融合演算法

A. 加權平均法圖像融合演算法原理是什麼

加權平均法圖像融合演算法的原理就是：對原圖像的像素值直接取相同的權值，然後進行加權平均得到融合圖像的像素值，舉例說比如要融合兩幅圖像A，B，那它們的融合後圖像的像素值就是A*50%+B*50%，可以參照上圖。

B. 多源異構數據融合技術要用到什麼演算法

經緯儀引導數據的數據融合可以採用參數估計融合演算法，即對8組引導數據，按照某種估計准則函數，利用引導數據序列對目標在空間的位置值作出估計，得到目標准確的位置值，消除引導過程中的不確定性。 為准確估計目標的位置值(以Y為例)，對8組引導數據進行線性觀測，得到的引導值為Cj，Y,j=1，2，3，…，n，其中：Cj為常值。 由於觀測有誤差，實際所得的引導值為：Ej＝CjY十cj，其中ej為觀測誤差，服從均值為0的正態分布。 依據Bayes後驗估計理論，可得到n個引導數據的狀態最優估計為： ＾Yop，(E1E2E3...En)＝maxP(Y│E1E2E3...En) (1) Y＾ 即位置的數據融合問題，可以轉化為求出滿足Y的最大後驗概率maxP(Y│E)的估計值Y（E）的問題。在經緯儀實時測量中，對多路引導源的異構引導數據，採用分布圖法進行數據合理性檢測，採用參數估計的邏輯規則進行數據融合，消除各引導數據的不確定性，可以獲得更准確、更可靠的引導數據，從而提高整個測量系統的工作性能。即使某一個甚至幾個引導源工作同時不正常時，其他引導源不受影響獨立地提供信息，指揮中心仍可依據非失效的引導數據獲知目標的准確位置，將失效的經緯儀很快的引導到目標觀測點，降低了整個測量系統的脆弱程度。

C. 多感測器信息融合有哪些常用的融合演算法

感測器(英文名稱:transcer/sensor)是一種檢測裝置，能感受到被測量的信息，並能將感受到的信息，按一定規律變換成為電信號或其他所需形式的信息輸出，以滿足信息的傳輸、處理、存儲、顯示、記錄和控制等要求。
感測器的特點包括:微型化、數字化、智能化、多功能化、系統化、網路化。它是實現自動檢測和自動控制的首要環節。感測器的存在和發展，讓物體有了觸覺、味覺和嗅覺等感官，讓物體慢慢變得活了起來。通常根據其基本感知功能分為熱敏元件、光敏元件、氣敏元件、力敏元件、磁敏元件、濕敏元件、聲敏元件、放射線敏感元件、色敏元件和味敏元件等十大類。

D. 有什麼演算法可以用來融合兩個不同大小的特徵。比如，一個特徵是大小為128的數組，另一個特徵是大小為8

方法太多了吧:
1維情況下:
數組自增就可以了,集合容器不就是這個原理嗎..
初始長度為10,每次你存放(元素),都會進行檢測,根據你放的次數進行檢測!不夠就會增長50%
2維情況下:
直接存放你的任意長度數組,有多少放多少,注意放的是一維數組!

E. 設計一種圖像數據融合演算法，對多聚焦圖像進行融合

融合演算法fusion
algorithm
如：（多感測器單目標位置融合演算法）
經緯儀引導數據的數據融合可以採用參數估計融合演算法，即對8組引導數據，按照某種估計准則函數
融合演算法fusion
algorithm
如：（多感測器單目標位置融合演算法）
經緯儀引導數據的數據融合可以採用參數估計融合演算法，即對8組引導數據，按照某種估計准則函數

F. 哪位做過starfm融合演算法

加權平均法圖像融合演算法的原理就是：對原圖像的像素值直接取相同的權值，然後進行加權平均得到融合圖像的像素值，舉例說比如要融合兩幅圖像A，B，那它們的融合後圖像的像素值就是A*50%+B*50%，可以參照上圖。

G. 遺傳演算法與蟻群演算法融合

利用遺傳演算法的隨機搜索、快速性和全局收斂性生成問題的初始信息素分布，然後充分利用蟻群演算法的並行性、正反饋機制和高效性來解決問題。這樣，融合演算法在求解效率上優於遺傳演算法，在時間效率上優於蟻群演算法，形成了效率和時間效率較高的啟發式演算法。

H. 多感測器數據融合手冊的融合概念

數據融合又稱作信息融合或多感測器數據融合，對數據融合還很難給出一個統一、全面的定義。隨著數據融合和計算機應用技術的發展，根據國內外研究成果，多感測器數據融合比較確切的定義可概括為：充分利用不同時間與空間的多感測器數據資源，採用計算機技術對按時間序列獲得的多感測器觀測數據，在一定準則下進行分析、綜合、支配和使用，獲得對被測對象的一致性解釋與描述，進而實現相應的決策和估計，使系統獲得比它的各組成部分更充分的信息。
1．2 多感測器數據融合原理
多感測器數據融合技術的基本原理就像人腦綜合處理信息一樣，充分利用多個感測器資源，通過對多感測器及其觀測信息的合理支配和使用，把多感測器在空間或時間上冗餘或互補信息依據某種准則來進行組合，以獲得被測對象的一致性解釋或描述。具體地說，多感測器數據融合原理如下：
（1）N個不同類型的感測器（有源或無源的）收集觀測目標的數據；
（2）對感測器的輸出數據（離散的或連續的時間函數數據、輸出矢量、成像數據或一個直接的屬性說明）進行特徵提取的變換，提取代表觀測數據的特徵矢量Yi；
（3）對特徵矢量Yi進行模式識別處理（如，聚類演算法、自適應神經網路或其他能將特徵矢量Yi變換成目標屬性判決的統計模式識別法等）完成各感測器關於目標的說明；
（4）將各感測器關於目標的說明數據按同一目標進行分組，即關聯；
（5）利用融合演算法將每一目標各感測器數據進行合成，得到該目標的一致性解釋與描述。
2 多感測器數據融合方法
利用多個感測器所獲取的關於對象和環境全面、完整的信息，主要體現在融合演算法上。因此，多感測器系統的核心問題是選擇合適的融合演算法。對於多感測器系統來說，信息具有多樣性和復雜性，因此，對信息融合方法的基本要求是具有魯棒性和並行處理能力。此外，還有方法的運算速度和精度；與前續預處理系統和後續信息識別系統的介面性能；與不同技術和方法的協調能力；對信息樣本的要求等。一般情況下，基於非線性的數學方法，如果它具有容錯性、自適應性、聯想記憶和並行處理能力，則都可以用來作為融合方法。
多感測器數據融合雖然未形成完整的理論體系和有效的融合演算法，但在不少應用領域根據各自的具體應用背景，已經提出了許多成熟並且有效的融合方法。多感測器數據融合的常用方法基本上可概括為隨機和人工智慧兩大類，隨機類方法有加權平均法、卡爾曼濾波法、多貝葉斯估計法、Dempster-Shafer（D-S）證據推理、產生式規則等；而人工智慧類則有模糊邏輯理論、神經網路、粗集理論、專家系統等。可以預見，神經網路和人工智慧等新概念、新技術在多感測器數據融合中將起到越來越重要的作用。