發(fā)布時(shí)間：2021-08-24 21:31

　　多聚焦圖像融合是將同一場(chǎng)景下聚焦不同目標(biāo)的清晰區(qū)域進(jìn)行融合,來(lái)獲得全清晰圖像,在航空、醫(yī)學(xué)、軍事等領(lǐng)域應(yīng)用十分廣泛。該技術(shù)涉及圖像分割、特征提取和特征層信息融合等多個(gè)技術(shù)難題,其中特征信息融合為核心問(wèn)題。然而融合模型的設(shè)計(jì)常常忽略前后步驟的關(guān)聯(lián),為了解決模型設(shè)計(jì)獨(dú)立和應(yīng)用場(chǎng)景有限的問(wèn)題,引入當(dāng)下流行的深度神經(jīng)網(wǎng)絡(luò)技術(shù)。本文的研究?jī)?nèi)容包含以下幾個(gè)方面:（1）分析研究了不同層次的圖像融合方法的操作流程,將融合算法分為基于變換域和空間域兩大類,并舉例介紹了兩種算法的處理步驟,討論了各個(gè)算法框架中濾波器以及融合規(guī)則的設(shè)計(jì),同時(shí)拋出了算法中人為干預(yù)過(guò)多以及普適性差的問(wèn)題。（2）針對(duì)傳統(tǒng)圖像融合方法中需人為獨(dú)立設(shè)計(jì)局部濾波器的問(wèn)題,提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像特征訓(xùn)練算法。將焦點(diǎn)檢測(cè)歸為圖像的二分類問(wèn)題,引入神經(jīng)網(wǎng)絡(luò)旨在學(xué)習(xí)源圖像和權(quán)值圖之間的映射關(guān)系。以Siamese網(wǎng)絡(luò)結(jié)構(gòu)為參照設(shè)計(jì)一套神經(jīng)網(wǎng)絡(luò),用來(lái)訓(xùn)練高質(zhì)量清晰圖像塊及其模糊版本,將上述的映射關(guān)系進(jìn)行編碼,并在訓(xùn)練過(guò)程中采用改進(jìn)的梯度優(yōu)化算法。實(shí)驗(yàn)結(jié)果表明,網(wǎng)絡(luò)模型收斂的速度有所提升,該方法可以提供更加優(yōu)越的融合性能。（3）將小波包分解與... 

【文章來(lái)源】：江蘇科技大學(xué)江蘇省

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 圖像融合的研究現(xiàn)狀
    1.3 圖像融合面臨的挑戰(zhàn)
    1.4 論文主要研究?jī)?nèi)容與章節(jié)安排
第2章 圖像融合基礎(chǔ)理論
    2.1 引言
    2.2 多聚焦圖像融合層次
        2.2.1 基于像素級(jí)別的融合方法
        2.2.2 基于特征級(jí)別的融合方法
        2.2.3 基于決策級(jí)別的融合方法
    2.3 多聚焦圖像融合算法
        2.3.1 基于空間域的融合方法
        2.3.2 基于變換域的融合方法
    2.4 多聚焦圖像融合存在的問(wèn)題
    2.5 本章小結(jié)
第3章 基于Siamese神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的圖像特征訓(xùn)練
    3.1 引言
    3.2 Siamese神經(jīng)網(wǎng)絡(luò)介紹
    3.3 神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)與使用
        3.3.1 梯度算法改進(jìn)
        3.3.2 Siamese網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練
        3.3.3 模型的使用
    3.4 實(shí)驗(yàn)與分析
        3.4.1 參數(shù)的選擇與影響
        3.4.2 實(shí)驗(yàn)結(jié)果分析
        3.4.3 亮度的影響與分析
    3.5 本章小結(jié)
第4章 基于卷積神經(jīng)網(wǎng)絡(luò)的亮度自適應(yīng)多聚焦圖像融合
    4.1 引言
    4.2 小波包分解與重構(gòu)的原理
    4.3 亮度自適應(yīng)圖像融合
        4.3.1 卷積神經(jīng)網(wǎng)絡(luò)模型的調(diào)用
        4.3.2 融合策略的改進(jìn)
    4.4 實(shí)驗(yàn)與分析
        4.4.1 運(yùn)行環(huán)境
        4.4.2 實(shí)驗(yàn)設(shè)計(jì)與參數(shù)選擇
        4.4.3 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 后續(xù)工作
參考文獻(xiàn)
攻讀碩士期間發(fā)表的相關(guān)學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]NSCT域內(nèi)結(jié)合相位一致性激勵(lì)PCNN的多聚焦圖像融合[J]. 劉棟,周冬明,聶仁燦,侯瑞超.  計(jì)算機(jī)應(yīng)用. 2018(10)
[2]采用NSCT與FCM相結(jié)合的SAR和多光譜圖像融合算法[J]. 李玉峰,尹婷婷.  信號(hào)處理. 2017(11)
[3]一種自適應(yīng)區(qū)域融合規(guī)則多聚焦圖像融合算法[J]. 程德強(qiáng),陳剛,高凌志,厲航,黃曉麗,滿廣毅.  激光與光電子學(xué)進(jìn)展. 2017(10)
[4]一種Yarn框架下的異步雙隨機(jī)梯度下降算法[J]. 楊雙濤,馬志強(qiáng),竇保媛,張力.  小型微型計(jì)算機(jī)系統(tǒng). 2017(05)
[5]一種融合AutoEncoder與CNN的混合算法用于圖像特征提取[J]. 劉興旺,王江晴,徐科.  計(jì)算機(jī)應(yīng)用研究. 2017(12)
[6]基于目標(biāo)提取與拉普拉斯變換的紅外和可見(jiàn)光圖像融合算法[J]. 汪玉美,陳代梅,趙根保.  激光與光電子學(xué)進(jìn)展. 2017(01)
[7]結(jié)合向?qū)V波與復(fù)輪廓波變換的多聚焦圖像融合算法[J]. 劉帥奇,胡紹海,趙杰,肖揚(yáng).  信號(hào)處理. 2016(03)
[8]基于小波變換的多聚焦圖像融合方法研究[J]. 蔡植善,陳木生.  激光與光電子學(xué)進(jìn)展. 2015(09)
[9]基于改進(jìn)梯度和自適應(yīng)窗口的立體匹配算法[J]. 祝世平,李政.  光學(xué)學(xué)報(bào). 2015(01)
[10]圖像融合研究綜述[J]. 朱煉,孫楓,夏芳莉,韓瑜.  傳感器與微系統(tǒng). 2014(02)



本文編號(hào)：3360759