发明名称 |
一种基于表示学的图像融合方法 |
摘要 |
本发明公开了一种基于表示学的图像融合方法,包括如下步骤:获取多源图像,通过由稀疏自编码器组成的深度神经网络、由玻尔兹曼机组成的深度置信网络和深度卷积神经网络的学架构对多源图像的特征进行学,并利用这些自动学的特征完成多源图像的融合,建立图像融合模型;研究图像融合模型的凸优化问题,利用深度学中的非监督预训练对该网络进行初始化,从而使该网络在训练的过程中快速地找到最优解;根据多源图像的特点,通过两个或多个深度学网络。本发明利用人工智能和基于深度学的特征表示方法研究图像的特征级融合,与传统的像素级融合方法相比,该方法能更好地理解图像信息,从而进一步提高图像融合的质量。 |
申请公布号 |
CN104851099A |
申请公布日期 |
2015.08.19 |
申请号 |
CN201510267449.9 |
申请日期 |
2015.05.21 |
申请人 |
周口师范学院 |
发明人 |
陈占伟;黄伟;陈松岭;张少辉;陈立勇 |
分类号 |
G06T7/00(2006.01)I |
主分类号 |
G06T7/00(2006.01)I |
代理机构 |
|
代理人 |
|
主权项 |
一种基于表示学习的图像融合方法,其特征在于,包括如下步骤:S1、获取多源图像,通过由稀疏自编码器组成的深度神经网络、由玻尔兹曼机组成的深度置信网络和深度卷积神经网络的学习架构对多源图像的特征进行学习,并利用这些自动学习的特征完成多源图像的融合,建立图像融合模型;S2、研究图像融合模型的凸优化问题,利用深度学习中的非监督预训练对该网络进行初始化,从而使该网络在训练的过程中快速地找到最优解;S3、根据多源图像的特点,通过两个或多个深度学习网络,建立协同训练的深度学习网络,从而实现表示学习的图像融合技术;S4、利用GPU加快多源图像融合模型的求解速度,以及利用并行优化算法实现多核或云计算的并行计算。 |
地址 |
466001 河南省周口市川汇区文昌路周口师范学院计算机学院 |