Resumen

Los métodos tradicionales para la fusión de imágenes multienfoque, como los típicos métodos basados en la teoría del análisis geométrico multiescala, suelen estar restringidos por la capacidad de representación dispersa y la eficiencia de transferencia de las reglas de fusión para las características capturadas. Con el objetivo de integrar las imágenes parcialmente enfocadas en la imagen totalmente enfocada con alta calidad, en este trabajo se construye la red generativa adversarial compleja motivada por las características shearlet para la fusión de imágenes multienfoque. A diferencia de los populares wavelet, contourlet y shearlet, el complejo shearlet proporciona múltiples escalas más flexibles, anisotropía y sub-bandas direccionales con invariancia de cambio aproximada. Por lo tanto, las características en el dominio shearlet complejo son más eficaces. Con la ayuda de la red generativa adversarial, todo el procedimiento de fusión multifocal se modela como un proceso de aprendizaje adversarial. Por último, se llevan a cabo varios experimentos y los resultados demuestran que el método propuesto supera a los algoritmos de fusión más utilizados en términos de cuatro métricas objetivas típicas y la comparación de la apariencia visual.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:fusión de imágenes de enfoque, red generativa adversarial, teoría de análisis geométrico de escalas, invariancia de desplazamiento aproximada, dominio shearlet complejo, características shearlet complejas, escalas múltiples flexibles, capacidad de representación dispersa, métricas objetivas típicas, características
• Keywords:focus image fusion, generative adversarial network, scale geometric analysis theory, approximate shift invariance, complex shearlet domain, complex shearlet features, flexible multiple scales, sparse representation ability, typical objective metrics, features