红外偏振与光强图像的拟态融合原理和模型研究*

杨风暴

(中北大学 信息与通信工程学院， 山西 太原 030051)

红外偏振与光强图像的拟态融合原理和模型研究*

杨风暴

(中北大学 信息与通信工程学院， 山西 太原 030051)

针对传统融合模型不能根据差异特征变化而动态调整造成融合图像效果差的问题， 提出了红外偏振与光强图像拟态融合概念， 论述了图像拟态融合的特性； 研究了拟态感知机理和拟态变换定理， 指出了图像拟态融合原理和模型的研究内容及实现途径； 分析了融合算法类集的结构化和融合结构的可重构化两个关键技术问题. 从而探索出通过改变融合模型结构满足不同模态图像动态变化需求的融合新理论、 新方法.

红外偏振图像； 拟态融合； 拟态仿生学； 结构重构

1 引 言

红外偏振与光强成像系统是高性能空天一体化组网监测、 公共安全多视频监控、 医学影像诊断领域中的星载、 机载、 车载以及医用探测平台的重要组成部分[1-2]. 在探测目标的多样化、 环境的复杂化和任务的多元化背景下， 红外偏振与光强图像融合能够综合两类图像间互补信息， 显著提高光电成像系统的成像质量、 探测精度[3-4]， 满足用户对高性能影像数据的需求(如图 1)， 从而成为红外信息处理的一项关键技术.

图 1 红外偏振光强图像及融合图像Fig.1 Infrared polarization, intensity and fused images

1.1 红外偏振与光强图像融合面临的问题

红外偏振与光强图像融合的关键是： 在综合共有特征的基础上， 实现两类图像差异特征(互补特征)的有效融合[5]. 当前， 两类图像融合主要是依据图像差异特征的先验知识事先确定融合算法. 事实上， 在真实的目标检测中， 由于场景的动态变化， 红外偏振与光强图像间差异特征很难提前有效确定， 必须依靠实时的成像条件和探测系统获取； 且图像的差异特征类型、 差异幅度是随机变化的， 尤其是动态图像帧间变化更为复杂， 事先选择的“固定”融合模型和算法很难满足“动态”变化的差异特征的融合需求， 这种“先验假设”的融合方法已成为制约两类图像融合效果提升的瓶颈.

产生上述问题的原因表面是由于融合模型不随图像差异特征变化而调整； 实质上是融合模型对图像差异特征变化敏感性低、 融合模型固定结构不具备动态调整和选择有效融合算法能力， 从而严重束缚了融合优势的发挥. 只有提高模型对差异特征变化的敏感能力、 建立动态可变融合结构的方法， 才能突破上述瓶颈问题.

1.2 拟态融合的提出

拟态章鱼可模仿15种海洋生物而躲避危险， 具有超强的多拟态能力[6]， 如图 2 所示. 拟态章鱼的多拟态特性得益于自身的两大功能： ① 能够敏锐感知到外界不同威胁对象； ② 通过自身颜色、 形状和动作的变化， 模仿利于自身生存的不同生物及其行为， 获得自我保护. 这两大功能与解决上述两类图像融合问题的需求是一致的.

因此， 针对现有图像融合模型缺乏感知图像间差异信息能力、 不能根据认知差异调整融合策略等深层问题， 本文将拟态章鱼的多拟态特性引入到图像融合中， 提出红外偏振与光强图像拟态融合， 给出红外偏振与光强图像拟态仿生融合原理和拟态仿生融合模型的构建方法， 探索高性能红外成像探测技术及图像融合的新理论、 新方法.

