基于超像素级卷积神经网络的多聚焦图像融合算法

该文提出了基于超像素级卷积神经网络(sp-CNN)的多聚焦图像融合算法。该方法首先对源图像进行多尺度超像素分割,将获取的超像素输入sp-CNN,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获得不确定区域,并利用空间频率对其再分类,得到阶段决策图;最后利用形态学对阶段决策图进行后处理,并根据所得的最终决策图融合图像。该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。     

基于超像素级卷积神经网络的多聚焦图像融合算法

该文提出了基于超像素级卷积神经网络(sp-CNN)的多聚焦图像融合算法。该方法首先对源图像进行多尺度超像素分割,将获取的超像素输入sp-CNN,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获得不确定区域,并利用空间频率对其再分类,得到阶段决策图;最后利用形态学对阶段决策图进行后处理,并根据所得的最终决策图融合图像。该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。     

基于区域的小波多尺度多聚焦图像融合方法

提出了基于区域的小波多尺度多聚焦图像融合方法.首先对参加融合的两幅图像进行小波多尺度分解,得到两个金字塔结构.对于金字塔的每一层分解,使用"区域象素聚类"的方法生成标签图像,利用标签图像,对两金字塔各层的三个高频细节分量按区域能量取大的规则,形成融合二值决策图,每层分解对应一个二值决策图.利用每一层的二值决策图对相应层的细节分量进行融合,最后重构.并采用均方根误差对该方法进行了客观评价.实验结果表明本方法对多聚焦图像有较好的融合效果,其融合性能比基于窗口能量取大的单个象素的小波图像融合方法和文献[3]提出的融合方法的融合性能都好.     

多特征结合引导滤波的多聚焦图像融合

提出一种多特征结合引导滤波的图像融合算法,使用多个特征,计算各特征的置信图,将各特征的优势相结合,提升整体融合的质量。具体步骤如下:首先计算源图像的多类特征,各特征经过引导滤波后计算初始决策图和置信图,然后通过形态学方法去除小连通区域后,再次使用引导滤波得到最终决策图,最后使用置信图对最终决策图加权,与源图像相乘再相加得到最终的融合图像。实验结果表明,该算法对残差图的主观分析和客观融合质量评价指标的定量分析,较当前传统多聚焦图像融合算法均有提升。     

基于离散Walsh-Hadamard变换和引导滤波的多聚焦图像融合

多聚焦图像融合作为一种有效的信息融合方法,在图像处理和计算机视觉领域引起了越来越多的关注.提出了一种基于离散Walsh-Hadamard变换(DWHT)和引导滤波的多聚焦图像融合算法.首先,提出了一种新的聚焦区域检测方法,该方法运用DWHT并计算L1范数得到初始决策图;然后,运用数学形态学方法和引导滤波优化生成最终决策图;最后,由像素加权平均规则和最终决策图得到融合图像.为验证所提算法的有效性,选择3组研究中普遍使用的多聚焦图像进行实验,并将该算法运用于实际应用中采集到的2组多聚焦序列图像,与其余几种算法相比,所提算法在主观定性分析和客观定量评价指标上均表现出明显的优势.实验结果表明,与其他多聚焦图像融合算法相比,所提算法能更有效地从源图像中提取聚焦区域,增强融合图像的细节保留能力和空间连续性.     

一种基于形态学梯度的多聚焦图像融合方法

多聚焦图像融合作为信息融合的一个重要分支，广泛应用于计算机视觉、医学诊断、数字成像等领域。文中针对现有融合算法存在融合图像易出现“块效应”等问题，提出了一种基于形态学梯度的多聚焦图像融合方法。该算法首先对源图像进行形态学梯度测量得到对应的得分矩阵，然后对得分矩阵进行四叉树分解得到初始分割图。进而利用形态学滤波和小区域滤波，除去边缘信息和小洞得到期望的决策图。实验测试表明，文中提出算法相对于现有的算法在结构相似度、峰值信噪比等定量指标上皆有较好的表现。     

