CN109377447A - 一种基于杜鹃搜索算法的Contourlet变换图像融合方法 - Google Patents
一种基于杜鹃搜索算法的Contourlet变换图像融合方法 Download PDFInfo
- Publication number
- CN109377447A CN109377447A CN201811086423.4A CN201811086423A CN109377447A CN 109377447 A CN109377447 A CN 109377447A CN 201811086423 A CN201811086423 A CN 201811086423A CN 109377447 A CN109377447 A CN 109377447A
- Authority
- CN
- China
- Prior art keywords
- image
- low
- bird
- nest
- contourlet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于杜鹃搜索算法的Contourlet变换图像融合方法,对配准后的源图像A、B,分别进行Contourlet变换,得到1个低频子带和不同尺度、不同方向的多个高频子带;按照定义的融合规则在所有尺度和方向上对两幅图像的变换系数进行融合,得到融合后的系数;融合图像为R,对于融合后的系数,按照其低频子带和高频子带的顺序,依次进行Contourlet逆变换;最后输出融合后的图像。本发明与传统的图像融合方法相比,对各尺寸各方向上的融合系数权重进行了加权处理,计算出最优权值,并以此提出一种优化的Contourlet变换图像融合方法。
Description
技术领域
本发明属于智能计算和数字图像处理的交叉应用技术领域,涉及一种Contourlet变换图像融合方法,具体涉及一种基于杜鹃搜索算法的Contourlet变换图像融合方法。
背景技术
数字图像是人们获取的数字信息的一个重要种类,对于数字图像的处理一直是一个热点。最早的图像融合工作可以追溯到20世纪80年代中期,Burt P J最早使用拉普拉斯金字塔方法对双筒望远镜图像进行了融合。随着现代影像传感器技术的迅猛发展,影像由单一的可见光模式逐渐发展成多种传感器模式,不同传感器获取的目标信息因其成像方式、使用的电磁波段以及分辨率不同,所反映的目标信息也不同。比如,红外影像、可见光影像,深度影像、多光谱、高光普、高分辨率、合成孔径雷达卫星影像、医学图像中的MRI图和CT图等不同光谱与空间分辨率的图像提供物理特性的互补性,从不同的侧面来揭示着目标本质。
融合的概念和技术产生于20世纪80年代,是指在多种信息集成过程中的任一步骤,由不同信息源的信息复合成一种表达形式。影像信息融合是一门综合了传感器、影像处理、信号处理、计算机和人工智能等多种学科的现代高新技术,它是一个对多源传感器(如CCD摄像机、红外探测器、激光探测器、雷达、声呐等)获取的对应同一目标的不同影像数据和其它信息的处理过程,着重于把那些在空间或时间上冗余或互补的多源数据,按一定的规则(或算法)进行运算处理,获得比任何单一数据更精确、更丰富的信息,生成一副具有新的空间、波普、时间特征的合成影像。影像信息融合一般分为三个层次,即像素级融合、特征级融合和决策级融合。像素级影像融合算法有两个关键地方,即选择合适的影像表达工具以及制定合适的影像融合规则。
在图像融合中,基于多尺度分析的系数融合规则仍不成熟。系数融合规则是基于多尺度分析的图像融合算法中另一个重要因素,源图像经多尺度变换工具分解后,得到各尺度下的分量,低频子带分量代表源图像的背景信息,高频子带分量则代表了图像空间细节信息和边缘特征,如何选取合理的系数融合规则,将其直接影响融合图像的质量。因此,如今大部分的图像融合算法的研究重点均集中于系数融合规则的制定。因为需要在所有尺度和方向上对两幅图像的变换系数进行融合,得到融合后的系数。融合规则体现在变换后源图像的低频分量和高频分量的处理中,其合理与否直接影响最终的融合图像效果。在传统的图像融合算法中,幅值较大的变换系数通常被认为是灰度值变换显著的边缘、纹理等图像特征,因此最常见的融合规则是采用模值取大,即对比相同子带相同位置的变换系数,取模值较大者作为融合后的系数。或者单一权值的融合,即各尺寸各方向上的融合系数权重为同一个值,且此权值是根据大量实验得到的。而事实上图像的重要特征并不能由单个系数得到有效反映,本发明提出一种基于杜鹃搜索算法来计算各尺度各方向的系数加权权重的系数融合规则,并以此提出一种优化的Contourlet变换图像融合方法。
