海上目标的主、被动传感器信息融合

多传感器信息融合已经被应用到许多领域，但用于海上目标的识别和融合的文章并不多，本文主要是针对海上目标进行的。利用NN算法，给出一个新的门限。通过航迹关联和决策融合（D-S证据推理)对海上目标进行判别，可以提高识别舰船的概率。最后进行信息融合，进而提高目标识别的精度。最后给出了今后的工作。     

基于MTF的多传感器融合算法

Kalman滤波是一种应用非常广泛的状态估计算法,基于信息融合的Kalman滤波包括状态向量融合和测量融合两种方法。传统的Kalman方法(TTF)具有较低的估计误差和很长的计算时间。提出的状态向量和测量向量的融合模型MTF利用局部融合信息给出一种更好的状态估计,计算时间短,性能也比TTF高。     

结合SML与差分图像的多聚焦图像融合算法

针对传统多聚焦图像融合算法中融合边缘出现模糊、伪影等问题，提出了一种结合改进拉普拉斯能量和（SML）与差分图像的多聚焦图像融合算法。首先，为了提取源图像的聚焦特征信息，分别通过SML和滤波差分进行聚焦度量，再采用引导滤波获得更多的细节特征；接着，利用像素最大值规则生成初始融合决策图，再对初始融合决策图进行小区域去除消除因聚焦和散焦区域相似造成的噪点，并对融合决策图进行不一致处理，获得更精确的聚焦区域；最后，由逐像素加权平均规则，得到融合图像。实验结果表明，所提出的算法在主观视觉效果和客观评价指标上均优于对比算法，互信息、特征互信息、图像梯度特征在彩色图像上分别提高了0.17%、0.38%和0.11%，在灰度图像上分别提高了0.7%、0.69%和0.33%，并且平均运行时间少于0.5 s，具有较高的计算效率。此外，该算法能够较好地保留源图像信息的完整性，融合图像边缘清晰、无伪影。     

基于K-NN和最小二乘融合算法的工程实现

信息融合中的许多数据关联算法计算量大,工程中难以保证实时性和有效性。本文就这一方面展开研究,给出了可以满足工程实际需要的有效算法,设计出相应的系统。通过实际系统应用,可以获得满意的融合结果和较快的计算速度。