1. 研究目的与意义
进入信息时代之后，人们对信息量的要求越来越大。图像信息由于其直观性而显得更加重要。图像匹配是数据融合技术的一个域，是通过合并来自相同或者不同类型传感器的图像来生成复合图像，用于改善图像的视觉效果，以生成对所摄场景的一致性的正确描述。因此，新生成的图像包含更完整的信息，更适合人的视觉感。图像匹配的关键在于寻找一个合理的算法。
高效的图像匹配方法可以根据需要综合处理多源通道的信息，从而有效地提高了图像信息的利用率、系统对目标探测识别地可靠性及系统的自动化程度。近年来，国内外提出了众多的立体视觉匹配算法，主要分为四种：区域匹配、特征匹配、相位匹配、能量匹配。但由于各种外在和客观因素，每种方法都不能达到最优的效果，还有最近几年提出的相对位置约束，但它对于图像区域的变形遮掩情况处理并非理想，因此本文利用了小波变换和分形维数相结合的方法提出了一种新的区域匹配方法，应用于校正的灰度立体图像对后，验证其对区域遮掩和变形等情况具备更好的识别匹配性能。2. 国内外研究现状分析
分形理论作为非线性的几何学使定量描述微生物生长成为可能,目前分形理论已广泛用于定量描述微生物的生长形态。通过分析已有的研究结果,为定量研究在不同土壤团聚体粒径中微生物的分布特点提供新的研究思路。
1992 年Q. H. Zhang和A. Benven iste 明确提出了小波网络的概念, 它实际上是作为对前馈神经网络逼近任意函数变换的替换。其基本思想是: 利用小波元(waveron) 来代替神经元(neu ron) , 通过作为一致逼近的小波分解来建立起小波变换与神经网络的连接。
传统的约束条件在区域匹配中由于缺少特征量和区域遮掩等情况而效果一直不佳，Ansari等人在2000年提出了相对位置约束(Relative PositionConstraintRPC)的方法很大层度上改进了原来算法的性能。3. 研究的基本内容与计划
本论文主要研究了提升小波的基本原理和利用提升方法构造第二代小波的方法，深入研究了提升小波的基本原理和利用提升方案构造第二代小波的法。在小波的基础上进行改进和提升主要改进传统小波的一些算法，使得图像的融合不再依赖傅里叶变换。本文提出一种结合已匹配区域参量构造视差梯度函数的立体图像区域匹配方法，该方法摒弃了现有算法中单一参量不稳定的特性。根据以上研究本文提出了基于小波变换及分形维的立体图像区域匹配方法。
4. 研究创新点
在立体图像的区域匹配中，遮掩、区域变形及光照条件会对匹配算法造成很大的影响，传统的顺序性约束、惟一性约束、外极线约束和邻域约束并不能很好地解决这些问题，而近几年提出的相对位置约束却能解决其中大部分问题，但对于区域的遮掩情况依然效果不佳。
并且当对多个候选区域进行最佳匹配选择时，通常依靠区域的单一参量进行判别，但受到视点的变换时效果并不理想。
本课题提出一种结合已匹配区域参量构造视差梯度函数的立体图像区域匹配方法，该方法摒弃了现有算法中单一参量不稳定的特性；此外提出了中心环投影曲线相关、提升小波在图像融合中的应用，以及和传统小波融合的对比。
