基于改进全卷积神经网络的红外与可见光图像融合方法

摘要：

基于深度学习的图像融合技术易丢失网络浅层特征信息,难以实现图像的精准识别.提出一种利用全卷积神经网络(FCN)提取特征的红外与可见光图像融合方法.采用非下采样剪切波变换(NSST)对源图像进行多尺度和多方向分解,生成高频子带和低频子带图像,将高频子带输入FCN模型提取多尺度特征,并生成高频子带特征映射图,使用最大加权平均算法完成高频子带的融合,同时采用区域能量和融合策略融合低频子带,对融合后的高频子带和低频子带进行NSST逆变换,得到最终的融合图像.实验结果表明,与GFF、WLS和IFE等方法相比,该方法融合图像的主观视觉效果和客观评价指标更好.

关键词：卷积神经网络、非下采样剪切波变换、全卷积神经网络模型、多尺度特征、特征映射图

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61806221

在线出版日期：2020-09-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：243-249,257