基于监督学习的全卷积神经网络多聚焦图像融合算法

李恒; 张黎明; 蒋美容; 李玉龙

doi:doi:10.3788/LOP57.081015

激光与光电子学进展, 2020, 57 (8): 081015, 网络出版: 2020-04-03

基于监督学习的全卷积神经网络多聚焦图像融合算法下载： 1086次

Multi-Focus Image Fusion Algorithm Based on Supervised Learning for Fully Convolutional Neural Networks

李恒 ^1,*张黎明 ^2,3,**蒋美容 ²李玉龙 ¹

作者单位

¹ 兰州交通大学电子与信息工程学院, 甘肃兰州 730070

² 兰州交通大学测绘与地理信息学院, 甘肃兰州 730070

³ 地理国情监测技术应用国家地方联合工程研究中心, 甘肃兰州 730070

图 & 表

图 1. 本文方法的框架图

Fig. 1. Framework of proposed method

下载图片查看原文

图 2. 网络结构图

Fig. 2. Network structure diagram

下载图片查看原文

图 3. 构造的数据

Fig. 3. Constructed data

下载图片查看原文

图 4. 训练第1、25、50、75、100轮的实验结果

Fig. 4. Training results of the 1st, 25th, 50th, 75th, and 100th epochs

下载图片查看原文

图 5. 训练100轮神经网络损失函数的变化曲线

Fig. 5. Neural network loss function curve of training 100 epochs

下载图片查看原文

图 6. 实验中用到的部分多聚焦测试图像

Fig. 6. Partial of multi-focus test images used in experiment

下载图片查看原文

图 7. 第一组图像不同方法的融合结果

Fig. 7. Experimental results of first group images with different algorithms

下载图片查看原文

图 8. 第二组图像不同方法的融合结果

Fig. 8. Experimental results of second group images with different algorithms

下载图片查看原文

表 1不同模糊设置下的27幅测试图像融合指标的平均值

Table1. Average values of quality metrics for 27 test images under different fuzzy settings

Index	SSIM	PSNR	CC	UQI
P2	0.8663	54.0889	0.9753	0.7928
P4	0.8842	57.1438	0.9793	0.8194
P8	0.8842	57.6086	0.9793	0.8195
P16	0.8842	57.6086	0.9793	0.8195
C2	0.8631	53.5615	0.9743	0.7863
C4	0.8813	56.8458	0.9788	0.8136
C8	0.8837	57.6728	0.9795	0.8200
C16	0.8837	57.6728	0.9795	0.8200

查看原文

表 227幅测试图像融合指标的平均值

Table2. Average values of quality metrics for 27 test images

Method	SSIM	PSNR	CC	UQI
NSCT	0.8758	57.1025	0.9778	0.8160
DTCWT	0.8724	56.9115	0.9769	0.8069
CNN	0.8742	56.9447	0.9765	0.8155
NSST	0.8806	57.9811	0.9793	0.8175
Proposed	0.8837	57.6728	0.9795	0.8200

查看原文

李恒, 张黎明, 蒋美容, 李玉龙. 基于监督学习的全卷积神经网络多聚焦图像融合算法[J]. 激光与光电子学进展, 2020, 57(8): 081015. Heng Li, Liming Zhang, Meirong Jiang, Yulong Li. Multi-Focus Image Fusion Algorithm Based on Supervised Learning for Fully Convolutional Neural Networks[J]. Laser & Optoelectronics Progress, 2020, 57(8): 081015.

基于监督学习的全卷积神经网络多聚焦图像融合算法下载： 1086次

图 1. 本文方法的框架图

Fig. 1. Framework of proposed method

图 2. 网络结构图

Fig. 2. Network structure diagram

图 3. 构造的数据

Fig. 3. Constructed data

图 4. 训练第1、25、50、75、100轮的实验结果

Fig. 4. Training results of the 1st, 25th, 50th, 75th, and 100th epochs

图 5. 训练100轮神经网络损失函数的变化曲线

Fig. 5. Neural network loss function curve of training 100 epochs

图 6. 实验中用到的部分多聚焦测试图像

Fig. 6. Partial of multi-focus test images used in experiment

图 7. 第一组图像不同方法的融合结果

Fig. 7. Experimental results of first group images with different algorithms

图 8. 第二组图像不同方法的融合结果

Fig. 8. Experimental results of second group images with different algorithms

表 1不同模糊设置下的27幅测试图像融合指标的平均值

Table1. Average values of quality metrics for 27 test images under different fuzzy settings

表 227幅测试图像融合指标的平均值

Table2. Average values of quality metrics for 27 test images

关于本站 Cookie 的使用提示

全站搜索

基于监督学习的全卷积神经网络多聚焦图像融合算法 下载： 1086次

图 1. 本文方法的框架图

Fig. 1. Framework of proposed method

图 2. 网络结构图

Fig. 2. Network structure diagram

图 3. 构造的数据

Fig. 3. Constructed data

图 4. 训练第1、25、50、75、100轮的实验结果

Fig. 4. Training results of the 1st, 25th, 50th, 75th, and 100th epochs

图 5. 训练100轮神经网络损失函数的变化曲线

Fig. 5. Neural network loss function curve of training 100 epochs

图 6. 实验中用到的部分多聚焦测试图像

Fig. 6. Partial of multi-focus test images used in experiment

图 7. 第一组图像不同方法的融合结果

Fig. 7. Experimental results of first group images with different algorithms

图 8. 第二组图像不同方法的融合结果

Fig. 8. Experimental results of second group images with different algorithms

表 1不同模糊设置下的27幅测试图像融合指标的平均值

Table1. Average values of quality metrics for 27 test images under different fuzzy settings

表 227幅测试图像融合指标的平均值

Table2. Average values of quality metrics for 27 test images

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于监督学习的全卷积神经网络多聚焦图像融合算法下载： 1086次