融合算法

A. 加权平均法图像融合算法原理是什么

加权平均法图像融合算法的原理就是：对原图像的像素值直接取相同的权值，然后进行加权平均得到融合图像的像素值，举例说比如要融合两幅图像A，B，那它们的融合后图像的像素值就是A*50%+B*50%，可以参照上图。

B. 多源异构数据融合技术要用到什么算法

经纬仪引导数据的数据融合可以采用参数估计融合算法，即对8组引导数据，按照某种估计准则函数，利用引导数据序列对目标在空间的位置值作出估计，得到目标准确的位置值，消除引导过程中的不确定性。 为准确估计目标的位置值(以Y为例)，对8组引导数据进行线性观测，得到的引导值为Cj，Y,j=1，2，3，…，n，其中：Cj为常值。 由于观测有误差，实际所得的引导值为：Ej＝CjY十cj，其中ej为观测误差，服从均值为0的正态分布。 依据Bayes后验估计理论，可得到n个引导数据的状态最优估计为： ＾Yop，(E1E2E3...En)＝maxP(Y│E1E2E3...En) (1) Y＾ 即位置的数据融合问题，可以转化为求出满足Y的最大后验概率maxP(Y│E)的估计值Y（E）的问题。在经纬仪实时测量中，对多路引导源的异构引导数据，采用分布图法进行数据合理性检测，采用参数估计的逻辑规则进行数据融合，消除各引导数据的不确定性，可以获得更准确、更可靠的引导数据，从而提高整个测量系统的工作性能。即使某一个甚至几个引导源工作同时不正常时，其他引导源不受影响独立地提供信息，指挥中心仍可依据非失效的引导数据获知目标的准确位置，将失效的经纬仪很快的引导到目标观测点，降低了整个测量系统的脆弱程度。

C. 多传感器信息融合有哪些常用的融合算法

传感器(英文名称:transcer/sensor)是一种检测装置，能感受到被测量的信息，并能将感受到的信息，按一定规律变换成为电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。
传感器的特点包括:微型化、数字化、智能化、多功能化、系统化、网络化。它是实现自动检测和自动控制的首要环节。传感器的存在和发展，让物体有了触觉、味觉和嗅觉等感官，让物体慢慢变得活了起来。通常根据其基本感知功能分为热敏元件、光敏元件、气敏元件、力敏元件、磁敏元件、湿敏元件、声敏元件、放射线敏感元件、色敏元件和味敏元件等十大类。

D. 有什么算法可以用来融合两个不同大小的特征。比如，一个特征是大小为128的数组，另一个特征是大小为8

方法太多了吧:
1维情况下:
数组自增就可以了,集合容器不就是这个原理吗..
初始长度为10,每次你存放(元素),都会进行检测,根据你放的次数进行检测!不够就会增长50%
2维情况下:
直接存放你的任意长度数组,有多少放多少,注意放的是一维数组!

E. 设计一种图像数据融合算法，对多聚焦图像进行融合

融合算法fusion
algorithm
如：（多传感器单目标位置融合算法）
经纬仪引导数据的数据融合可以采用参数估计融合算法，即对8组引导数据，按照某种估计准则函数
融合算法fusion
algorithm
如：（多传感器单目标位置融合算法）
经纬仪引导数据的数据融合可以采用参数估计融合算法，即对8组引导数据，按照某种估计准则函数

F. 哪位做过starfm融合算法

加权平均法图像融合算法的原理就是：对原图像的像素值直接取相同的权值，然后进行加权平均得到融合图像的像素值，举例说比如要融合两幅图像A，B，那它们的融合后图像的像素值就是A*50%+B*50%，可以参照上图。

G. 遗传算法与蚁群算法融合

利用遗传算法的随机搜索、快速性和全局收敛性生成问题的初始信息素分布，然后充分利用蚁群算法的并行性、正反馈机制和高效性来解决问题。这样，融合算法在求解效率上优于遗传算法，在时间效率上优于蚁群算法，形成了效率和时间效率较高的启发式算法。

H. 多传感器数据融合手册的融合概念

数据融合又称作信息融合或多传感器数据融合，对数据融合还很难给出一个统一、全面的定义。随着数据融合和计算机应用技术的发展，根据国内外研究成果，多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。
1．2 多传感器数据融合原理
多传感器数据融合技术的基本原理就像人脑综合处理信息一样，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描述。具体地说，多传感器数据融合原理如下：
（1）N个不同类型的传感器（有源或无源的）收集观测目标的数据；
（2）对传感器的输出数据（离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明）进行特征提取的变换，提取代表观测数据的特征矢量Yi；
（3）对特征矢量Yi进行模式识别处理（如，聚类算法、自适应神经网络或其他能将特征矢量Yi变换成目标属性判决的统计模式识别法等）完成各传感器关于目标的说明；
（4）将各传感器关于目标的说明数据按同一目标进行分组，即关联；
（5）利用融合算法将每一目标各传感器数据进行合成，得到该目标的一致性解释与描述。
2 多传感器数据融合方法
利用多个传感器所获取的关于对象和环境全面、完整的信息，主要体现在融合算法上。因此，多传感器系统的核心问题是选择合适的融合算法。对于多传感器系统来说，信息具有多样性和复杂性，因此，对信息融合方法的基本要求是具有鲁棒性和并行处理能力。此外，还有方法的运算速度和精度；与前续预处理系统和后续信息识别系统的接口性能；与不同技术和方法的协调能力；对信息样本的要求等。一般情况下，基于非线性的数学方法，如果它具有容错性、自适应性、联想记忆和并行处理能力，则都可以用来作为融合方法。
多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、Dempster-Shafer（D-S）证据推理、产生式规则等；而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。