发明内容
为了解决上述技术问题,本发明提出了一种基于杜鹃搜索算法的Contourlet变换图像融合方法,可以达到提高图像融合质量的目的。
本发明所采用的技术方案是:一种基于杜鹃搜索算法的Contourlet变换图像融合方法,用于对配准后的源图像A、B进行融合,其中源图像A、B均为灰度图像,且A,B∈RM×N,RM ×N是大小为M×N的空间;
其特征在于,所述方法包括以下步骤:
步骤1:输入两幅源图像A、B,并分别进行Contourlet变换,得到1个低频子带和不同尺度、不同方向的多个高频子带;
步骤2:Contourlet系数融合;
按照定义的融合规则在所有尺度和方向上对两幅图像的变换系数进行融合,得到融合后的系数;
步骤3:融合图像为R;
对于融合后的系数,按照其低频子带和高频子带的顺序,依次进行Contourlet逆变换;
步骤4:输出融合后的图像。
本发明的有益效果是:利用杜鹃搜索算法对各尺度方向上的融合系数加权权重的系数进行优化求解,并采用信息熵作为适应度函数对选择的权重系数的效果进行评价,得到更为合理的系数融合规则,进一步完善了Contourlet变换的图像融合方法。本发明采用的基于杜鹃搜索算法计算各尺度各方向的系数加权权重的系数融合规则,较之以往简单融合规则的以模值取打,即对比相同子带相同位置的变换系数,取模值较大者作为融合后的系数;或者根据大量实验得到的单一权值的融合,即各尺寸各方向上的融合系数权重为同一个值,可以更好的、更客观的融合两幅源图像的细节信息,同时采用杜鹃搜索算法求解最优的权重系数,可以达到快速图像融合的目的。
附图说明
图1:本发明实施例的流程图.
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,需要说明的是杜鹃搜索算法和Contourlet变换是已有优化技术,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种基于杜鹃搜索算法的Contourlet变换图像融合方法,用于对配准后的源图像A、B进行融合,其中源图像A、B均为灰度图像,且A,B∈RM×N,RM×N是大小为M×N的空间;
包括以下步骤:
步骤1:输入两幅源图像A、B,并分别进行Contourlet变换,得到1个低频子带和不同尺度、不同方向的多个高频子带;
本实施例首先假设对输入图像A、B进行L层Contourlet分解,第l(0≤l≤L-1)层上的方向数为k,则Contourlet变换过程可以表示为:
A→(a0,a1,a2,...aL-1,alow)
B→(b0,b1,b2,...bL-1,blow)
al={Al,0,Al,1,Al,2,...Al,k-1},(0≤l≤L-1)
bl={Bl,0,Bl,1,Bl,2,...Bl,k-1},(0≤l≤L-1)
上式中,alow,blow分别为A,B的低频子带,al和bl分别为图像A,B第l层上的高频方向子带集合,Al,k-1为图像A第l层上的高频子带的k-1方向的分量,Bl,k-1为图像B第l层上的高频子带的k-1方向的分量。
步骤2:Contourlet系数融合;
按照定义的融合规则在所有尺度和方向上对两幅图像的变换系数进行融合,得到融合后的系数;
具体实现包括以下子步骤:
步骤2.1:根据步骤1进行Contourlet变换,分解层数为L,每层方向数为k,得到1个低频子带和不同尺度、不同方向的L×k个高频子带,则需要计算的各尺度各方向上的权重总数为L×k+1个;
初始化杜鹃搜索算法所需的参数,得到算法的初始种群;其中,参数包括迭代次数Iter、算法的种群规模N、鸟蛋被发现的概率pa、速度步长控制参数η、列维飞行步长控制参数λ、鸟巢的初始空间位置;鸟巢的初始空间位置值向量是相应的每一维对应权重集合中的每一个权重;
步骤2.2:利用融合后图像的信息熵计算每个鸟巢的适应度函数值,记录并保留当前最优鸟巢位置A;
适应度函数计算公式:
其中,P(l)为某灰度值l在图像中出现的概率,L为图像的灰度等级;