图 2 拟态章鱼的多拟态特性示意图Fig.2 Diagram on multiple mimicry properties of mimic octopus

1.3 拟态融合的意义

红外偏振与光强图像拟态融合不企图建立适用所有图像融合的方法， 也不排除现有融合算法的优势性能， 更不拒绝在融合方法中引入其它新理论提高融合算法自适应程度， 而是借助“差异决定结构、 结构决定效果”的思想， 根据两类成像特性提取相应差异特征， 形成对融合可变驱动， 使图像差异特征和融合方法紧密结合. 相关初步研究表明， 图像拟态融合具备解决传统融合模型被动地响应复杂多变的差异特征融合需求的问题， 能够从根本上提高融合模型的自适应性.

将图像拟态融合扩展到红外与可见光图像、 多模态医学图像、 多光谱遥感图像等异质图像融合中， 可以极大地提高融合模型的鲁棒性， 满足复杂差异特征融合需求； 在无人机遥感、 智慧交通和危险物检测等领域的光电探测系统中， 拟态融合可以使系统获得更加精细化、 多元化和丰富的目标信息， 显著提高系统精准探测和智能化水平.

2 拟态融合概念

2.1 拟态融合的提出依据

为了获得高质量的红外偏振与光强融合图像， 研究人员提出了基于离散小波变换[7]、 小波包[8]、 拉普拉斯金字塔[9]、 非下采样轮廓波[10]和非下采样剪切波[11]等多尺度变换融合算法， 研究表明不同融合算法各有优势[12]. 因此， 有学者将优势互补的融合算法相结合， 如： 文献[13]将NSCT与SR相结合， 融合图像具有较好的目标信息和背景信息； 文献[14]为了提高红外偏振与光强融合图像的对比度特征， 将顶帽变换与多尺度支持度变换相结合， 融合图像质量明显优于单一融合算法. 本文作者[15-18]尝试将差异特征驱动的图像融合模型应用到红外偏振与光强图像融合中， 将多算法融合扩展到针对差异特征变化驱动不同融合算法， 满足差异特征变化对融合的需求， 使多算法融合模型的融合性能得到进一步提升， 但融合模型依然是刚性结构， 不能动态响应差异特征变化融合需求. 研究表明， 将融合模型设计成由规则、 参数等各部分可变的不同融合算法构成的结构可变模型， 则融合模型能够根据差异特征变化动态地选择与使用各融合算法， 根本上确保模型的融合性能.

拟态[19]是指一种生物在形态、 行为等特征上模拟另一种生物， 从而使一方或双方受益的生态适应现象， 它是生物的一种生存本领. 拟态仿生学是指在研究生物拟态特性基础上， 模仿生物拟态系统机理和结构的仿生科学. 拟态章鱼具有根据外界刺激变化， 拟态多种生物的能力， 使拟态仿生学研究向多拟态扩展. 拟态章鱼感知外界威胁变化的能力[20]和做出相应变化的身体结构[21]为融合模型根据差异特征不同变化而改变的需求提供了仿生依据. 2013年邬江兴院士等[22]通过对拟态章鱼仿生， 提出了拟态计算， 根据动态参数选择生成多种功能等价的可计算实体， 同时还提出拟态安全的概念， 证明了拟态变换的可实现性， 为图像拟态融合提供了借鉴.

2.2 拟态融合的基本概念

拟态融合是指根据拟态章鱼按照生存需求模仿出多种生物的多拟态行为， 建立多类图像融合的变结构模型的一种仿生融合方法， 以解决固定模型融合动态场景序列图像时效果低或失效的问题. 其通过感知图像间的差异特征及变化， 动态映射出优化的融合算法， 再将多算法协同嵌接形成相应的融合模型； 模型的结构、 算法、 规则、 参数能够根据差异特征的改变而自适应的变化.

2.3 拟态融合的主要特性

拟态融合主要具备结构重构性、 主动感知性、 动态优化性、 拟态多样性等特性.

1) 结构重构性： 应用多维重构、 结构化融合算法构建技术， 融合模型具备可变结构； 模型中各变元、 变体和结构等局部或全部随差异特征的变化实时调整， 完成融合后重构回初始状态.

