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
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.