图像融合理论、算法与应用

第1章 图像处理基础 1.1 概述 1.2 数字图像的表示方法 1.2.1 数字图像的结构 1.2.2 图像的矩阵表示 1.3 人眼视觉感知特性 1.4 数字图像处理的研究内容 1.4.1 常用的基本概念 1.4.2 数字图像处理的特点 1.4.3 数字图像处理的研究内容 1.4.4 数字图像处理的技术 1.5 图像文件的常用格式 1.6 图像增强 1.6.1 图像噪声 1.6.2 图像对比度增强 1.6.3 图像平滑 1.6.4 图像锐化 1.7 图像处理系统的组成和应用 1.7.1 图像处理系统的组成 1.7.2 数字图像处理的应用 参考文献 第2章 图像配准方法 2.1 基于灰度信息的图像配准 2.1.1 MAD算法 2.1.2 SAD算法 2.1.3 SSD算法 2.1.4 SSDA 2.2 基于SIFT的图像配准算法研究 2.2.1 SIFT特征点提取 2.2.2 构造SIFT特征描述子 2.2.3 SIFT特征点匹配 2.2.4 剔除误西己 2.2.5 坐标变换与插值 2.2.6 实验结果与分析 2.2.7 SIFT算法应用于多源图像配准中的问题 2.2.8 小结 2.3 基于改进SIFT的红外与可见光图像配准方法研究 2.3.1 图像预处理 2.3.2 基于边缘特征提取与增强的SIFT多源图像配准算法 2.3.3 SIFT算法自身的改进 2.3.4 混合SIFT多源图像配准方法 2.3.5 实验结果与分析 2.3.6 小结 参考文献 第3章 图像融合基础知识 3.1 图像融合概述及国内外研究现状 3.1.1 传统的图像融合方法 3.1.2 基于深度学习的图像融合方法 3.2 图像融合分类 3.3 图像融合质量评价 3.3.1 主观评价 3.3.2 客观评价 参考文献 第4章 基于多尺度分解的红外与可见光图像融合方法 4.1 基于拉普拉斯金字塔的图像融合方法 4.2 基于离散小波变换的图像融合方法 4.2.1 离散小波变换基本原理 4.2.2 基于离散小波变换的图像融合方法 4.3 基于非下采样轮廓波变换的图像融合方法 4.4 基于多尺度混合信息分解的图像融合方法 4.4.1 高斯滤波器和引导滤波器 4.4.2 图像混合信息分解方法 4.4.3 红外与可见光图像融合 4.4.4 实验结果与分析 4.5 基于图像对比度增强的红外与可见光图像融合方法 4.5.1 基于引导滤波器和线性变换的可见光图像增强算法 4.5.2 图像融合方法 4.5.3 非局部均值滤波 4.5.4 实验结果与分析 4.6 基于视觉显著性检测和图像两尺度分解的图像融合方法 4.6.1 红外特征信息提取 4.6.2 基于低通滤波的图像两尺度分解 4.6.3 视觉显著性检测 4.6.4 权重图构造 4.6.5 图像重构 4.6.6 实验结果与分析 参考文献 第5章 基于稀疏表示的图像融合方法 5.1 稀疏表示理论基础 5.2 基于稀疏表示的图像融合方法 5.2.1 图像分块与重构 5.2.2 滑动窗技术 5.2.3 图像融合方法 5.3 稀疏字典的构造 5.3.1 稀疏字典学习原理 5.3.2 稀疏字典学习的实现 5.4 图像多尺度分解与稀疏表示相结合的图像融合方法 5.5 基于卷积稀疏表示的图像融合方法 5.5.1 卷积稀疏表示 5.5.2 卷积字典构建 5.5.3 基于图像两尺度分解及卷积稀疏表示的图像融合方法 5.5.4 实验结果与分析 参考文献 第6章 基于红外目标特征提取的图像融合方法 6.1 红外目标特征提取 6.1.1 基于高斯滤波器的图像分解方法 6.1.2 红外目标特征提取 6.2 分解子信息融合 6.3 实验结果与分析 参考文献 第7章 基于深度卷积神经网络的图像融合方法 7.1 卷积神经网络 7.1.1 卷积神经网络的基本结构 7.1.2 卷积神经网络的训练方式 7.2 基于均值滤波的两尺度图像分解方法 7.2.1 均值滤波 7.2.2 基于均值滤波的两尺度图像分解方法 7.3 图像两尺度分解与CNN相结合的融合方法 7.3.1 低频部分的融合 7.3.2 高频部分的融合 7.3.3 重建图像 7.4 实验结果与分析 7.4.1 实验设置 7.4.2 实验结果及分析 参考文献