[發明專利]一種端到端深度學習框架下的多曝光圖像融合方法

有效

• 申請號: 201710353492.6
• 申請日: 2017-05-18
• 公開（公告）號: CN107203985B
• 公開（公告）日: 2019-11-08
• 發明（設計）人: 王金華;何寧;徐光美;張敬尊;張睿哲;王郁昕
• 申請（專利權）人: 北京聯合大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06N3/08
• 代理公司: 北京馳納智財知識產權代理事務所(普通合伙) 11367
• 代理人: 謝亮

1.一種端到端深度學習框架下的多曝光圖像融合方法，包括通過訓練獲取參數Θ，其特征在于，還包括以下步驟：

步驟1：將原始圖像基于卷積神經網絡進行融合處理，得到輸出圖像；

步驟2：對所述原始圖像進行N下采樣，得到N²個原始子圖像；

步驟3：將N²個所述原始子圖像基于卷積神經網絡分別進行融合處理，得到N²個輸出子圖像；

步驟4：把N²個所述輸出子圖像按照步驟2的逆過程回填到原始位置，得到合并子圖像；

步驟5：把所述輸出圖像和所述合并子圖像進行合并處理，生成結果融合圖像。

2.如權利要求1所述的端到端深度學習框架下的多曝光圖像融合方法，其特征在于：所述原始圖像為一個圖像組，包含m張曝光度不同的圖像。

3.如權利要求1所述的端到端深度學習框架下的多曝光圖像融合方法，其特征在于：所述融合處理包含以下步驟：

步驟A：灰度化輸入圖像序列，得到Z個具有不同曝光度的圖像序列，設為第一卷積層輸入變量Y；

步驟B：進行第一卷積層設計；

步驟C：進行第二卷積層設計；

步驟D：進行重構層的設計。

4.如權利要求3所述的端到端深度學習框架下的多曝光圖像融合方法，其特征在于：所述步驟B的計算公式為：F₁(Y)＝max(0,W₁*Y+B₁)，其中W₁和B₁表示濾波器和濾波器的偏置，W₁是n₁個f₁×f₁卷積核，即W₁是對原始圖像序列進行n₁次卷積操作，每個卷積操作采用f₁×f₁大小的卷積核，第一層卷積輸出n₁個特征圖，該層是原始圖像序列的一種非線性表示，max是非線性函數，其中f₁為卷積模板的大小。

5.如權利要求4所述的端到端深度學習框架下的多曝光圖像融合方法，其特征在于：所述步驟C的計算公式為：F₂(Y)＝max(0,W₂*F₁(Y)+B₂)，其中W₂是一個n₁×n₂個f₂×f₂大小的卷積核，B₂是第二層卷積層的偏置。

6.如權利要求5所述的端到端深度學習框架下的多曝光圖像融合方法，其特征在于：所述步驟D的計算公式為F(Y)＝W₃*F₂(Y)+B₃，其中W₃是n₂個f₃×f₃大小的卷積核，其中B₃為重構層的偏置。

7.如權利要求6所述的端到端深度學習框架下的多曝光圖像融合方法，其特征在于：所述W₁、W₂、W₃、B₁、B₂和B₃通過所述參數Θ得到，計算公式為Θ＝{W₁,W₂,W₃,B₁,B₂,B₃}。

8.如權利要求7所述的端到端深度學習框架下的多曝光圖像融合方法，其特征在于：所述參數Θ可以通過優化損失函數得到。