[发明专利]基于卷积神经网络的离散小波变换域多聚焦图像融合方法

摘要

本发明属于多聚焦图像融合技术领域，具体涉及基于卷积神经网络的离散小波变换域多聚焦图像融合方法；该方法包括以下步骤：首先，使用离散小波变换将每个源图像分解为一个低频子带和多个高频子带；第二，将它们输入到不同的卷积神经网络中，以便获得不同的权重图；第三，通过执行一系列处理后重新定义决策图；第四，根据它们的决策图，将频率子带分别融合；最后，通过逆DWT获得融合图像；是一种能够将多聚焦图像融合在一起，获得“全焦点”图像的融合方法，解决了多聚焦图像融合的问题，其融合效果优于传统融合方法，适应性更强，可以高效率的融合多聚焦图像。

主权项

1.基于卷积神经网络的离散小波变换域的多聚焦图像融合方法，其特征在于，包括以下步骤：步骤一，使用离散小波变换将每个源图像分解为一个低频子带和多个高频子带；步骤二，基于卷积神经网络的性质，构建一种卷积神经网络，该网络分为两个分支，网络的输入是一对频率子带，输出为概率分布；利用ImageNet中的Pen类图像对构建的卷积神经网络进行训练，首先将Pen类图像分割成块后应用高斯模糊，使每个图像块都有对应的清晰块和模糊块，再将得到的清晰块和模糊块作为两个分支输入构建的卷积神经网络中进行训练，得到CNN‑High网络模型和CNN‑Low网络模型；再将源图像的高频子带数据代入得到的CNN‑High网络模型，得到关于源图像的高频子带权重图；同理，将源图像的低频子带数据代入得到的CNN‑Low网络模型，得到关于源图像的低频子带权重图；步骤三，在步骤二得到的权重图上通过修正的拉普拉斯和算法即SML算法运算获得决策图，得到对应子带的决策图；步骤四，根据决策图，将不同频率子带分别融合，得到融合子带FS_k(k＝{LL，LH，HL，HH})；其中FS为融合子带，k是一个参数，对应的是各个频率的融合子带，当k＝LL时，FS_k就是指低频的融合子带，当k＝LH时，FS_k就是指横向为低频、纵向为高频的融合子带，当k＝HL时，FS_k就是指横向为高频、纵向为低频的融合子带，当k＝HH时，FS_k就是指横向为高频、纵向为高频的融合子带；步骤五，通过逆离散小波变换对融合子带FS_k(k＝{LL，LH，HL，HH})进行重构，获得融合图像F。