基于深度学习的红外和可见光图像融合
2021-03-08李宏伟
新一代信息技术 2021年15期
李宏伟
(1. 河北地质大学信息工程学院,河北 石家庄 050030;2. 河北省智能传感物联网技术工程研究中心,河北 石家庄 050030)
0 引言
红外成像和可见光成像的融合是一个重要且经常出现的问题。最近,许多学者已经提出了融合方法来将红外和可见光图像中存在的特征组合成一个图像[1]。这些最新的方法广泛应用于许多领域,如图像预处理、目标识别和图像分类。
图像融合的关键问题是如何从源图像中提取显著特征,并将其组合生成融合图像。几十年来,许多信号处理方法被应用于图像融合领域来提取图像特征,如离散小波变换[2]、四元数小波变换[3]等。对于红外和可见光图像融合任务,Bavirisetti等人[4]提出了一种基于两个尺度分解和显著性检测的融合方法,其中通过均值和中值滤波提取基层和细节层。然后利用视觉显著性获得权重图。最后,通过这三部分结合得到融合图像。
除了上述方法之外,稀疏表示(SR)和低秩表示的作用也引起了极大的关注。宗等[5]提出了一种基于随机共振的医学图像融合方法,该方法利用方向梯度直方图(HOG)特征对图像块进行分类,并学习多个子字典[6]。采用l1范数和最大选择策略重构融合图像。
随着深度学习的兴起,源图像的深度特征也用来重构融合图像。Yu Liu等人[7]提出了一种基于卷积神经网络(CNN)的融合方法。他们使用包含输入图像的不同模糊的图像块来训练网络,并使用它来获得决策权重。最后,利用决策权重和源图像得到融合图像。……
登录APP查看全文
