基于区域划分的快速多聚焦图像融合

发布时间：2023-04-01 05:28

　　多聚焦图像融合的原理是将一个固定场景下设置不同焦点深度的多传感器所记录的多幅图像中的焦点像素进行融合,进而合并成一幅全焦点的融合图像。图像融合研究一直是一个有吸引力的科学讨论,本文就该技术展开深入的探究工作,提出了相应的改进方法。1.本文提出了一种基于超像素级卷积神经网络(sp-CNN)的多聚焦图像融合算法,该方法直接从源图像提取聚焦的部分,而后融合成具有全清晰聚焦的图像。本文算法首先对源图像进行多个尺度的超像素分割,再将得到的超像素输入网络模型,并对输出的初始分类映射图进行连通域操作,得到初始决策图;然后根据多幅初始决策图的异同得到不确定区域,并利用空间频率对其再分类,得到阶段决策图;最后利用对阶段决策图进行形态学操作,再根据所得的最终决策图融合图像。本文算法直接利用超像素分割块进行图像融合,其相较以往利用重叠块的融合算法可达到降低时间复杂度的目的,同时可获得较好的融合效果。2.在联合摄影专家组(Joint Photographic Experts Group,JPEG)框架下,提出了一种基于离散余弦变换(DCT)和聚焦评价的快速多聚焦图像融合方法。首先,直接读取JPEG格式源图像的...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文主要工作
    1.4 论文组织结构
第2章 多聚焦图像融合的相关理论基础
    2.1 多聚焦图像成像原理
    2.2 多聚焦图像融合分类
        2.2.1 基于空间域的多聚焦图像融合
        2.2.2 基于变换域的多聚焦图像融合
        2.2.3 基于神经网络的多聚焦图像融合
    2.3 多聚焦融合图像质量评价
        2.3.1 主观评价
        2.3.2 客观评价
    2.4 本章小结
第3章 基于超像素级卷积神经网络的多聚焦图像融合
    3.1 超像素分割与金字塔池化
        3.1.1 超像素分割
        3.1.2 金字塔池化
    3.2 sp-CNN
        3.2.1 sp-CNN网络结构
        3.2.2 训练数据集
    3.3 基于sp-CNN的多聚焦图像融合算法
        3.3.1 初始决策图的获得
        3.3.2 阶段决策图的获得
        3.3.3 图像融合
    3.4 实验结果与分析
        3.4.1 主观评价
        3.4.2 客观评价
        3.4.3 计算效率比较
    3.5 本章小结
第4章 基于离散余弦变换和聚焦评价的多聚焦图像融合
    4.1 DCT及其性质
        4.1.1 DCT图像压缩
        4.1.2 DCT
        4.1.3 DCT与相关分析之间的关系
    4.2 基于DCT系数的图像聚焦评价
        4.2.1 基于DCT系数的图像聚焦评价
        4.2.2 单调性和单峰性
        4.2.3 抗噪性
        4.2.4 独立性
    4.3 基于DCT的多聚焦图像融合方法
    4.4 实验结果与分析
        4.4.1 主观评价
        4.4.2 客观评价
        4.4.3 计算效率比较
    4.5 本章小结
第5章 总结与展望
    5.1 研究工作总结
    5.2 未来工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3776527