[发明专利]一种基于监督学习的全卷积神经网络多聚焦图像融合方法

说明书

本发明公开一种基于监督学习的全卷积神经网络多聚焦图像融合方法：该方法旨在运用神经网络学习源图像不同聚焦区域的互补关系，即选择源图像中不同的聚焦位置合成一张全局清晰图像。该方法构造聚焦图像作为训练数据，网络采用稠密连接和1×1卷积以提高网络的理解能力和效率。结果显示，该发明在主观视觉评估和客观评价两方面均优于其他对比方法，图像的融合质量得到进一步提升。

技术领域

本发明属于多聚焦图像融合领域，涉及一种基于监督学习的全卷积神经网络多聚焦图像融合方法。

背景技术

由于光学原件景深限制，很难捕获到图像中所有的清晰目标，只有距离相机特定位置的目标才能被聚焦，在聚焦平面之前或之后的目标将失去聚焦变得模糊。为解决这一问题提出了多聚焦图像融合方法，其目的是将不同景深图像融合成一张全聚焦图像。目前，多聚焦图像融合技术在目标识别、机器视觉、数字摄影和显微成像等领域均应用广泛。

近年来有多种多聚焦图像融合方法被提出，根据其融合策略不同，这些融合方法可以分成两类：基于变换域的融合方法和基于空间域的融合方法。基于变换域的方法有拉普拉斯金字塔、离散小波分解、非上采样剪切波变换(NSCT)等，此类方法都是将源图像分解成多尺度域，之后融合分解后的多尺度域，最后使用融合后的多尺度域重建图像。基于空间域的融合方法主要使用像素级的梯度信息或图像块来融合图像，然而这一过程会引入伪影块，近年来基于导向滤波(GF)、基于图像提取(IM)、基于密集尺度不变变换(DSIFT)和基于同质相似等像素级融合方法在提取和表现图像细节方面均有较好表现。但这些方法的活动测度和融合规则人工设计困难，并且有很多因素不能完全考虑在内。

由于深度学习有很强的特征提取和数据表示能力，其在图像处理和计算机视觉任务中表现优异。基于深度学习的多聚焦图像融合领域由于缺少标记数据，大多使用的神经网络模型都是基于非监督学习或将神经网络作为图像融合方法的一部分。Mustafa等提出基于非监督学习的多尺度卷积神经网络多聚焦图像融合方法，该方法使用3种不同尺度的卷积核来提取源图像的低频和高频信息，取得较好的融合效果，但该方法并未充分利用网络中间层信息。Liu等提出了一种基于卷积神经网络的图像融合方法，将神经网络融合多聚焦图像的方法视为分类问题，使用分块后图像及其模糊处理来训练网络，使网络具有分类能力，网络输出为分类得分表，得分表经过平均重叠块、二值化和两个一致性检验策略得到决定映射，最后将决定映射作为源图权重来重建图像，但这并未做到端到端的映射。

综上所述，本发明提出一种基于监督学习的全卷积神经网络多聚焦图像融合方法。该方法将多聚焦图像融合视为像素点预测问题，通过监督学习来训练全卷积网络，使网络学习到源图像中不同聚焦区域的互补关系，从而合成一张全局清晰的图像。

发明内容

有鉴于此，本发明提供了一种基于监督学习的全卷积神经网络多聚焦图像融合方法，有效提高多聚焦融合图像的融合细节，大大降低融合图像中的伪影和噪声，使得融合图像看起来更加清晰自然。

为了实现上述目的，本发明采用如下技术方案：

一种基于监督学习的全卷积神经网络多聚焦图像融合方法，包括：网络机构搭建、数据集训练、网络训练三部分：

网络结构搭建步骤如下：

S1：构建神经网络；

S2：优化网络；

数据集训练步骤如下：

S3：基于公共数据集VOC2007构造了带有标签的多聚焦图像数据集；

S4：对标签图像做不同区域的高斯模糊处理；

网络训练步骤如下：

S5：构建损失函数和优化函数；

S6：训练经高斯模糊处理后的数据集，得出结果；

S7：结束。