Sekyoro的博客小屋
·
图像融合论文阅读
💡
原文中文，约6300字，阅读约需15分钟。
📝
内容提要
本文介绍了红外和可见光图像融合中使用深度学习的方法和评估指标，包括基于GAN的方法和面向检测的融合方法TarDAL和IFCNN。评估指标包括EN、SSIM、PSNR、SD、CC、SF和VIF等。文章还提到了使用的数据集和实际应用场景。
🎯
关键要点
- 介绍图像融合的概念及其应用领域，包括RGBT目标跟踪、医学图像检查和遥感监测。
- 图像融合能够将不同源图像中的信息结合，生成更丰富的信息图像。
- 传统图像融合方法存在特征提取粗糙和融合策略表现差的问题。
- 深度学习方法在图像融合中引入了差异化特征提取和更合理的融合策略。
- 现有深度学习方法分为AutoEncoder、CNN和GAN三种类型。
- GAN方法通过生成器和判别器的对抗博弈实现特征提取、融合和重建。
- 红外和可见光图像融合结合了两者的优点，生成高对比度和丰富纹理的图像。
- 评估指标包括EN、SSIM、PSNR、SD、CC、SF和VIF等，用于衡量融合图像的质量。
- 数据集包括TNO、INO、RoadScene、MSRS、LLVIP和MFD等，涵盖不同场景的图像。
- FusionGAN是早期使用GAN进行红外和可见光图像融合的算法。
- TarDAL是一种面向检测的融合方法，采用双层优化公式提高检测精度和视觉效果。
- IFCNN策略能够生成视觉吸引的图像，并输出准确的检测结果。
➡️
