文献类型：期刊文章

作　　者：冯玉芳[1,2] 殷宏[1] 卢厚清[1] 程恺[1] 曹林[1] 刘满[1]

FENG Yufang;YIN Hong;LU Houqing;CHENG Kai;CAO Lin;LIU Man(Graduate School,Army Engineering University,Nanjing 210007,China;71375 Troops of the People’s Liberation Army of China,Harbin 150038,China)

机构地区：[1]陆军工程大学研究生院,南京210007 [2]中国人民解放军71375部队,哈尔滨150038

出　　处：《计算机工程》

基　　金：国家自然科学基金(61806221)。

年　　份：2020

卷　　号：46

期　　号：8

起止页码：243-249

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD_E2019_2020、IC、JST、PROQUEST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

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  

分 类 号：TP391]