2) 主动感知性： 依据拟态感知机理， 融合模型自觉探知差异特征及其变化.

3) 动态优化性： 针对感知到的差异特征变化， 融合模型自适应地更新差异特征类集与融合算法类集间的映射， 使差异特征与算法间达到更优匹配.

4) 拟态多样性： 有机整合选择的融合算法， 通过与拟态机理深度结合运用， 融合模型通过各变元间、 变体间组合派生出多种融合模型结构.

3 拟态融合原理

拟态融合原理是指充分发挥不同融合算法的优势， 基于拟态感知机理和拟态变换定理， 实现融合模型感知/认知差异特征、 拟态变换， 是融合模型根据红外偏振与光强图像差异特征变化、 动态选择合适的算法的理论基础.

3.1 拟态融合原理的主要内容

1) 拟态章鱼的感知与拟态机理： 根据拟态章鱼对不同威胁对象的感知能力和被拟态对象的结构及特点， 揭示拟态章鱼的拟态类型和拟态机理.

2) 差异特征驱动机制： 通过建立多图像间差异特征类集与融合算法类集间的反映融合有效性的多集值映射， 根据不同的差异特征， 基于该映射选择不同的融合算法(或融合规则、 融合参数等)， 将选择的融合算法协同嵌接形成相应的融合模型， 从而使融合模型随图像差异特征的改变而优化改变； 揭示成像差异特性到图像差异特征的演化规律， 确定拟态驱动类型.

3) 面向图像融合的拟态变换定理： 研究可逆变元的类型及功能、 各类变体的构成及组合形式； 探索不同类型拟态变换过程及其关系， 给出拟态变换的函数化描述方法.

3.2 拟态融合原理的研究途径

1) 拟态章鱼的感知能力： 通过拟态章鱼及相关生物感知方面的最新研究， 确定拟态章鱼对不同威胁对象的感知种类和能力； 明确拟态章鱼如何感知到不同威胁对象的颜色、 形状及动作等变化， 并及时做出准确的判断和反应； 利用情景感知服务框架法和数字化感知仿生手段揭示拟态章鱼对各种威胁对象的感知性能.

2) 拟态章鱼的拟态机理： 跟踪拟态章鱼拟态仿生过程的最新研究成果， 探索其皮肤表面色包的类型、 组合颜色与图案的方式， 触角形状及其组合变形协调形式， 运动特点及外观暂态的形成、 保持及复原， 确定拟态章鱼模仿不同生物的拟态过程； 分析拟态章鱼多拟态性能的产生原因； 从黑箱理论分析输入和输出间的关系、 由刺激到响应过程的角度， 结合拟态章鱼生理特性， 确定拟态章鱼的拟态机理.

3) 差异特征驱动机制： 通过分析红外偏振与红外热成像在目标辐射特性、 大气传输特性、 探测器响应特性等因素之间的差异； 根据成像差异特性与图像差异特征之间的内在联系， 揭示从成像差异特性到图像差异特征的形成机理， 进而确定拟态驱动类型， 为后续拟态融合模型的建立提供驱动敏感量.

4) 拟态变换定理： 结合拟态章鱼模仿多种生物的拟态过程， 确定面向图像融合、 能够反映各种变体的可逆变元按照某种需求的协同变化过程的拟态变换定理： 通过比较各差异特征对应各种融合算法的融合有效度， 选择有效融合算法、 选取合适融合规则、 确定最优融合参数， 对各种变体可逆变元的构成及组合进行分析； 利用拟态计算机体系结构的动态重构方法对拟态变换准则进行研究； 采用回归分析方法， 将拟态变换的定性过程转换为定量过程， 得到拟态变换的函数化描述， 见式(1).

(1)

其中， 该变换的定义域为各种变体的可逆变元组成的集合U，W表示融合算法集且为维向量，P表示融合规则集且为维向量，Q表示融合参数集且为L维向量， 值域为融合算法、 规则、 参数的协同组合形成的新形态或结构集合V，V为K维向量.

