公开(公告)号：CN116433730B

公开(公告)日：2023-08-29

申请号：CN202310708230.2

申请日：2023-06-15

Applicant: 南昌航空大学

Inventor： 张聪炫 ,  单长鲁 ,  陈震 ,  卢锋 ,  吕科 ,  胡卫明 ,  葛利跃 ,  陈昊

IPC: G06T7/30 ,  G06T7/33 ,  G06V10/82 ,  G06N3/0464 ,  G06V10/143 ,  G06N3/088 ,  G06V10/44

Abstract: 本发明公开了一种联合可变形卷积与模态转换的图像配准方法，涉及图像配准技术领域，包括以下步骤：S1、获取源图像；S2、构建基于循环一致性生成对抗网络的图像模态转换网络；S3、构建基于可变形卷积的多级细化变形场估计网络；S4、构建重采样器；S5、构建基于无监督图像配准的双向相似损失函数。本发明采用上述的一种联合可变形卷积与模态转换的图像配准方法，将可见光图像转换为伪红外图像，提高图像特征匹配的准确性，构建基于可变形卷积的多级细化变形场估计网络，利用可变形卷积对图像边缘特征的精确提取，通过多级细化策略学习准确的变形场，采用变形场对真实红外图像进行重采样和精细变形，实现红外图像和可见光图像的精确配准。

公开(公告)号：CN114419328A

公开(公告)日：2022-04-29

申请号：CN202210071844.X

申请日：2022-01-21

Applicant: 南昌航空大学

Inventor： 张聪炫 ,  单长鲁 ,  陈震 ,  卢锋 ,  葛利跃 ,  陈昊 ,  秦文健 ,  李凌

IPC: G06V10/40 ,  G06V10/74 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06T5/00 ,  G06T3/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于自适应增强生成对抗网络的图像融合方法及系统。所述方法包括：构建稠密细节特征提取网络对源图像分别运用稠密卷积方式结合细节信息补偿机制进行特征提取；构建双通道自适应融合网络融合源特征图和细节信息特征图；融合特征图拼接后，构建1*1卷积网络实现跨通道的交互和信息融合；对融合后的特征图进行解码得到融合图像；在训练整体网络模型时，加入自适应结构相似性损失函数。该方法引入细节信息补偿机制增强融合图像细节并减少信息丢失，运用双通道自适应融合网络在通道维度上均衡融合图像中的红外信息和可见光信息，加入自适应结构相似性损失函数在空间维度上自适应增强融合图像与源图像的相似度，提高了融合图像质量。

公开(公告)号：CN116433730A

公开(公告)日：2023-07-14

申请号：CN202310708230.2

申请日：2023-06-15

Applicant: 南昌航空大学

Inventor： 张聪炫 ,  单长鲁 ,  陈震 ,  卢锋 ,  吕科 ,  胡卫明 ,  葛利跃 ,  陈昊

IPC: G06T7/30 ,  G06T7/33 ,  G06V10/82 ,  G06N3/0464 ,  G06V10/143 ,  G06N3/088 ,  G06V10/44

Abstract: 本发明公开了一种联合可变形卷积与模态转换的图像配准方法，涉及图像配准技术领域，包括以下步骤：S1、获取源图像；S2、构建基于循环一致性生成对抗网络的图像模态转换网络；S3、构建基于可变形卷积的多级细化变形场估计网络；S4、构建重采样器；S5、构建基于无监督图像配准的双向相似损失函数。本发明采用上述的一种联合可变形卷积与模态转换的图像配准方法，将可见光图像转换为伪红外图像，提高图像特征匹配的准确性，构建基于可变形卷积的多级细化变形场估计网络，利用可变形卷积对图像边缘特征的精确提取，通过多级细化策略学习准确的变形场，采用变形场对真实红外图像进行重采样和精细变形，实现红外图像和可见光图像的精确配准。

公开(公告)号：CN114419328B

公开(公告)日：2023-05-05

申请号：CN202210071844.X

申请日：2022-01-21

Applicant: 南昌航空大学

Inventor： 张聪炫 ,  单长鲁 ,  陈震 ,  卢锋 ,  葛利跃 ,  陈昊 ,  秦文健 ,  李凌

IPC: G06V10/40 ,  G06V10/74 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06T5/00 ,  G06T3/40 ,  G06N3/0475 ,  G06N3/084

Abstract: 本发明涉及一种基于自适应增强生成对抗网络的图像融合方法及系统。所述方法包括：构建稠密细节特征提取网络对源图像分别运用稠密卷积方式结合细节信息补偿机制进行特征提取；构建双通道自适应融合网络融合源特征图和细节信息特征图；融合特征图拼接后，构建1*1卷积网络实现跨通道的交互和信息融合；对融合后的特征图进行解码得到融合图像；在训练整体网络模型时，加入自适应结构相似性损失函数。该方法引入细节信息补偿机制增强融合图像细节并减少信息丢失，运用双通道自适应融合网络在通道维度上均衡融合图像中的红外信息和可见光信息，加入自适应结构相似性损失函数在空间维度上自适应增强融合图像与源图像的相似度，提高了融合图像质量。