基于联合卷积自编码网络的多聚焦图像融合方法

受相机景深的限制,单次成像无法对不同景深的内容全部清晰成像.多聚焦图像融合技术可以将不同聚焦层次的图像融合为一幅全聚焦的图像,其中如何得到准确的聚焦映射是多聚焦图像融合中的关键问题.对此,利用卷积神经网络强大的特征提取能力,设计具有公共分支和私有分支的联合卷积自编码网络以学习多源图像的特征,公共分支学习多幅图像之间的公共特征,每幅图像的私有分支学习该图像区别于其他图像的私有特征.基于私有特征计算图像的活动测度,得到图像聚焦区域映射,据此设计融合规则以融合两幅多聚焦图像,最终得到全聚焦的融合图像.在公开数据集上的对比实验结果显示:主观评测上,所提出的方法能够较好地融合聚焦区域,视觉效果自然清晰;客观指标上,该方法在多个评价指标上优于对比方法.     

议群智能算法的并行化以及图像配准中的应用

图像配准工作是图像信息融合的基础,只有通过良好配准之后的图像才能够进行有效的融合,而群智能算法则可以为图像配准工作提供更准确的图像信息和数据,因此,对群智能算法的并行化以及图像配准中的应用进行了深入的探讨。     

深度学习多聚焦图像融合方法综述

多聚焦图像融合是一种以软件方式有效扩展光学镜头景深的技术,该技术通过综合同一场景下多幅部分聚焦图像包含的互补信息,生成一幅更加适合人类观察或计算机处理的全聚焦融合图像,在数码摄影、显微成像等领域具有广泛的应用价值。传统的多聚焦图像融合方法往往需要人工设计图像的变换模型、活跃程度度量及融合规则,无法全面充分地提取和融合图像特征。深度学习由于强大的特征学习能力被引入多聚焦图像融合问题研究,并迅速发展为该问题的主流研究方向,多种多样的方法不断提出。鉴于国内鲜有多聚焦图像融合方面的研究综述,本文对基于深度学习的多聚焦图像融合方法进行系统综述,将现有方法分为基于深度分类模型和基于深度回归模型两大类,对每一类中的代表性方法进行介绍;然后基于3个多聚焦图像融合数据集和8个常用的客观质量评价指标,对25种代表性融合方法进行了性能评估和对比分析;最后总结了该研究方向存在的一些挑战性问题,并对后续研究进行展望。本文旨在帮助相关研究人员了解多聚焦图像融合领域的研究现状,促进该领域的进一步发展。     

基于视觉特性的多聚焦图像融合新算法

提出了一种基于视觉特性的快速、高精度的多聚焦图像融合新算法。根据多聚焦图像的特点,采用基于视觉对比度的快速间隔块扫描算法对聚焦离焦区域在整幅图像内进行粗定位,然后在粗定位的基础上通过基于块视觉对比度的比对进行聚焦离焦区域的精确定位,并且将图像划分为3个部分:聚焦区、离焦区与边界。取两幅图像各自的聚焦区,而后将两幅图像离焦与聚焦的边界区域加权融合即得融合图像。实验结果证明,该算法与基于小波分解的融合算法和基于视觉的块分解融合算法相比不仅速度快而且效果好。     

一种自适应的多聚焦图像融合方法

为了对不同的多聚焦图像进行有效融合，提出了一种小波域中基于区域特征的自适应多聚焦图像融合方法。该方法首先对参加融合的两幅图像进行小波分解，然后针对低频部分，在保留源图像共同特征的基础上，将待融合的两图像各自所具有的特征添加到融合图像中，而对于高频部分，则根据区域的小波能量进行融合；最后通过小波逆变换来重构融合图像。该方法不仅能够完全自适应地对多聚焦图像进行有效的融合，而且对于各种不同的源图像具有通用性。实验表明，该算法能够得到良好的融合效果，是一种有效的多聚焦图像融合方法。     

基于小波变换的模糊图像融合技术的研究

模糊图像融合技术即多聚焦图像融合技术,是指将同一场景的不同聚焦点的图像融合成一幅更加清晰、信息量更大的图像.本文在小波变换的基础上,对源图像不同聚焦点部分进行分割处理,再对分割后的不同区域通过小波变换和优化方法进行分解融合,实验证明这种图像融合方法比传统的融合算法效果好,信息量更多.     