步骤2.3:通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置,得到一组新解并计算每个鸟巢的适应度函数值,比较这组解的适应度函数值并记其具有最优适应度函数值的位置为B;
其中位置更新公式为:
其中,i表示第i个鸟巢,t表示迭代次数,xi(t)表示第i个鸟巢在第t次迭代时的位置,xi(t+1)表示第i个鸟巢在第t+1次迭代时的位置,η是速度步长控制参数并且η>0,表示点对点乘法,Levy(λ)是均匀Levy分布随机数,服从Levy~u=t-λ,1<λ≤3,λ是列维飞行步长控制参数;
步骤2.4:用随机数r∈[0,1]与鸟巢的主人发现外来的鸟蛋概率pa对比,并判断:
若r>pa,则通过列维飞行随机改变鸟巢位置,得到一组新的鸟巢位置,并计算其适应度函数值,比较这组解的适应度函数值并记其具有最优适应度函数值的位置为C,然后进入步骤2.5;
若r≤pa,则顺序执行下述步骤2.5;
步骤2.5:将位置B和C的适应度函数值与上一代当前最优鸟巢位置A的适应度函数值进行对比,若更好,则将其作为当前最优鸟巢位置A;
步骤2.6:判断是否满足终止条件;其中终止条件是预设的最大运行迭代次数;
若是,输出全局最优鸟巢位置对应的权重集合,进入步骤2.7;
若否,则回转执行所述的步骤2.3;
步骤2.7:根据得到的最优鸟巢位置对应的权重集合计算得到融合图像的各尺度各方向的融合系数;
权重集合为:
{(w0,0,w0,1,...w0,7),(w1,0,w1,1,...w1,7),...(w2,0,w2,1,...w2,7),wlow}
其中,wi,j表示第i层高频分量上方向为j的系数融合权重,i=0、1、2;j=0、1、2、…、7;wlow为低频分量系数的权重;
根据权重合集计算融合图像的融合系数,下式为图像A和B的第0层的高频分量的各方向系数融合,得到融合图像R的第0层的高频分量的各方向融合系数。
w0,0×A0,0+(1-w0,0)×B0,0=R0,0
w0,1×A0,1+(1-w0,1)×B0,1=R0,1
.
.
.
w0,7×A0,7+(1-w0,7)×B0,7=R0,7
融合图像R的第l层高频分量融合系数为:
rl={Rl,0,Rl,1,Rl,2,...Rl,k-1},(0≤l≤L-1)
图像A和B低频分量融合得到融合图像R的低频分量为:
wlow×alow+(1-wlow)×blow=rlow。
步骤3:融合图像为R;
对于融合后的系数,按照其低频子带和高频子带的顺序,依次进行Contourlet逆变换;
Contourlet逆变换过程为:
rlow+rL-1→rlow-1
rlow-1+rL-2→rlow-2
...
rlow-L+2+r1→r0
rlow-L+1+r0→R
上式表示下一层的高频分量和低频分量融合得到当前层的低频分量,整个融合过程使用公式表示如下:
(r0,r1,r2,...rL-1,rlow)→R
上式中,ri为各尺度上的融合高频子带,0≤i≤L-1,rlow为融合图像的低频子带,R为最终得到的融合图像。
步骤4:输出融合后的图像。
本发明通过利用一种基于杜鹃搜索算法的Contourlet变换图像融合方法,该方法可用于数字图像处理相关领域中。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种基于杜鹃搜索算法的Contourlet变换图像融合方法,用于对配准后的源图像A、B进行融合,其中源图像A、B均为灰度图像,且A,B∈RM×N,RM×N是大小为M×N的空间;
其特征在于,所述方法包括以下步骤:
步骤1:输入两幅源图像A、B,并分别进行Contourlet变换,得到1个低频子带和不同尺度、不同方向的多个高频子带;
步骤2:Contourlet系数融合;
按照定义的融合规则在所有尺度和方向上对两幅图像的变换系数进行融合,得到融合后的系数;
步骤3:融合图像为R;
对于融合后的系数,按照其低频子带和高频子带的顺序,依次进行Contourlet逆变换;
步骤4:输出融合后的图像。
2.根据权利要求1所述的基于杜鹃搜索算法的Contourlet变换图像融合方法,其特征在于:步骤1中,将图像A、B进行Contourlet变换,首先假设对输入图像A、B进行L层Contourlet分解,第l层上的方向数为k,其中0≤l≤L;
则Contourlet变换过程为:
A→(a0,a1,a2,...aL-1,alow);