拟态变换是实现图像融合中建立感知/认知到的差异特征变化与动态可变融合结构之间关系的必要环节. 只有对拟态变换中各种可逆单元的构成、 多个单元间的协同组合规则、 不同类型拟态的变换过程及其关系深入研究， 融合模型的拟态性能才能实现.

拟态融合模型各部分都应具备动态、 可变、 可重构的功能， 依据融合算法通用性框架， 将融合分为三个不同可逆变元， 各变元都是动态可重构的， 变元间既相互独立又互相关联； 根据不同的差异特征， 各变元联合派生出合适的融合算法， 当融合结束后， 各变元恢复初始状态， 如图 3 所示.

图 3 拟态融合可逆单元示意图Fig.3 Reversible units of mimic fusion

4 拟态融合模型

4.1 拟态融合模型的研究内容

1) 图像间差异特征类集构建： 根据差异特征驱动机制， 探索差异特征表示与提取方法， 建立两类图像差异特征类集.

2) 被拟态模型结构性能分析： 根据各类变体及其可逆变元的性质， 归纳总结典型融合算法， 建立融合算法与被拟态模型之间的关系； 研究被拟态模型的性能.

3) 结构化融合算法类集构建： 根据融合算法的特点， 形成融合算法的分类规则； 研究算法间的关系及结构， 探究融合结构动态重构机理， 构建结构化融合算法类集.

4) 两种类集间多集值映射： 探索感知/认知图像差异特征变化方法， 构建差异特征敏感模型； 根据差异特征驱动机制， 揭示两类集间多集值映射关系.

5) 多形态子结构算法集/类集派生策略： 构建多形态重构函数化体系； 研究可能性分布逻辑交并规则及各类融合算法的协同规律和嵌接机理， 建立差异特征驱动的拟态融合模型.

拟态融合模型构建方法总体示意如图 4 所示.

图 4 拟态融合模型构建方法示意图Fig.4 Diagram on modeling of mimic fusion

4.2 拟态融合模型的实现方法

1) 两类图像差异特征类集构建： 通过红外偏振与光强成像特性分析及差异特征间的相关性研究， 构建出图像差异特征分类树的第一层类别结构； 对多组图像统计并描述第一层类别下的各差异信息， 构建出差异特征分类树的第二层结构； 提取差异特征， 将其按照差异特征分类树进行分类， 分类结果便于构建差异特征类集. 依据差异特征分类树进行差异特征分类， 建立认知差异程度、 类型及其之间的关系， 从而确定差异特征类集.

2) 被拟态模型结构性能分析： 分析常用融合算法(如非下采样剪切波、 分阶数傅里叶变换、 视觉显著性、 多层级融合、 模糊神经网络、 点扩散函数模型、 彩色空间变换等)的结构、 功能和特点， 找出稳定性高的典型融合算法； 研究典型融合算法与被拟态融合模型间的联系； 可以采用定性分析和定量分析相结合的方法对被拟态融合模型的结构性能进行分析.

3) 算法类集构建： 将不同融合算法按照融合需求、 适用范围及算法对图像不同特征的融合效果等进行归类形成融合算法类集， 以类集中某个元素与其它元素的距离测度为主要依据， 研究类集元素的构成形式和增删机制， 最后构建融合算法类集.

4) 两种类集间多集值映射： 通过研究图像间视觉指数、 边缘强度、 边缘特征点数、 直方图的差异统计特征、 灰度-梯度共生纹理等差异特征， 拟采用采用式(2)将其进行量化并得到相应的差异特征值， 通过研究感知/认知差异特征变化的方法， 进而构建差异特征敏感模型.

(2)

式中：α+β=1,Ti1为红外偏振图像的第i个差异特征值；Ti2为红外光强图像的第i个差异特征值； ΔTi为两图像第i个差异特征的相对值.