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。     

基于边缘增强引导滤波的光场全聚焦图像融合

受光场相机微透镜几何标定精度的影响,4D光场在角度方向上的解码误差会造成积分后的重聚焦图像边缘信息损失,从而降低全聚焦图像融合的精度。该文提出一种基于边缘增强引导滤波的光场全聚焦图像融合算法,通过对光场数字重聚焦得到的多幅重聚焦图像进行多尺度分解、特征层决策图引导滤波优化来获得最终全聚焦图像。与传统融合算法相比,该方法对4D光场标定误差带来的边缘信息损失进行了补偿,在重聚焦图像多尺度分解过程中增加了边缘层的提取来实现图像高频信息增强,并建立多尺度图像评价模型实现边缘层引导滤波参数优化,可获得更高质量的光场全聚焦图像。实验结果表明,在不明显降低融合图像与原始图像相似性的前提下,该方法可有效提高全聚焦图像的边缘强度和感知清晰度。     

基于多尺度引导滤波和决策融合的电力设备热故障诊断方法研究

本文提出一种基于多尺度引导滤波和决策融合（multi-scale guided filter and decision fusion, MGDF）的电力设备热故障诊断方法,联合多尺度引导滤波和决策融合技术,充分挖掘红外图像的空间结构信息和温度信息。该方法有3个主要步骤。首先,基于热故障区域与环境背景在红外图像上的温度差异特性,逐像素计算热故障区域与环境背景的马氏距离,获取初始的热故障诊断结果。然后,采用不同参数设置的引导滤波器对初始诊断结果进行滤波处理,并将生成的若干引导滤波特征图堆叠在一起。不同参数下的滤波特征图包含着互补的空间结构信息。最后,为充分挖掘不同尺度特征图的空间结构信息和温度差异信息,利用主成分分析法对引导滤波特征图进行决策融合,提升热故障的诊断精度,生成最终的热故障诊断结果图。实验测试结果表明,本文方法在热故障诊断精度上有明显优势,满足电力设备红外巡检的应用需求。     

一种基于小波多尺度边缘检测的图像融合算法

该文提出了一种新的基于多尺度边缘检测的小波图像融合方法,是一种利用图像边缘特征的小波图像融合方法,融合过程利用了图像的多尺度边缘信息。为了更好地保持图像的边缘,该文在图像融合过程中将图像去噪与边缘检测相结合。提出了一种物理意义明确的小波最佳分解层数的确定方法。利用统计分析的评判准则,如熵、标准偏差等,评价二维多聚焦图像不同小波分解层的融合效果,表明该方法提高了图像的熵和标准偏差的值,算法效果良好。     

基于多尺度和注意力模型的红外与可见光图像融合

针对红外与可见光图像在融合后容易出现伪影,小目标轮廓不清晰等问题,提出一种基于多尺度特征与注意力模型相结合的红外与可见光图像融合算法。通过5次下采样提取源图像不同尺度的特征图,再将同一尺度的红外与可见光特征图输入到基于注意力模型的融合层,获得增强的融合特征图。最后把小尺度的融合特征图进行5次上采样,再与上采样后同一尺度的特征图相加,直到与源图像尺度一致,实现对特征图的多尺度融合。实验对比不同融合框架下融合图像的熵、标准差、互信息量、边缘保持度、小波特征互信息、视觉信息保真度以及融合效率,本文方法在多数指标上优于对比算法,且融合图像目标细节明显轮廓清晰。     

基于多尺度信息融合的SAR图像建筑物提取

根据高分辨力合成孔径雷达(SAR)图像中建筑物的特性,提出了一种基于多尺度信息融合的建筑物提取方法。以非下采样轮廓波变换(NSCT)为多尺度分析框架,通过融合基于NSCT低频子带的多尺度区域分析结果提取潜在建筑物区域;同时,融合基于NSCT高频信息的边缘检测结果与均值比算子结果提取边缘结构信息;在此基础上,结合区域与边缘结构信息对虚警进行滤除,对漏检建筑物进行补充,完成建筑物提取。实验结果显示：该方法优于基于多特征融合的建筑物检测算法,在实验所用图像上的平均查全率达到94%,表明文中方法的有效性。     