B→(b0,b1,b2,...bL-1,blow);
al={Al,0,Al,1,Al,2,...Al,k-1},(0≤l≤L-1);
bl={Bl,0,Bl,1,Bl,2,...Bl,k-1},(0≤l≤L-1);
其中,alow、blow分别为A、B的低频子带,al和bl分别为图像A、B第l层上的高频方向子带集合,Al,k-1为图像A第l层上的高频子带的k-1方向的分量,Bl,k-1为图像B第l层上的高频子带的k-1方向的分量。
3.根据权利要求1所述的基于杜鹃搜索算法的Contourlet变换图像融合方法,其特征在于,步骤2的具体实现包括以下子步骤:
步骤2.1:根据步骤1进行Contourlet变换,分解层数为L,每层方向数为k,得到1个低频子带和不同尺度、不同方向的L×k个高频子带,则需要计算的各尺度各方向上的权重总数为L×k+1个;
初始化杜鹃搜索算法所需的参数,得到算法的初始种群;其中,参数包括迭代次数Iter、算法的种群规模N、鸟蛋被发现的概率pa、速度步长控制参数η、列维飞行步长控制参数λ、鸟巢的初始空间位置;鸟巢的初始空间位置值向量是相应的每一维对应权重集合中的每一个权重;
步骤2.2:利用融合后图像的信息熵计算每个鸟巢的适应度函数值,记录并保留当前最优鸟巢位置A;
适应度函数计算公式:
其中,P(l)为某灰度值l在图像中出现的概率,L为图像的灰度等级;
步骤2.3:通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置,得到一组新解并计算每个鸟巢的适应度函数值,比较这组解的适应度函数值并记其具有最优适应度函数值的位置为B;
步骤2.4:用随机数r∈[0,1]与鸟巢的主人发现外来的鸟蛋概率pa对比,并判断:
若r>pa,则通过列维飞行随机改变鸟巢位置,得到一组新的鸟巢位置,并计算其适应度函数值,比较这组解的适应度函数值并记其具有最优适应度函数值的位置为C,然后进入步骤2.5;
若r≤pa,则顺序执行下述步骤2.5;
步骤2.5:将位置B和C的适应度函数值与上一代当前最优鸟巢位置A的适应度函数值进行对比,若更好,则将其作为当前最优鸟巢位置A;
步骤2.6:判断是否满足终止条件;其中终止条件是预设的最大运行迭代次数;
若是,输出全局最优鸟巢位置对应的权重集合,进入步骤2.7;
若否,则回转执行所述的步骤2.3;
步骤2.7:根据得到的最优鸟巢位置对应的权重集合计算得到融合图像的各尺度各方向的融合系数;
权重集合为:
{(w0,0,w0,1,...w0,7),(w1,0,w1,1,...w1,7),...(w2,0,w2,1,...w2,7),wlow}
其中,wi,j表示第i层高频分量上方向为j的系数融合权重,i=0、1、2;j=0、1、2、…、7;wlow为低频分量系数的权重;
根据权重合集计算融合图像的融合系数,下式为图像A和B的第0层的高频分量的各方向系数融合,得到融合图像R的第0层的高频分量的各方向融合系数;
w0,0×A0,0+(1-w0,0)×B0,0=R0,0
w0,1×A0,1+(1-w0,1)×B0,1=R0,1
w0,7×A0,7+(1-w0,7)×B0,7=R0,7
融合图像R的第l层高频分量融合系数为:
rl={Rl,0,Rl,1,Rl,2,...Rl,k-1},(0≤l≤L-1)
图像A和B低频分量融合得到融合图像R的低频分量为:
wlow×alow+(1-wlow)×blow=rlow。
4.根据权利要求3所述的基于杜鹃搜索算法的Contourlet变换图像融合方法,其特征在于,步骤2.3中所述通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置,其位置更新公式为:
其中,i表示第i个鸟巢,t表示迭代次数,xi(t)表示第i个鸟巢在第t次迭代时的位置,xi(t+1)表示第i个鸟巢在第t+1次迭代时的位置,η是速度步长控制参数并且η>0,表示点对点乘法,Levy(λ)是均匀Levy分布随机数,服从Levy~u=t-λ,1<λ≤3,λ是列维飞行步长控制参数。
5.根据权利要求1所述的基于杜鹃搜索算法的Contourlet变换图像融合方法,其特征在于,步骤3中Contourlet逆变换过程为:
rlow+rL-1→rlow-1
rlow-1+rL-2→rlow-2
...