差异特征对应各融合算法融合有效度的可能性分布是建立映射关系的前提和基础， 可以采用偏序集理论的数据包络分析法评价各融合算法的相对有效程度.

类集间多集值映射关系的建立拟采用可能性理论中的可能性集值映射， 并确定类集间元素的可能性测度. 具体映射关系如图 5 所示， 假设π1(x) 和π2(y)分别为模糊集A和B的可能性分布， 则对于λ1∈[0,1]，λ2∈[0,1]， 则有

(3)

图 5 中，γ是XOY面上投影轴与Y轴的夹角， 也称为协调因子， 它反映了A和B表示的属性间的相关关系， 当γ越小， 说明B的属性比A的越重要.

5) 多形态子结构化融合算法集/类集派生策略： 根据不同的差异特征， 按照融合算法对各差异特征的融合有效度、 便于输入输出等要求， 建立结构化融合算法类集选择派生子结构算法集/类集的方法， 借鉴多维重构拟态化结构研究两类图像的多形态重构函数化体系.

融合算法协同嵌接机理研究， 可以采用多个可能性分布间的交、 并、 补的上确界或下确界以及与、 或等逻辑运算规则定义更为一般的可能性分布合成规则， 根据可能性分布的不同表现形式及其关系， 选择合适的规则进行可能性分布合成(见式(4))， 建立融合算法的自适应变换方法； 然后， 结合各融合算法的特点及组合方式， 研究各算法间的协同关系及嵌接机理.

图 5 差异特征类集与融合算法类集的集值映射Fig.5 Set value mapping between class-set of difference features and class-set of fusion algorithms

(4)

通过对上述内容的研究， 建立红外偏振与光强图像差异特征驱动的拟态融合模型.

4.3 拟态融合模型的关键技术

1) 融合算法类集的结构化： 结构化算法类集是算法按照融合需求、 适用范围及算法对不同特征的融合效果等进行归类后形成的集合， 结构化主要体现在元素的层次结构(即算法类集、 算法集、 规则集以及参数集等的多层次结构及其存储、 调用关系)和元素间联接关系(包括类内元素选择、 替代、 变换关系以及类间元素的组合关系). 只有确定类集中各层次元素的存储调用关系、 类内及类间元素的选择替代关系， 拟态仿生融合模型才能按照差异特征变化合理地确定融合结构、 算法、 规则及参数等. 图 6 为结构化融合算法类集构建示意图.

图 6 结构化融合算法类集构建示意图Fig.6 Construction of class-set of structured fusion algorithms

2) 融合结构的可重构化： 融合结构的可重构化指根据拟态感知类型， 由融合规则、 参数等反映算法性能的可逆变元组成的变体结构柔性调整的一种实现方法. 融合结构可重构不仅涉及到各可逆变元构成(相对稳定)及组合(相对易变)， 而且还包括感知/认知到的差异特征与动态可变融合结构间关系的建立、 基于拟态变换的多维重构函数化体系的构建. 只有确定各变元的层次关系、 融合结构的动态重构方法， 拟态融合模型才能根据差异特征变化动态调整融合策略.

5 结束语

本文针对目前红外偏振与光强图像融合模型不能随差异特征变化动态调整融合策略的问题， 提出红外偏振与光强图像拟态融合， 将拟态章鱼的拟态特性引入到图像融合中， 阐述了拟态融合的概念和特性、 图像拟态融合原理及模型构造方法， 为解决图像拟态融合与建模中的感知/认知机理、 拟态变换、 可变融合结构等深层次理论问题提供理了理论上和方法上的研究思路.

需要进一步深入研究模型的智能感知机制， 提高差异特征感知的准确性和灵敏性； 融合算法对差异特征融合有效度的分布合成， 建立多个差异特征幅值与算法融合有效度间的深度映射， 为模型动态选择融合算法提供客观依据； 图像拟态融合评价体系， 为模型的完善提供参考， 也为融合图像质量评价探索一条新途径.