结合多尺度特征融合和多输入多输出编-解码器的去模糊算法

针对相机抖动、拍摄物体快速运动以及低快门速度等因素造成的图像非均匀模糊,提出一种结合多尺度特征融合和多输入多输出编-解码器的去模糊算法。首先使用多尺度特征提取模块来提取较小尺度模糊图像的初始特征,该模块使用扩张卷积来以较少的参数量获得更大的感受野。其次,通过特征注意力模块来自适应地学习不同尺度特征中的有效信息,该模块利用小尺度图像的特征来生成注意图,能够有效地减少冗余特征。最后,使用多尺度特征渐进融合模块逐步融合不同尺度的特征,使得不同尺度特征信息能够进行互补。相比以往的使用多个子网堆叠的多尺度方法,文中使用单个网络就能提取多尺度特征,从而降低了训练难度。为了评估网络的去模糊效果和泛化性能,提出的算法在基准数据集GoPro、HIDE和真实数据集RealBlur上均进行了测试。在GoPro和HIDE数据集上的峰值信噪比值分别为31.73 dB和29.39 dB,结构相似度值分别为0.951和0.923,其结果均高于目前先进的去模糊算法,并且在真实数据集RealBlur上也取得了最佳效果。实验结果表明,提出的去模糊算法相比现有算法去模糊更为彻底,能有效地复原图像的边缘轮廓和纹理细节信息,并且能够提升后续高级计算机视觉任务的鲁棒性。     

Texture analysis-based multi-focus image fusion using a modified Pulse-Coupled Neural Network (PCNN)

Multi-focus image fusion is an effective method of information fusion that can take a series of source images and obtain a fused image where everything is in focus. In this paper, a multi-focus image fusion method based on image texture that adopts a modified Pulse-Coupled Neural Network (PCNN) approach is proposed. First, the texture of an image is obtained by means of image cartoon and texture decomposition. An ignition image is then acquired by inputting the image textures into a modified PCNN. Ignition images are compared to each other to obtain an initial decision map. A small object detection and bilateral filter is then applied to the initial decision map to reduce noise and enable smoother processing. Finally, the source images and decision map are used to produce the fused image. Experimental results demonstrate that the proposed method effectively preserves the source images information while delivering good image fusion performance.     

基于多特征图金字塔融合深度网络的遥感图像语义分割

在遥感图像语义分割中,利用多元数据(如高程信息)进行辅助是一个研究重点。现有的基于多元数据的分割方法通常直接将多元数据作为模型的多特征输入,未能充分利用多元数据的多层次特征,此外,遥感图像中目标尺寸大小不一,对于一些中小型目标,如车辆、房屋等,难以做到精细化分割。针对以上问题,提出一种多特征图金字塔融合深度网络(MFPNet),该模型利用光学遥感图像和高程数据作为输入,提取图像的多层次特征,然后针对不同层次的特征,分别引入金字塔池化结构,提取图像的多尺度特征,最后,设计了一种多层次、多尺度特征融合策略,综合利用多元数据的特征信息,实现遥感图像的精细化分割。基于Vaihingen数据集设计了相应的对比实验,实验结果证明了所提方法的有效性。     

结合改进显著性检测与NSST的红外与可见光图像融合方法

针对当前基于显著性检测的红外与可见光图像融合方法存在目标不够突出、对比度低等问题,本文提出了一种结合改进显著性检测与非下采样剪切波变换（non-subsampled shearlet transform, NSST）的融合方法。首先,使用改进最大对称环绕（maximum symmetric surround, MSS）算法提取出红外图像的显著性图,并进一步通过改进伽马校正进行增强,同时应用同态滤波增强可见光图像。然后,对红外图像与增强的可见光图像进行NSST分解,利用显著性图指导低频部分进行融合;同时设定区域能量取大规则指导高频部分融合。最后,通过NSST逆变换重构融合图像。实验结果表明,本文方法在平均梯度、信息熵、空间频率和标准差上远优于其他7种融合方法,可以有效突出红外目标,提高融合图像的对比度和清晰度,并保留可见光图像的丰富背景信息。