【技术实现步骤摘要】
基于多尺度区域注意力机制的双光融合方法、装置及设备
[0001]本专利技术属于图像处理
,具体涉及一种基于多尺度区域注意力机制的双光融合方法、装置及设备。
技术介绍
[0002]由于成像设备硬件限制,单一类型的传感器无法全面的表征成像场景。例如可见光图像通常包含丰富的纹理细节信息,但是却容易受天气和光线的影响丢失场景中的目标。与之相反,红外图像表征了物体散发的热辐射信息,能有效的突出行人、车辆等显著目标,但缺乏对场景的细节描述。双光融合技术则是为了将这些互补的信息融合到单一的图像中。
[0003]传统的图像融合算法通常在空间域或变换域测量图像的活动水平并手动设计融合规则来实现图像的融合。传统的图像融合框架主要基于多尺度变换、稀疏表达、子空间、显著性、变分模型等。这些传统的图像融合算法取得了一些成果,但仍存在一些阻碍其进一步发展的难题。近年来,深度学习以其强大的特征提取和表达能力主导了计算机视觉的发展,同样也开始在图像融合领域呈不可阻挡发展之势。根据所采用的网络架构不同,基于深度学习的融合算法可以划分为三类:基于自编码器(Auto
‑
Encoder,AE)、卷积神经网络(Convolution Neural Network,CNN)和生成对抗网络(Generative Adversarial Network,GAN)。
[0004]基于自编码器的图像融合框架通常在大规模自然图像数据集上训练一个自编码器用于特征提取和图像重建。然后使用人为设计的融合策略融合编码网络提取的深度特征作为 ...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度区域注意力机制的双光融合方法,其特征在于,包括如下步骤:S1)获取可见光图像以及与其配准的红外图像,并将可见光图像、红外图像均输入到编码网络和分类网络;S2)编码网络分别提取可见光图像和红外图像的特征,并输出第一可见光特征图、第一红外特征图;分类网络分别提取红外图像和可见光图像的特征,并输出第二可见光特征图、第二红外特征图;S3)融合第一可见光特征图、第一红外特征图、第二可见光特征图和第二红外特征图得到最终融合特征图后输出给解码网络;S4)解码网络将最终融合特征图进行图像重建,得到融合图像。2.如权利要求1所述的基于多尺度区域注意力机制的双光融合方法,其特征在于:步骤S1)前还包括构建并训练自编码器步骤,自编码器包括编码网络和解码网络,编码网络包括多个依次连接的编码模块,编码网络内头、尾的编码模块均包括依次连接的卷积层、激活层,编码网络内其余的编码模块均包括依次连接的卷积层、激活层、池化层,所述解码网络包括多个依次连接的解码模块,解码网络内头、尾的解码模块均包括依次连接的卷积层、激活层,解码网络内其余的解码模块均包括依次连接的反卷积层、激活层。3.如权利要求2所述的基于多尺度区域注意力机制的双光融合方法,其特征在于:在编码网络引入密集连接,具体包括:将编码网络中每个具有池化层的编码模块的输出均与其后所有编码模块的输入连接;在编码网络与解码网络之间加入跨层连接,具体包括:将编码网络中每个具有池化层的编码模块的输出分别与解码网络中对应的解码模块的输入连接。4.如权利要求2所述的基于多尺度区域注意力机制的双光融合方法,其特征在于:自编码器的损失函数为:L=L
pixel
+γL
gradient
L
pixel
=||X
‑
Y||2其中,L
pixel
为像素分布,L
gradient
为梯度分布,γ是损失平衡因子,X和Y分别表示输入图像和预测图像,和分别表示对输入图像和预测图像的求梯度。5.如权利要求1所述的基于多尺度区域注意力机制的双光融合方法,其特征在于:步骤S3)具体包括:获取分类网络中多个卷积模块分别输出的多个第二可见光特征图和多个第二红外特征图,将分类网络中所述的多个卷积模块的其中一个卷积模块作为主卷积模块,将其余的一个或多个卷积模块作为辅助卷积模块,分别对第二可见光特征图、第二红外特征图进行处理,得到可见光概率图和红外概率图,分别对各可见光概率图和红外概率图进行取阈值操作,得到可见光区域概率图和红外区域概率图,将多个可见光区域概率图分别与第一可见光特征图进行点乘操作,得到多个可见光加权...
【专利技术属性】
技术研发人员:黄晟,刘慧敏,田鹏,杜帅,周向,
申请(专利权)人:轩辕智驾科技深圳有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。