# 红外与可见光图像融合研究
## 架构图
训练时，使用源图像作为损失函数的 target，训练我们的自动编码器，流程架构如下：
自动编码器训练完成后，可以对图像进行自动分解和重建，其中我们对于分解后的特征图梯度进行 max 策略融合，流程架构如下：
## 结果对比
左图为基于 max 融合策略的结果，右图为基于梯度转移的融合结果。
## 结论
我们注意到现有的深度学习融合方法会使图像变灰变暗，所以我们基于 max 融合策略使用 CNN 实现了梯度转移方法，在保留目标显著性的基础上，保留更多的纹理细节。
论文-基于梯度转移和自编码器的红外与可见光图像融合python源码+文档说明+截图演示+架构图(课程设计)
版权申诉
24 浏览量
2024-05-07
02:24:06
上传
评论
收藏 7.47MB ZIP 举报
image-fusion-main.zip （74个子文件） 
image-fusion-main asserts 
result.png 520KB arch1.png 95KB arch2.png 94KB loss 
__init__.py 74B fusion.py 177B ssim.py 12KB .vscode settings.json 161B launch.json 263B evaluate.py 3KB test_img ir7.png 113KB ir18.png 137KB vi17.png 152KB vi24.png 134KB ir5.png 101KB vi10.png 153KB ir15.png 123KB vi5.png 145KB vi18.png 158KB vi1.png 161KB ir25.png 137KB vi21.png 135KB vi7.png 158KB ir10.png 89KB vi4.png 161KB ir24.png 138KB ir23.png 129KB ir19.png 140KB vi22.png 170KB vi12.png 166KB ir13.png 161KB vi20.png 127KB vi14.png 140KB vi9.png 142KB ir6.png 64KB vi23.png 144KB ir4.png 128KB vi19.png 164KB ir14.png 129KB ir17.png 143KB ir20.png 145KB ir11.png 118KB ir16.png 157KB vi8.png 136KB vi16.png 126KB vi25.png 176KB vi15.png 129KB vi2.png 166KB ir3.png 137KB vi13.png 161KB ir2.png 122KB ir22.png 131KB ir9.png 106KB ir21.png 139KB ir1.png 119KB vi6.png 171KB ir8.png 102KB vi3.png 153KB vi11.png 148KB ir12.png 143KB util.py 5KB LICENSE 1KB ckpt revision7 model_MSRS_epoch19.pth 43KB pyproject.toml 31B
requirements.txt 38B models __init__.py 0B bisenet.py 13KB .gitignore 3KB train.py 2KB net.py 3KB README.md 753B visualize.py 1KB config.py 275B scripts requirements.txt 74B cdf.py 4KB资源评论
