Resumen

La fusión de imágenes multifoco consiste en fusionar imágenes de la misma escena que tienen varios focos diferentes en una sola imagen totalmente enfocada. La mayoría de los algoritmos de fusión existentes extraen la información de alta frecuencia mediante el diseño de filtros locales y luego adoptan diferentes reglas de fusión para obtener las imágenes fusionadas. En este trabajo, se utiliza una ondícula para la descomposición multiescalar de las imágenes de origen y de fusión para obtener imágenes de alta y baja frecuencia. Para obtener imágenes de fusión más claras y completas, este trabajo utiliza una red neuronal convolucional profunda para aprender el mapeo directo entre las imágenes de alta y baja frecuencia de las imágenes de origen y de fusión. En este trabajo, las imágenes de alta y baja frecuencia se utilizan para entrenar dos redes convolucionales para codificar las imágenes de alta y baja frecuencia de las imágenes de origen y de fusión. Los resultados experimentales muestran que el método propuesto en este trabajo puede obtener una imagen de fusión satisfactoria, que es superior a la obtenida por algunos algoritmos avanzados de fusión de imágenes en términos de evaluaciones visuales y objetivas.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:imagen de frecuencia, imagen de fusión, frecuencia, papel, reglas de fusión diferentes, enfoque múltiple diferente, red neuronal convolucional, imagen de fusión satisfactoria, imagen de fusión completa, fuente
• Keywords:frequency image, fusion image, frequency, paper, different fusion rules, multiple different focus, convolutional neural network, satisfactory fusion image, complete fusion image, source