基于小波变换的一种改进融合规则的图像融合

针对多聚焦图像,通过小波变换和基于窗口的系数绝对值和选大融合规则,存在着对噪声敏感和融合信息不完整等缺点。为了克服这些缺点,使融合后的图像包含尽可能多的源图信息,提出了一种在融合时两幅图像的系数都选取的融合规则。通过对多聚焦图像融合的实验结果比较表明,提出的融合规则的融合效果更优,可避免信息损失。     

基于对比度视觉模型的多聚焦融合图像的精确重构

采用基于对比度视觉模型的图像融合最优分块搜索算法 ,对同一场景两幅严格配准的多聚焦图像的清晰恢复进行了深入研究 .结果表明 :应用二十多幅各种不同图像实例 ,该方法的评价指标 RMSE(均方根误差 )不仅远小于目前国内外文献中研究的数值 ,甚至在一些情况下达到 0 ,实现了多聚焦图像对原始图像的精确重构 .该算法亦具有简捷性和可扩展性 ,对于非严格配准的图像也能得到很大程度地再现     

基于PCA与小波变换的彩色图像融合算法

针对多聚焦彩色图像融合问题,提出了一种基于PCA与小波变换的多聚焦图像融合算法.首先,利用主元分析和离散小波框架变换算法,将图像分为清晰块与模糊块;然后对于清晰块,直接选取该块作为融合后的相应块区域;对于模糊块,则建立了基于点特征值的像素选取方法,分别从两幅待融合图像中选取特征值较大的点作为融合结果的像素点,从而得到最终的融合结果图.实验结果表明,所提出的方法能够较好地解决彩色多聚焦彩色图像融合问题,融合效果较为理想.     

微距摄影的多聚焦图像拍摄和融合

目的 对于微距摄影来说,由于微距镜头的景深有限,往往很难通过单幅照片获得拍摄对象全幅清晰的图像.因此要想获取全幅清晰的照片,就需要拍摄多幅具有不同焦点的微距照片,并对其进行融合.方法 传统的微距照片融合方法一般都假定需要融合的图像是已经配准好的,也并没有考虑微距图像的自动采集.因此提出了一种用于微距摄影的多聚焦图像采集和融合系统,该系统由3个部分组成.第1部分是一种微距图像拍摄装置,该硬件能够以高精度的方式拍摄物体在不同焦距下的微距照片.第2部分是一个基于不变特征的图像配准组件,它可以对在多个焦点下拍摄的微距图像进行自动配准和对齐.第3部分是一个基于图像金字塔的多聚焦图像融合组件,这个组件能够对已经对齐的微距照片进行融合,使得合成的图像具有更大的景深.该组件对基于图像金字塔的融合方法进行了扩展,提出了一种基于滤波的权重计算策略.通过将该权重计算与图像金字塔相结合,得到了一种基于多分辨率的多聚焦图像融合方法.结果 论文使用设计的拍摄装置采集了多组实验数据,用以验证系统硬件设计和软件设计的正确性,并使用主观和客观的方法对提出的系统进行评价.从主观评价来看,系统合成的微距图像不仅具有足够的景深,而且在高分辨率下也能够清晰地呈现物体微小的细节.从客观评价来看,通过将系统合成的微距图像与其他方法合成的微距图像进行量化比较,在标准差、信息熵和平均梯度3种评价标准中都是最优的.结论 实验结果表明,该系统是灵活和高效的,不仅能够对多幅具有不同焦点的微距图像进行自动采集、配准和融合,并且在图像融合的质量方面也能和其他方法相媲美.     

