深度學(xué)習(xí)作為機器學(xué)習(xí)重要的一個分支,隨著社會數(shù)字化為其提供了海量數(shù)據(jù)而得到了迅猛發(fā)展。深度學(xué)習(xí)在圖像處理領(lǐng)域有著廣泛的應(yīng)用,利用深度學(xué)習(xí)理論可以在圖像融合中的不同層級進(jìn)行處理,這為圖像融合處理方法提供了新的工具。由于受技術(shù)因素的限制,從部分傳感器獲取圖像信息并不完整,不同的傳感器會接收不同的圖像信息,而圖像融合就是將這些信息匯集到單幅圖像的過程,結(jié)合深度學(xué)習(xí)理論可以更好的處理圖像融合問題,利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練,融合生成的單幅圖像能更多地集合了兩幅或多幅圖像的優(yōu)點,它表達(dá)的信息比傳統(tǒng)融合圖像更加完整,在機器視覺上呈現(xiàn)的信息更自然、清晰。本文運用深度學(xué)習(xí)理論、離散小波分解與算子理論研究圖像融合問題,提出了三種圖像融合算法。首先,關(guān)于多聚焦圖像融合問題,提出了基于Crop-VGG卷積神經(jīng)網(wǎng)絡(luò)的圖像融合算法。通過對輸入數(shù)據(jù)做預(yù)處理,設(shè)計了一種結(jié)合小波和Sobel算子的四特征值的圖像模塊,提升了訓(xùn)練網(wǎng)絡(luò)的整體精度,通過對于網(wǎng)絡(luò)細(xì)節(jié)的調(diào)整,加快了模型整體的收斂速度,在高頻細(xì)節(jié)部分,對于左聚焦圖像和右聚焦圖像的清晰與模糊模塊分別進(jìn)行模糊化處理,再使用加權(quán)求和的融合策略,得到處處清晰的聚焦圖像。其次,... 

【文章來源】：西安建筑科技大學(xué)陜西省

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 引言
    1.2 圖像融合技術(shù)概述
    1.3 深度學(xué)習(xí)發(fā)展歷程
    1.4 本文的主要工作
2 深度學(xué)習(xí)與小波理論概述
    2.1 深度學(xué)習(xí)理論簡介
        2.1.1 感知器
        2.1.2 激活函數(shù)
        2.1.3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.4 多層神經(jīng)網(wǎng)絡(luò)構(gòu)成
        2.1.5 反向傳播算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積與池化
        2.2.2 常用的損失函數(shù)
        2.2.3 批量歸一化
    2.3 常用邊緣算子
        2.3.1 索貝爾算子（Sobel）
        2.3.2 羅伯茨算子（Roberts）
    2.4 傅里葉變換與小波變換
        2.4.1 傅里葉變換
        2.4.2 二維離散小波分解與合成
    2.5 小結(jié)
3 基于Crop-VGG網(wǎng)絡(luò)的多聚焦圖像融合算法
    3.1 引言
    3.2 網(wǎng)絡(luò)結(jié)構(gòu)模型
    3.3 使用Crop-VGG網(wǎng)絡(luò)進(jìn)行統(tǒng)計特征分類
        3.3.1 數(shù)據(jù)預(yù)處理
        3.3.2 分類訓(xùn)練處理
        3.3.3 基于統(tǒng)計特征的像素分割
    3.4 實驗結(jié)果與分析
    3.5 小結(jié)
4 結(jié)合VDSR網(wǎng)絡(luò)的遙感圖像融合算法
    4.1 引言
    4.2 VDSR網(wǎng)絡(luò)模型
    4.3 圖像融合過程
        4.3.1 小波分解
        4.3.2 數(shù)據(jù)擴充處理
        4.3.3 IHS加權(quán)融合策略
        4.3.4 小波重構(gòu)
        4.3.5 整體流程
    4.4 實驗部分
    4.5 小結(jié)
5 基于離散小波與GAN網(wǎng)絡(luò)的紅外可見光圖像融合算法
    5.1 引言
    5.2 相關(guān)理論
    5.3 網(wǎng)絡(luò)模型
    5.4 算法流程
    5.5 實驗結(jié)果與分析
    5.6 小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)池化的神經(jīng)網(wǎng)絡(luò)的服裝圖像識別[J]. 胡聰,屈瑾瑾,許川佩,朱愛軍.  計算機應(yīng)用. 2018(08)
[2]一種基于深度學(xué)習(xí)的多聚焦圖像融合算法[J]. 陳清江,李毅,柴昱洲.  激光與光電子學(xué)進(jìn)展. 2018(07)
[3]圖像增強算法綜述[J]. 王浩,張葉,沈宏海,張景忠.  中國光學(xué). 2017(04)
[4]改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)在分類與推薦中的實例應(yīng)用[J]. 楊天祺,黃雙喜.  計算機應(yīng)用研究. 2018(04)
[5]基于FFST和方向特性對比度的圖像融合算法[J]. 陳清江,魏冰蔗,柴昱洲,張彥博.  激光與紅外. 2016(07)
[6]Curvelet域自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像融合方法[J]. 王昊鵬,劉澤乾,方興,張會勇,王晶橫.  光電子·激光. 2016(04)
[7]基于深度支撐值學(xué)習(xí)網(wǎng)絡(luò)的遙感圖像融合[J]. 李紅,劉芳,楊淑媛,張凱.  計算機學(xué)報. 2016(08)
[8]運用小波圖像融合技術(shù)增強痕跡偏振圖像[J]. 馮清枝,楊洪臣.  激光與紅外. 2016(02)
[9]改進(jìn)投影梯度NMF的NSST域多光譜與全色圖像融合[J]. 吳一全,陶飛翔.  光學(xué)學(xué)報. 2015(04)
[10]圖像質(zhì)量評價綜述[J]. 劉書琴,毋立芳,宮玉,劉興勝.  中國科技論文在線. 2011(07)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的多聚焦圖像融合算法研究[D]. 李子奇.河北大學(xué) 2018
[2]基于超像素的點互信息圖像邊界檢測與分割算法研究[D]. 劉勝男.西北農(nóng)林科技大學(xué) 2016



本文編號：3022058