NSST与改进SCM模型相结合的多聚焦图像融合算法

当前的图像融合方法存在运算数据量大和运算时间较长的弊端,为了改进这一不足,提出一种新算法.将图像经过Opencv降噪处理,去除冗余信息,再计算边缘能量(Energy of Edge,EOE),根据高低频信息特性选择融合规则,通过逆变换重构出融合后的图像.作为图像融合过程的第一步也是至关重要的一步,图像配准直接影响着最终融合图像的质量,因此通过Opencv对图像进行降噪处理会使得图像更加清晰,提高融合后的图像质量.仿真结果表明,与其他方法相对比,利用该算法融合出的图像在图像质量和运算时间方面都有所改进.     

一种改进的全卷积神经网络多聚焦图像融合研究

针对目前多聚焦图像领域算法研究的不足,提出改进的全卷积神经网络多聚焦图像融合算法.和以往的全卷积神经网络模型相比,改进的网络模型更加轻便、网络层级更少.将传统算法鲁棒主成分分析法运用于图像特征提取,在网络特征提取部分采用更小的网络结构,在达到提取更多特征信息的目的的同时减少了网络层级;全连接层与全卷积层的转换通过softmax层对图像进行分类,最后通过设置分类器防止像素点样本偏移,大大提升了运算速率.经过多组实验的彩色灰色数据集验证,改进的融合算法与目前多聚焦图像融合的卷积神经网络算法相比,融合速度大大提升,更具有实际应用率,融合质量也有相应提升,说明此算法相比其他算法更具运用价值.