[发明专利]基于卷积神经网络的图像融合方法

说明书

本发明公开了一种基于卷积神经网络的图像融合方法，包括获取训练数据集；构建基于卷积神经网络的图像融合模型并训练得到图像融合模型；将待融合的两张图像输入到图像融合模型中完成图像的融合。本发明将图像配准和图像融合过程在一个网络中进行训练，并共享编码器，从而减少了网络参数，加速了网络的训练过程；同时设计了一种DenseBlock结构，使得特征提取过程更为精确和可靠；最后采用配准解码器网络和跳跃连接的方式，使得网络的最后输出的变形场能够捕获到浅层网络的特征信息，并且能够和深层网络特征进行融合；因此，本发明方法的可靠性高、实用性好且精确性较好。

技术领域

本发明属于图像处理领域，具体涉及一种基于卷积神经网络的图像融合方法。

背景技术

随着经济技术的发展，图像处理技术已经得到了广泛应用。而在进行图像处理时，经常涉及到图像的融合过程。图像融合后，融合后的图像既能够保持原图像中的重要信息，又能够反映出新增加的图像的信息的变换；因此，融合后的图像往往结合了来自多个图像的互补信息和冗余信息，能够提供更为丰富的数据信息。

目前随着人工智能算法的普及，人工智能算法(比如卷积神经网络算法)也已经广泛应用于图像融合领域。但是，目前的基于人工智能算法的图像融合技术，一般是先训练图像配准网络并用于图像配准，然后再将配准后的图像进行图像融合网络训练，再进行图像融合。但是，明显的，现有的基于人工智能算法的图像融合技术，其训练过程较为繁琐，而且可靠性和精确性都不高。

发明内容

本发明的目的在于提供一种可靠性高、实用性好且精确性较好的基于卷积神经网络的图像融合方法。

本发明提供的这种基于卷积神经网络的图像融合方法，包括如下步骤：

S1.获取训练数据集；

S2.构建基于卷积神经网络的图像融合模型；

S3.采用步骤S1获取的训练数据集，对步骤S2构建的基于卷积神经网络的图像融合模型进行训练，从而得到图像融合模型；

S4.将待融合的两张图像输入到步骤S3得到的图像融合模型中，完成图像的融合。

步骤S1所述的训练数据集，具体包括浮动图像和参考图像。

步骤S2所述的构建基于卷积神经网络的图像融合模型，具体为基于卷积神经网络的图像融合模型采用如下步骤进行图像融合：

A.将浮动图像和参考图像输入到编码器网络中进行编码和特征提取；

B.将步骤A提取到的特征进行串接，并将串接后的特征输入到配准解码器网络，从而得到配准参数；

C.利用步骤B得到的配准参数，对浮动图像进行变换；

D.将变换后的浮动图像输入到编码器网络进行编码；

E.将步骤D得到的编码后的变换浮动图像与步骤A得到的编码后的参考图像输入到融合层进行融合；

F.将步骤E得到的融合后的数据输入到重构解码器网络中，从而得到最终的融合后的图像。

步骤A所述的编码器网络中，具体为采用DenseBlock结构作为编码器网络。