摘要
近年来,基于深度学习模型的图像融合方法备受关注.而传统的深度学习模型通常需要耗时长和复杂的训练过程,并且涉及参数众多.针对这些问题,文中提出了一种基于简单的深度学习模型PCANet的非下采样剪切波(Non-Subsanmpled Shearlet Transform,NSST)域多聚焦图像融合方法.首先,利用多聚焦图像训练两阶段PCANet,用于提取图像特征.然后,对输入源图像进行NSST分解,得到源图像的多尺度和多方向表示.低频子带利用训练好的PCANet提取其图像特征,并利用核范数构造有效的特征空间进行图像融合.高频子带利用区域能量取大的融合规则进行融合.最后对根据不同融合规则融合后的频率系数进行NSST重构,获取清晰的目标图像.实验结果表明,所提算法的训练和融合速度比基于CNN的方法提高了43％,该算法的平均梯度、空间频率、熵等融合性能分别为5.744,15.560和7.059,可以与现有融合方法相媲美或优于现有的融合方法.
NETL
NSTL
维普
万方数据