群智能算法的研究进展

群智能是一种仿生自然界动物昆虫觅食筑巢行为的新兴演化计算技术。目前主要的群智能优化算法有蚁群算法、微粒群算法和人工鱼群算法。本文介绍了群智能算法的产生、发展和优点,并着力阐述了上述三种典型算法的基本原理,同时概述了各算法的应用现状,最后提出了算法将来有待研究的内容。     

Effective optic disc detection method based on swarm intelligence techniques and novel pre-processing steps

Diabetic retinopathy affects the vision of a significant fraction of the population worldwide. Retinal fundus images are used to detect the condition before vision loss develops to enable medical interventions. Optic disc detection is an essential step for the automatic detection of the disease. Several techniques have been introduced in the literature to detect the optic disc with different performance characteristics such as speed, accuracy and consistency. For optic disc detection, a nature-inspired algorithm called swarm intelligence has been shown to have clear superiority in terms of speed and accuracy compared to traditional detection algorithms. We therefore further investigated and compared several swarm intelligence techniques. Our study focused on five popular swarm intelligence algorithms: artificial bee colony, particle swarm optimization, bat algorithm, cuckoo search and firefly algorithm. This work also featured a novel pre-processing scheme that enhances the detection accuracy of the swarm techniques by making the optic disc region the highest grayscale value in the image. The pre-processing involves multiple stages of background subtraction, median filtering and mean filtering and is named Background Subtraction-based Optic Disc Detection (BSODD). The best result was obtained by combining our pre-processing technique, firefly algorithm and the parameters used for the algorithm. The obtained accuracy was superior to the other tested algorithms and published results in the literature. The accuracy of the firefly algorithm was 100%, 100%, 98.82% and 95% when using the DRIVE, DiaRetDB1, DMED and STARE databases, respectively.     

量子群智能优化算法综述

随着科学技术的不断发展,最优化理论及其衍生出的算法已经广泛应用于人们的日常工作与生活当中,现实世界中的很多问题都可以被描述为组合优化问题。群智能优化算法这些年来被证明在解决组合优化问题方面效果显著,将当下处于研究热点的量子计算概念引入群智能优化算法形成的量子群智能优化算法,为更好地解决组合优化问题提出了一个新的研究方向。在过去的二十多年里,许多量子群智能优化算法被不断开发出来,同时在此基础上进行了大量改进与应用。综述了量子蚁群算法、量子粒子群算法、量子人工鱼群算法、量子人工蜂群算法、量子布谷鸟搜索算法、量子混合蛙跳算法、量子萤火虫算法、量子蝙蝠算法等量子群智能优化算法,并对量子群智能优化算法面临的问题以及未来研究方向进行了深入探讨。     

鲸鱼优化算法研究综述

鲸鱼优化算法是一种受座头鲸的狩猎行为启发所提出的新型群体智能优化算法,其性能远超传统算法。为了跟踪最新研究成果、促进群体智能优化算法领域的研究,首先介绍了鲸鱼优化算法的基本原理,简述了其实现步骤,并对比分析了其性能特点。针对其收敛速度慢、收敛精度低等缺点,总结分析了融入其他智能优化算法、Lévy飞行策略、混沌策略等改进方式及其优势与局限;接着阐述了其在组合优化、图像分割、数据预测等方面的应用及取得的效果。最后,对未来发展趋势进行总结与展望。     

Medical image fusion based on hybrid intelligence

Medical image fusion combines complementary images from different modalities for proper diagnosis and surgical planning. A new approach for medical image fusion based on the hybrid intelligence system is proposed. This paper has integrated the swarm intelligence and neural network to achieve a better fused output. The edges are an important feature of an image and they are detected and optimized by using ant colony optimization. The detected edges are enhanced and it is given as the feeding input to the simplified pulse coupled neural network. The firing maps are generated and the maximum fusion rule is applied to get the fused image. The performance of the proposed method is compared both subjectively and objectively, with the genetic algorithm method, neuro-fuzzy method and also with the modified pulse coupled neural network. The results show that the proposed hybrid intelligent method performs better when compared to the existing computational and hybrid intelligent methods.     

