基于深度神经网络的多聚焦图像融合研究

发布时间：2021-08-24 21:31

　　多聚焦图像融合是将同一场景下聚焦不同目标的清晰区域进行融合,来获得全清晰图像,在航空、医学、军事等领域应用十分广泛。该技术涉及图像分割、特征提取和特征层信息融合等多个技术难题,其中特征信息融合为核心问题。然而融合模型的设计常常忽略前后步骤的关联,为了解决模型设计独立和应用场景有限的问题,引入当下流行的深度神经网络技术。本文的研究内容包含以下几个方面:（1）分析研究了不同层次的图像融合方法的操作流程,将融合算法分为基于变换域和空间域两大类,并举例介绍了两种算法的处理步骤,讨论了各个算法框架中滤波器以及融合规则的设计,同时抛出了算法中人为干预过多以及普适性差的问题。（2）针对传统图像融合方法中需人为独立设计局部滤波器的问题,提出基于深度卷积神经网络的图像特征训练算法。将焦点检测归为图像的二分类问题,引入神经网络旨在学习源图像和权值图之间的映射关系。以Siamese网络结构为参照设计一套神经网络,用来训练高质量清晰图像块及其模糊版本,将上述的映射关系进行编码,并在训练过程中采用改进的梯度优化算法。实验结果表明,网络模型收敛的速度有所提升,该方法可以提供更加优越的融合性能。（3）将小波包分解与... 

【文章来源】：江苏科技大学江苏省

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 图像融合的研究现状
    1.3 图像融合面临的挑战
    1.4 论文主要研究内容与章节安排
第2章 图像融合基础理论
    2.1 引言
    2.2 多聚焦图像融合层次
        2.2.1 基于像素级别的融合方法
        2.2.2 基于特征级别的融合方法
        2.2.3 基于决策级别的融合方法
    2.3 多聚焦图像融合算法
        2.3.1 基于空间域的融合方法
        2.3.2 基于变换域的融合方法
    2.4 多聚焦图像融合存在的问题
    2.5 本章小结
第3章 基于Siamese神经网络结构的图像特征训练
    3.1 引言
    3.2 Siamese神经网络介绍
    3.3 神经网络模型的设计与使用
        3.3.1 梯度算法改进
        3.3.2 Siamese网络设计与训练
        3.3.3 模型的使用
    3.4 实验与分析
        3.4.1 参数的选择与影响
        3.4.2 实验结果分析
        3.4.3 亮度的影响与分析
    3.5 本章小结
第4章 基于卷积神经网络的亮度自适应多聚焦图像融合
    4.1 引言
    4.2 小波包分解与重构的原理
    4.3 亮度自适应图像融合
        4.3.1 卷积神经网络模型的调用
        4.3.2 融合策略的改进
    4.4 实验与分析
        4.4.1 运行环境
        4.4.2 实验设计与参数选择
        4.4.3 实验结果分析
    4.5 本章小结
第5章 总结与展望
    5.1 论文总结
    5.2 后续工作
参考文献
攻读硕士期间发表的相关学术论文
致谢


【参考文献】：
期刊论文
[1]NSCT域内结合相位一致性激励PCNN的多聚焦图像融合[J]. 刘栋,周冬明,聂仁灿,侯瑞超.  计算机应用. 2018(10)
[2]采用NSCT与FCM相结合的SAR和多光谱图像融合算法[J]. 李玉峰,尹婷婷.  信号处理. 2017(11)
[3]一种自适应区域融合规则多聚焦图像融合算法[J]. 程德强,陈刚,高凌志,厉航,黄晓丽,满广毅.  激光与光电子学进展. 2017(10)
[4]一种Yarn框架下的异步双随机梯度下降算法[J]. 杨双涛,马志强,窦保媛,张力.  小型微型计算机系统. 2017(05)
[5]一种融合AutoEncoder与CNN的混合算法用于图像特征提取[J]. 刘兴旺,王江晴,徐科.  计算机应用研究. 2017(12)
[6]基于目标提取与拉普拉斯变换的红外和可见光图像融合算法[J]. 汪玉美,陈代梅,赵根保.  激光与光电子学进展. 2017(01)
[7]结合向导滤波与复轮廓波变换的多聚焦图像融合算法[J]. 刘帅奇,胡绍海,赵杰,肖扬.  信号处理. 2016(03)
[8]基于小波变换的多聚焦图像融合方法研究[J]. 蔡植善,陈木生.  激光与光电子学进展. 2015(09)
[9]基于改进梯度和自适应窗口的立体匹配算法[J]. 祝世平,李政.  光学学报. 2015(01)
[10]图像融合研究综述[J]. 朱炼,孙枫,夏芳莉,韩瑜.  传感器与微系统. 2014(02)



本文编号：3360759