它們可在特征層融合,并可在出現(xiàn)環(huán)境噪聲和傳感器噪聲時(shí)減少有關(guān)環(huán)境中物體位置的不確定性。

3.2.4 神經(jīng)網(wǎng)絡(luò)圖像融合

人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是:利用其固有的并行結(jié)構(gòu)和并行處理;知識(shí)的分布存儲(chǔ);容錯(cuò)性;自適應(yīng)性等。網(wǎng)絡(luò)的知識(shí)表示與它的知識(shí)獲取過(guò)程將同時(shí)完成,因而執(zhí)行速度可以加快。在推理過(guò)程中,根據(jù)需要還可以通過(guò)學(xué)習(xí)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練和自適應(yīng)調(diào)整,因此,它是一種有自適應(yīng)能力的推理方式;另外,現(xiàn)實(shí)世界中圖像噪聲總是不可避免地存在,甚至有時(shí)信息會(huì)有缺失,在這種情況下,神經(jīng)網(wǎng)絡(luò)融合方法也能以合理的方式進(jìn)行推理。在進(jìn)行圖像融合時(shí),神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后把每一幅圖像的像素點(diǎn)分割成幾類,使每幅圖像的像素都有一個(gè)隸屬度函數(shù)矢量組,提取特征,將特征表示作為輸入?yún)⒓尤诤?。目前絕大多數(shù)的神經(jīng)網(wǎng)絡(luò)是用數(shù)字化仿真來(lái)實(shí)現(xiàn)的,使用軟件和數(shù)字信號(hào)處理芯片來(lái)模擬并行計(jì)算。

3.3 符號(hào)級(jí)數(shù)據(jù)融合

3.3.1 貝葉斯估計(jì)

貝葉斯估計(jì)為多傳感器融合提供了按概率理論規(guī)則組合傳感器信息的方法。貝葉斯估計(jì)是以貝葉斯法則為基礎(chǔ)的技術(shù)。

3.3.2 登普斯特-謝副(D-S)證據(jù)推理

證據(jù)理論可處理由不知道所引起的不確定性。它采用信任函數(shù)而不是概率作為度量,通過(guò)對(duì)一些事件的概率加以約束以建立信任函數(shù)而不必說(shuō)明精確的難以獲得的概率,當(dāng)約束限制為嚴(yán)格的概率時(shí),它就變成為概率論。在證據(jù)相關(guān)時(shí),可考慮用D-S理論推廣方法。

3.3.3 帶置信度因子的生成規(guī)則

多傳感器融合的生成規(guī)則可表達(dá)為:在前提X條件下,給出結(jié)論Y的邏輯含義。用生成規(guī)則通過(guò)確定性因子與每個(gè)命題和規(guī)則相聯(lián)系,來(lái)表示系統(tǒng)中的不確定性。

3.3.4 模糊邏輯

模糊邏輯是一類多值邏輯,通過(guò)對(duì)每個(gè)命題以及運(yùn)算符分配從0.0到1.0的實(shí)數(shù)值直接表示推理過(guò)程中多傳感器融合的不確定性。建立融合過(guò)程不確定性模型,進(jìn)行一致性推理。模糊邏輯方法的主要優(yōu)點(diǎn)在于能將直觀經(jīng)驗(yàn)和知識(shí)中的模糊概念給以定量的描述,處理方法也不是常規(guī)方法中的是與否的2值回答,而是對(duì)某個(gè)特征屬性隸屬程度給出的描述與實(shí)際問(wèn)題看法相類似。作為專家系統(tǒng)思想方法之一的模糊理論被應(yīng)用到眾多信息融合系統(tǒng)的設(shè)計(jì)中。但這一理論的和諧性和數(shù)學(xué)的嚴(yán)密性迄今尚未得到完全解決。

3.3.5 關(guān)系事件代數(shù)方法

是一種有應(yīng)用前景的方法。關(guān)系事件代數(shù)是條件事件代數(shù)的發(fā)展,是對(duì)不確定性的一種描述。關(guān)系事件代數(shù)方法是借助隨機(jī)集理論,以知識(shí)分析的方式進(jìn)行數(shù)據(jù)融合。

4 結(jié)束語(yǔ)

數(shù)據(jù)融合技術(shù)涉及到復(fù)雜的融合算法、實(shí)時(shí)圖像數(shù)據(jù)庫(kù)技術(shù)和高速、大吞吐量數(shù)據(jù)處理等軟硬件支撐技術(shù)。如果神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)成為可能,神經(jīng)網(wǎng)絡(luò)的圖像融合方法也可能成為一種最有前途的圖像融合的方法。目前主要應(yīng)結(jié)合實(shí)際應(yīng)用背景,充分利用相關(guān)電子技術(shù)成果,利用高速數(shù)字信號(hào)處理(DSP)算法來(lái)實(shí)現(xiàn)圖像融合。在計(jì)算方法上,人們?cè)噲D在盡量不丟失信息的情況下,提高計(jì)算效率,降低計(jì)算代價(jià)。一類算法是在滿足一定要求的情況下,對(duì)圖像壓縮,以滿足傳輸?shù)纫蟆Ｄ壳?我國(guó)的數(shù)據(jù)融合技術(shù)處在起步階段,已研制出一些具有初步融合功能的多傳感器數(shù)據(jù)融合系統(tǒng),但與發(fā)達(dá)國(guó)家相比,還有很大的差距。

參考文獻(xiàn)

[1]何友,王國(guó)宏,陸大金,彭應(yīng)寧.多傳感器信息融合及應(yīng)用.北京:電子工業(yè)出版社,2000.

[2]Waltz E,Buede D M.Data Fusion and Decision Support for Command and Control[J].IEEE Trans.On SMC,1986,16(6):865-879.

[3]信息產(chǎn)業(yè)部電子第28所科技信息部.多傳感器多目標(biāo)跟蹤與數(shù)據(jù)融合技術(shù),1999.

作者簡(jiǎn)介:楊丹,女,助教,主要研究方向:計(jì)算機(jī)應(yīng)用;

董楊琴,女,副教授,主要研究方向:計(jì)算機(jī)應(yīng)用(‘青藍(lán)工程資助,sponsored by Qing Lan Project)