基于HSDPA混合群集智能算法的多用户调度

传统的基于粒子群最优化的混合启发式算法和模拟退火算法往往以牺牲解的质量或者求解速度来实现有效的调度,为了解决这一问题,提出了一种基于高速下行分组接入（HSDPA）标准的混合群集智能算法。首先假定HSDPA标准所指定的是现实性不完善的信道状态信息（CSI）反馈,并以有限集合的形式存在于信道指示符（CQI）中;接着在最优化过程中,利用模拟退火算法和粒子群最优化算法各自的优点设计混合群集智能算法;最后利用混合算法进行数据处理,得到最优解的同时降低了复杂度,从而实现提升系统通量,达到调度最优化的目的。实验结果表明,与传统的基于粒子群最优化的算法相比,所提的混合算法取得了更好的调度效果。     

AUTOMATIC FLOWER BOUNDARY EXTRACTION USING IPSOAntK-MEANS ALGORITHM

Automatic flower boundary extraction is an important part of flower image recognition and retrieval. Identifying a flower of interest or segmenting against the background is a difficult task. We proposed and developed a hybrid automatic flower boundary extraction method called IPSOAntK-means based on swarm intelligence techniques in this article. The method employs ant colony optimization, incremental particle swarm optimization (IPSO), and K-means algorithms and it is the first swarm-based technique in flower segmentation on color images. The parameters of the algorithm are tuned by iterated F-race and experiments are conducted over two different benchmark data sets: CAVIAR-Flower and Oxford 17 flowers data sets. In the CAVIAR-flower data set, IPSOAntK-means outperformed K-means with 96.4% accuracy on average over 600 colored flower images. Comparison results of the Oxford flower data set show that our method is one of the best flower segmentation methods in the literature.     

群体智能算法在图像分割中的应用综述

图像分割的通用方法一直是图像处理领域中的热点和难点。随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法。群智能算法通过模拟自然界的事物或生物的行动规律,将传统的人工智能和群体生物结合,在解空间中搜索最优解,为解决复杂问题提供了新的解决思路。阐述群体智能算法的研究现状和发展过程,将早期的蚁群算法（Ant Colony Optimization,ACO）、经典的粒子群算法（Particle Swarm Optimization Algorithm,PSO）以及较新的麻雀搜索算法（Sparrow Search Algorithm,SSA）为例详细介绍其算法原理方法,并简要表述蝙蝠算法（Bat Algorithm,BA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、人工蜂群算法（Artificial Bee Colony Algorithm,ABC）、萤火虫算法（Firefly Algorithm,FA）、布谷鸟搜索法（Cuckoo Search,CS）、细菌觅食算法（Bacterial Foraging Optimization,BFO）和最新的蜉蝣算法（Mayfly Algorithm,MA）的原理,在此基础上,结合国内外文献对上述算法的改进方法和结合图像分割技术的综合改进及应用进行分析总结。将群体智能算法结合图像分割技术的代表性算法提取出来进行列表分析总结,随后概述总结群体智能算法的统一框架、共同特性、不同的差异并提出存在的问题,最后对未来趋势做出展望。     

解决复杂优化问题的一个有效工具——蜂群优化算法*

蜂群的某些群智能行为在昆虫中是很独特的,因此来源于蜂群智能行为的各种优化算法在解决某些实际问题时是很有效的。较之其他的优化算法,目前国内关于蜂群优化算法的文献相对较少。简要介绍了若干蜂群优化算法的发展概况,并探讨了一些未来可做的工作。