[1]姜会林， 江伦， 付强， 等. 空间碎片偏振光谱成像探测技术研究[J]. 深空探测学报， 2015， 2(3)： 273-276. Jiang Huilin, Jiang Lun, Fu Qiang, et al. Discussion of the polarization spectral imaging observations technology with space debris[J]. Journal of Deep Space Exploration, 2015， 2(3)： 273-276. (in Chinese)

[2]蔡怀宇， 杨建乔， 黄战华， 等. 基于偏振图像融合的长波红外人脸图像增强技术[J]. 纳米技术与精密工程， 2016， 14(4)： 263-268. Cai Huaiyu, Yang Jianqiao, Huang Zhanhua, et al. LWIR human face image enhancement method based on polarimetric image fusion[J]. Nanotechnology and Precision Engineering, 2016， 14(4)： 263-268. (in Chinese)

[3]王慧斌， 廖艳， 沈洁， 等. 分级多尺度变换的水下偏振图像融合法[J]. 光子学报， 2014， 43(5)： 1-6. Wang Huibin, Liao Yan, Shen Jie, et al. Method of underwater polarization image fusion based on hierarchical and multi-scale transform[J]. Acta Photonica Sinica, 2014， 43(5)： 1-6. (in Chinese)

[4]杨风暴. 红外物理与技术[M]. 北京： 电子工业出版社， 2014.

[5]杨风暴， 蔺素珍. 基于变换域多合成规则的双色中波红外图像融合[J]. 红外与激光工程， 2014， 43(11)： 3664-3668. Yang Fengbao, Lin Suzhen. Fusion of dual color MWIR images based on multiple combination rules in transform domain[J]. Infrared and Laser Engineering, 2014， 43(11)： 3664-3668. (in Chinese)

[6]Norman M D， Finn J， Tregenza T. Dynamic mimicry in an Indo-Malayan octopus[J]. Proceedings of the Royal Society B Biological Sciences， 2001， 268(1478)： 1755-8.

[7]Yang W, Gu G H， Chen Q, et all. A wavelet-based adaptive fusion algorithm of infrared polarization imaging[C]. Proc. of SPIE， 2016： 1-9.

[8]陈伟力， 王霞， 金伟其, 等. 基于小波包变换的中波红外偏振图像融合[J]. 北京理工大学学报， 2011， 31(5)： 578-582. Chen Weili, Wang Xia, Jin Weiqi, et al. Approach to fusing MWIR polarization image based on wavelet packet transform[J]. Transactions of Beijing Institute of Technology, 2011， 31(5)： 578-582. (in Chinese)

[9]Yue Z， Li F M. An infrared polarization image fusion algorithm based on oriented Laplacian pyramid[C]. Proc. of SPIE， 2014： 8-11.

[10]Yu X， Chen Q， Gu G， et al. An infared polarization image fusion method based on NSCT and fuzzy C-means clustering segmentation algorithms[C]. Proc. of SPIE， 2014： 1-9.

[11]周强， 赵巨峰， 冯华军， 等. 非下采样剪切波的红外偏振图像融合[J]. 浙江大学学报(工学版)， 2014， 48(8)： 1509-1516. Zhou Qiang, Zhao Jufeng, Feng Huajun, et al. Infrared polarization image fusion with non-sampling Shearlets[J]. Journal of Zhejiang University (Engineering Science), 2014， 48(8)： 1509-1516. (in Chinese)

[12]原惠峰， 杨风暴， 张雷， 等. 不同图像融合技术的融合性能分析比较[J]. 中国科技论文， 2015， 10(20)： 20406-20411. Yuan Huifeng, Yang Fengbao, Zhang Lei, et al. A comparative study of the performance of different image fusion technology[J]. China Sciencepaper, 2015， 10(20)： 20406-20411. (in Chinese)

[13]Liu Y， Liu S P， Wang Z F. A general framework for image fusion based on multi-scale transformand sparse representation[J]. Information Fusion， 2015， 24(3)： 147-164.