rlow-L+2+r1→r0
rlow-L+1+r0→R
上式表示下一层的高频分量和低频分量融合得到当前层的低频分量,整个融合过程使用公式表示如下:
(r0,r1,r2,...rL-1,rlow)→R
上式中,ri为各尺度上的融合高频子带,0≤i≤L-1,rlow为融合图像的低频子带,R为最终得到的融合图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811086423.4A CN109377447B (zh) | 2018-09-18 | 2018-09-18 | 一种基于杜鹃搜索算法的Contourlet变换图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811086423.4A CN109377447B (zh) | 2018-09-18 | 2018-09-18 | 一种基于杜鹃搜索算法的Contourlet变换图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377447A true CN109377447A (zh) | 2019-02-22 |
CN109377447B CN109377447B (zh) | 2022-11-15 |
Family
ID=65405513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811086423.4A Active CN109377447B (zh) | 2018-09-18 | 2018-09-18 | 一种基于杜鹃搜索算法的Contourlet变换图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377447B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264503A (zh) * | 2019-06-18 | 2019-09-20 | 上海理工大学 | 一种基于cs搜索的图像配准方法 |
CN111144308A (zh) * | 2019-12-25 | 2020-05-12 | 中国冶金地质总局矿产资源研究院 | 一种高岭土矿物信息提取模型及其建立方法和应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006017233A1 (en) * | 2004-07-12 | 2006-02-16 | Lehigh University | Image fusion methods and apparatus |
CN101303764A (zh) * | 2008-05-16 | 2008-11-12 | 西安电子科技大学 | 基于非下采样轮廓波的多传感器图像自适应融合方法 |
WO2009055913A1 (en) * | 2007-10-30 | 2009-05-07 | Cedara Software Corp. | System and method for image stitching |
CN103413284A (zh) * | 2013-07-15 | 2013-11-27 | 西北工业大学 | 一种基于二维emd和遗传算法的多聚焦数字图像融合方法 |
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
-
2018
- 2018-09-18 CN CN201811086423.4A patent/CN109377447B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006017233A1 (en) * | 2004-07-12 | 2006-02-16 | Lehigh University | Image fusion methods and apparatus |
WO2009055913A1 (en) * | 2007-10-30 | 2009-05-07 | Cedara Software Corp. | System and method for image stitching |
CN101303764A (zh) * | 2008-05-16 | 2008-11-12 | 西安电子科技大学 | 基于非下采样轮廓波的多传感器图像自适应融合方法 |
CN103413284A (zh) * | 2013-07-15 | 2013-11-27 | 西北工业大学 | 一种基于二维emd和遗传算法的多聚焦数字图像融合方法 |
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264503A (zh) * | 2019-06-18 | 2019-09-20 | 上海理工大学 | 一种基于cs搜索的图像配准方法 |
CN110264503B (zh) * | 2019-06-18 | 2023-04-28 | 上海理工大学 | 一种基于cs搜索的图像配准方法 |
CN111144308A (zh) * | 2019-12-25 | 2020-05-12 | 中国冶金地质总局矿产资源研究院 | 一种高岭土矿物信息提取模型及其建立方法和应用 |
CN111144308B (zh) * | 2019-12-25 | 2023-06-16 | 中国冶金地质总局矿产资源研究院 | 一种高岭土矿物信息提取模型及其建立方法和应用 |
Also Published As
Publication number | Publication date |
---|---|
CN109377447B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416378B (zh) | 一种基于深度神经网络的大场景sar目标识别方法 | |
CN108596213A (zh) | 一种基于卷积神经网络的高光谱遥感图像分类方法及系统 | |
CN111127472B (zh) | 一种基于权重学习的多尺度图像分割方法 | |
CN104021536B (zh) | 一种自适应的sar图像和多光谱图像融合方法 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN113222836B (zh) | 一种高光谱与多光谱遥感信息融合方法及系统 | |
CN109377447A (zh) | 一种基于杜鹃搜索算法的Contourlet变换图像融合方法 | |
CN115471437A (zh) | 一种基于卷积神经网络的影像融合方法以及遥感影像融合方法 | |
CN116310634A (zh) | 面向多源遥感数据的融合图像模型训练方法、生成方法及装置 | |
CN113111975A (zh) | 基于多核尺度卷积神经网络的sar图像目标分类方法 | |
CN116091908A (zh) | 水下声呐小目标检测的多尺度特征增强与训练方法和装置 | |
CN114332070A (zh) | 一种基于智能学习网络模型压缩的陨坑检测方法 | |
CN110956601A (zh) | 一种基于多传感器样态系数的红外图像融合方法和装置以及计算机可读存储介质 | |
CN108614235B (zh) | 一种多鸽群信息交互的单快拍测向方法 | |
CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
Wang et al. | Adaptive feature fusion network based on boosted attention mechanism for single image dehazing | |
Mustafa et al. | Evaluating convolution neural network optimization algorithms for classification of cervical cancer macro images | |
Huang | Deep-learning based climate downscaling using the super-resolution method: A case study over the western US | |
CN115063428B (zh) | 一种基于深度强化学习的空间暗弱小目标检测方法 | |
CN116305967A (zh) | 基于卷积神经网络和多模态特征融合的海面风速反演方法 | |
CN116071664A (zh) | 基于改进CenterNet网络的SAR图像舰船检测方法 | |
CN111931412A (zh) | 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 | |
Hussein et al. | Semantic segmentation of aerial images using u-net architecture | |
Azarov et al. | Sound field reconstruction from incomplete data by solving fuzzy relational equations | |
CN117475067B (zh) | 基于神经辐射场的大田渲染可视化快速渲染方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |