【技术实现步骤摘要】
一种基于注意力机制和Boosting模型集成训练策略的图像数据融合算法
[0001]本专利技术涉及图像数据融合
,具体涉及一种基于注意力机制和Boosting模型集成训练策略的图像数据融合算法。
技术介绍
[0002]图像融合是图像处理任务中的一个热点研究课题,由于成像原理的原因,不同的视觉传感器只能获取场景的部分信息,以红外(IR)与可见光(VIS)图像融合(VIF)任务为例,可见光图像可以描述场景丰富的细节信息,而红外图像则描述目标场景中的热辐射信息,这两种图像可以共同提供互补的场景信息,其中红外图像具有明显的热辐射信息,对于实际场景下的目标和背景有着良好的区别能力,尤其是在光照条件较差和有障碍物的场景下,也可以进行正常工作,然而,红外图像却存在缺乏纹理特征的问题,对于细节信息无法有效地进行描述,而包含大量细节信息的可见光图像更符合人类的主观视觉系统,
[0003]故,通过对红外和可见光图像提取重要、互补的特征信息,从而生成场景信息更全面、视觉感知能力更强、目标显著性更高的融合图像(VIF)便显得较为重要;
[0004]传统VIF算法可分为基于多尺度变换的VIF算法、基于表示学习(稀疏表示、低秩表示)的VIF算法,其中基于多尺度变换的融合方法由于高度依赖手工特征,使得不同的特征可能需要不同的融合策略,复杂且不适合的融合策略使得最终融合图像中存在大量伪影(图像模糊、细节丢失、融合图像的感知力较差);
[0005]基于表示学习的方法大体上由4个步骤组成,首先通过滑动窗口操作将源图像(IR ...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制和Boosting模型集成训练策略的图像数据融合算法,其特征在于,包括自编码器网络和双注意力机制融合网络且自编码器网络包括编码器网络和解码器网络,所述训练过程包括以下步骤:S1:采用合适的损失函数通过编码器网络、解码器网络训练双注意力机制融合网络;S2:在步骤S1的基础上,对不同时间点的双主意机制融合网络进行Boosting集成训练;所述编码器网络通过接收输入红外图像I
ir
和可见光图像I
vis
生成多尺度深度特征和双注意力机制融合网络将生成的多尺度深度特征和进行融合得到融合后的深度特征所述解码器网络对融合后的深度特征进行图像重建生成融合图像I
fuse
。2.根据权利要求1所述的一种基于注意力机制和Boosting模型集成训练策略的图像数据融合算法,其特征在于,所述编码器网络包括一个卷积层和四个编码器块且每个编码器块包括两个卷积层、一个ReLU激活函数、一个最大池化层。3.根据权利要求1所述的一种基于注意力机制和Boosting模型集成训练策略的图像数据融合算法,其特征在于,所述解码器网络包括六个解码器块、一个卷积层。4.根据权利要求1所述的一种基于注意力机制和Boosting模型集成训练策略的图像数据融合算法,其特征在于,在残差网络结构的基础上,引入SE注意力机制和Split注意力机制从而构成双注意力机制融合网络架构。5.根据权利要求1所述的一种基于注意力机制和Boosting模型集成训练策略的图像数据融合算法,其特征在于,所述S1中选用损失函数L
RFN
训练双注意力机制融合网络且该损失函数在本方案中定义为L
DAFN
L
DAFN
=αL
detail
+L
feature
ꢀꢀꢀꢀꢀ
(64)L
detail
和L
feature
分别代表背景细节保留损失函数和目标特征增强损失函数,α是L
detail
和L
feature
之间的权衡参数;L
detail
的目的在于保留可见光图像中的细节信息和结构特征,L
detail
的定义如下:L
detail
=1
‑
SSIM(O,I
vi
)
ꢀꢀ
(6.5)损失函数L
feature
旨在约束融合结构的深层特征,用以保留显著特征,该损失函数定义如下:其中,M表示多尺度深度特征...
【专利技术属性】
技术研发人员:司海平,董萍,高畅,赵雨洋,王云鹏,王健,杜君,
申请(专利权)人:河南农业大学,
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。