[14]Lin S Z， Wang D J， Zhu X H, et al. Fusion of infrared intensity and polarization images using embedded multi-scale transform[J]. Optik， 2015， 126(24)： 5127-5133.

[15]Yang F B, Wei H. Fusion of infrared polarization and intensity images using support value transform and fuzzy combination rules[J]. Infrared Physics & Technology， 2013， 60： 235-243.

[16]牛涛， 杨风暴， 王肖霞， 等. 差异特征与融合算法的集值映射关系的建立[J]. 红外与激光工程， 2015， 44(3)： 1074-1079. Niu Tao, Yang Fengbao, Wang Xiaoxia, et al. Establishment of set-valued mapping between difference characteristics and fusion algorithms[J]. Infrared and Laser Engineering, 2015， 44(3)： 1074-1079. (in Chinese)

[17]牛涛， 杨风暴， 卫红， 等. 红外偏振和光强图像差异特征分类树的构建[J]. 红外技术， 2015， 37(6)： 457-461. Niu Tao, Yang Fengbao, Wei Hong, et al. Classification tree of difference features between infrared polarization and infrared intensity images[J]. Infrared Technology, 2015， 37(6)： 457-461. (in Chinese)

[18]安富， 杨风暴， 蔺素珍， 等. 特征差异驱动的红外偏振与光强图像融合[J]. 中国科技论文， 2014(1)： 96-102. An Fu, Yang Fengbao, Lin Suzhen, et al. Feature differences driven fusion of infrared polarization and intensity images[J]. China Sciencepaper, 2014(1)： 96-102. (in Chinese)

[19]Yamazaki K， Yadun S L. Dense white trichome production by plants as possible mimicry of arthropod silk or fungal hyphae that deter herbivory[J]. Journal of Theoretical Biology， 2015， 364(25)： 1-6.

[20]Tomita M， Aoki S. Visual discrimination learning in the small octopus octopusocellatus[J]. Ethology， 2014， 120(9)： 863-872.

[21]Hanlon R T， Watson A C， Barbosa A. “Mimic octopus” in the atlantic： flatfish mimicry and camouflage by macrotritopusdefilippi[J]. Biological Bulletin， 2010， 218(1)： 15-24.

[22]邬江兴. 拟态计算与拟态安全防御的原意和愿景[J]. 电信科学， 2014， 7(1)： 2-7. Wu Jiangxing. Meaning and vision of mimic computing and mimic security defense[J]. Telecommunications Science, 2014， 7(1)： 2-7. (in Chinese)

Research on Theory and Model of Mimic Fusion Between Infrared Polarization and Intensity Images

YANG Feng-bao

(School of Information and Communication Engineering, North University of China, Taiyuan 030051， China)

The structure cannot be adjusted dynamically in the current fusion model under the change of different features among images, leading to low fusion effect. The concept of mimic fusion between infrared polarization and intensity image is proposed in this paper and the characteristics of mimic fusion are discussed. Then, the mimic perception mechanism and transformation theorem are studied, and the research contents and implementation ways of image mimic fusion are pointed out. Lastly, two key technologies on the structured implementation of fusion algorithm class-set and reconstruction of fusion structure are analyzed. The novel fusion theory and method are explored to meet the dynamic change demand of different modality images by changing fusion model structure.

infrared polarization image; mimic fusion; mimic bionics;structure reconstruction

1673-3193(2017)01-0001-08

2016-11-18

国家自然科学基金资助项目(61672472)

杨风暴(1968-)， 男， 教授， 博士生导师， 主要从事多源信息融合处理研究.

TP391.41

A

10.3969/j.issn.1673-3193.2017.01.001