基于卷积神经网络和动态引导滤波的图像融合方法.pdf
永香****能手
亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于卷积神经网络和动态引导滤波的图像融合方法.pdf
本发明涉及一种基于卷积神经网络和动态引导滤波的多聚焦图像融合的新方法。通过构建焦点检测的卷积神经网络,生成从源图像到焦点图的直接映射,避免了人工手动操作,得到聚焦区域和非聚焦区域的像素分布图,随后通过小区域移除和边缘保留的动态引导滤波操作,得到高质量的融合图像。
基于扩展高斯差分和引导滤波的图像融合方法.pdf
本申请涉及图像处理技术领域,提供了一种基于扩展高斯差分和引导滤波的图像融合方法,方法包括:获取多张第一源图像;基于绝对值取大的融合规则,对多张第一源图像两两进行初步融合,以获取初始融合图像;使用均值滤波方法将初始融合图像和初始融合图像对应的两张第二源图像进行分离处理,以获取初始融合图像的第一能量层和两张第二源图像的第二细节层;第二源图像为生成初始融合图像的第一源图像;根据各第二细节层分别获取对应的第一最终决策图;分别对各第一最终决策图进行引导滤波,以获取对应的第二最终决策图;根据第二最终决策图、第二细节层
一种基于图像属性和引导滤波的多模医学图像融合方法.pdf
本发明公开了一种基于图像属性和引导滤波的多模医学图像融合方法,首先利用移动帧分解框架将源图像分解为纹理成分和近似成分,之后利用设计的一种基于图像属性和引导滤波的融合规则对近似成分进行融合,采用绝对值最大规则对纹理成分进行融合,最后重建原始图像。本发明优点:该方法能保留更多的图像边缘和纹理信息,同时融合图像具有较高的对比度,并且更符合人的视觉,由于该方法不仅能获得较好的融合效果,同时计算效率较高,其在多模医学图像融合系统中具有潜在的应用价值。
一种基于稀疏表示和循环引导滤波的图像融合方法.pdf
一种基于稀疏表示和循环引导滤波的图像融合方法,属于图像处理领域。本发明将源图像分解为平滑图像和细节图像,然后分别采用稀疏表示和循环引导滤波融合平滑图像和细节图像,最后将融合后的平滑图像和细节图像相加得到融合图像。稀疏表示对低秩的平滑数据具有较好的融合效果,而循环引导滤波可以保留细节数据的边缘和轮廓,突出细节图像的有效数据,使得本发明与传统的融合方法相比,融合效果明显,图像评价参数更高。
基于动态随机池化卷积神经网络的图像分类方法.pdf
本发明公开一种基于动态随机池化卷积神经网络的图像分类方法,该方法包括以下步骤:一、把训练集导入一系列卷积层进行卷积运算;二、把训练集导入一系列池化层进行随机池化运算;三、在最后的池化层进行动态随机池化;四、把特征矩阵融合为输出特征向量;五、对融合特征向量进行分类识别;六、对网络进行多次训练,调整中间参数,使输入输出的关系更加明显。本发明提出的随机池化运算可以很好的保留特征图像的纹理和背景综合特征;最后池化层的动态随机运算消除图像多尺度问题;多维度的特征融合,保证图像特征的多样性,从而提高识别精度。