[发明专利]一种基于卷积神经网络的图像融合效果评估方法

摘要

本发明公开了一种基于卷积神经网络的图像融合效果评估方法，属于图像拼接和图像质量评价技术领域，涉及计算机视觉领域，包括以下步骤：S1：生成训练数据集和测试数据集。S2：生成卷积神经网络模型。S3：基于训练的卷积神经网络测试测试数据集。本发明利用卷积神经网络，可以代替繁琐的，大量的人为统计评分，并且可以准确地判断图像拼接中融合效果的好坏，克服单因素评价指标所带来的局限性，有利于全自动自适应图像拼接系统的实现，具有非常重要的应用价值。

主权项

一种基于卷积神经网络的图像融合效果评估方法，其特征在于，包括以下步骤：S1：生成训练数据集和测试数据集；S2：生成卷积神经网络模型；S3：基于训练的卷积神经网络测试测试数据集；所述S1包括S101、S102、S103、S104；S101:获取拼接合成图像；S102：计算拼接合成图像的客观评价参数；选取了偏差指数作为客观评价参数；所述偏差指数计算公式如下：D=1M×NΣi=1MΣj=1N|F(i,j)-A(i,j)|A(i,j)]]>其中，D表示偏差指数，F(i，j)表示拼接合成图像中像素灰度值，A(i，j)表示拼接合成图像中像素灰度值与原始图像序列相对应像素灰度值，M，N分别表示拼接合成图像的宽度和高度；S103：生成训练数据集；根据S101步得到的拼接合成图像以及S102步设置的客观评价参数，计算卷积神经网络的训练数据集；对训练样本集中所有的拼接合成图像以及相对应的原始图像序列，使用图像配准技术，将拼接合成图像与原始图像序列进行配准，得到二者的重合区域，将重合区域按行均匀分割成M块，对每一块进行处理，依据上述两种评价参数的计算方法，对每个块计算它们的客观评价参数，作为卷积神经网络的训练数据集X＝{D1，SD1，D2，SD2，...，DM，SDM}；计算每一个块内的每个像素和每个拼接图像对应的原始图像的每个像素的差的平方值Avg；将0～Avg构成的闭区间均匀的分成五等分，按值的大小从小到大将区间依次标记为E1、E2、E3、E4、E5，如果某一块的像素差的平方值落在E1这个区间，表明该块的拼接效果好，如果某一块的像素差的平方值落在E5这个区间，则标定该块的拼接效果差；将所有训练样本集进行上述操作，获得与原始图像序列相对应的理想输出Y＝{y1，y2，...，yM}，其中，yi∈{E1，E2，E3，E4，E5}，并且{X，Y}一起构成了卷积神经网络的训练数据集合；S104：获取测试数据集；所述S2步骤包括S201、S202、S203；S201：构建卷积神经网络模型；S202：设置输入层与卷积采样层参数；S203：利用训练数据集训练卷积神经网络。