在分析已有小波图像融合方法的基础上,针对高、低频融合规则的选择问题,提出了一种基于小波多分辨率分解的图像融合算法。该算法对小波分解后的低频子图像采用基于主成分分析的低频融合规则进行融合,而对高频子图像采用系数绝对值取最大和基于局部均值方差最大化的融合规则进行融合。实验结果表明,该方法提高了融合图像包含的信息量,最大可能地消除了局部对比度极性反转的情况,明显地增强了融合图像的清晰度,而且很好地保留了源图像中的边缘细节。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码介绍

为了解决在复杂背景以及人流密集且互相遮挡的场景下, 对人流密度进行估计精度低的问题, 提出了基于YOLOv3增强模型融合的方法进行人流密度估计. 首先将数据集分别进行头部标注和身体标注, 生成头部集和身体集. 然后用这两个数据集分别训练两个YOLOv3增强模型YOLO-body和YOLO-head, 最后使用这两个模型在相同的测试数据集上推理, 将其输出结果进行极大值融合. 结果表明基于YOLOv3增强模型融合的方法, 与原始目标检测方法和密度图回归的方法相比精度提高了4%, 且具有较好的鲁棒性.

传统目标检测模型采用人工设计的目标特征，造成检测精度较差。基于深度学习的目标检测模型具有较高的检测精度，然而针对实时性和精度要求比较高的煤矿救援机器人应用场合，获取的图像信息较少且目标特征不明显，造成目标检测效果较差。为提高目标检测精度和速度，基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型。该模型主要包括特征提取和特征融合2个模块：特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息，增强目标特征表达能力，提高了目标分类精度和检测速度；特征融合模块在特征金字塔中引入空间注意力机制，对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合，弥补了高层特征图位置信息表达能力不足的缺点，提高了目标定位精度。将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验，检测精度为88.73%，检测速度为28帧/s，满足煤矿救援机器人目标检测的实时性和精度需求。

论文仅供参考学习使用。 通过融合浅层网络高分辨率的细节特征来改进 PSPNet-50 网络模型，减小随着网络的加深导致空间信息的丢失对分割边缘细节的影响。然后通过交互分割算法获取一至两幅图像的分割先验，将少量分割先验融合到新的模型中，通过网络的再学习来解决前景/背景的分割歧义以及多图像的分割一致性。最后通过构建全连接条件随机场模型，将深度卷积神经网络的识别能力和全连接条件随机场优化的定位精度耦合在一起，更好地处理边界定位问题。

泊松融合matlab代码HDR_and_ReflectionSuppress_Osmosis_Filtering 该存储库包含使用渗透过滤算法的 Matlab 实现，包括多重曝光融合和反射抑制。 渗透过滤是一种基于梯度的方法，它与泊松编辑相似但不同，有时可以作为其替代方法。 算法细节可以参考 中的参考资料。 在这个项目中，我们对最初被表述为泊松方程的两个问题使用渗透过滤，以展示渗透算法作为泊松求解器的替代方案的适用性。 我们使用梯度下降（Adam 优化器）来解决来自 中描述的渗透模型的变分能量。 多重曝光融合 (MEF) MEF 的代码包含在文件夹Osmosis_multi-exposure-fusion/ 中。 键入以下内容运行演示： osmosisFusion.m 该算法基于一些修改。 可以在 中找到我们方法的简要介绍。 渗透能的梯度列于方程式中。 (14) 在 . 结果 | 反射抑制 MEF 的代码包含在文件夹Osmosis_reflectionSuppresion/ 中。 键入以下内容运行演示： osmosis_reflectionSuppress.m 该算法基于（）。 通过将

利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行分类，模型蒸馏，一个完整的代码。 实现功能： 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，加权与投票融合 利用flask + redis实现模型云端api部署（tag v1） c++ libtorch的模型部署 使用tta测试时增强进行预测（tag v1） 添加label smooth的pytorch实现（标签平滑）（tag v1） 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类（tag v1）。 可视化特征层。 转载：https://github.com/lxztju/pytorch_classification

深度学习在人脸识别的研究和应用中取得一定成效,但因计算量大且耗时,不适用于小型嵌入式设备。基于融合梯度特征的轻量级卷积神经网络SqueezeNet提取人脸特征,既能保证该网络模型适用于内存相对小的嵌入式设备,又能保证获得的人脸特征对不同光照更具鲁棒性。实验结果表明,将8×8分块图像中提取的一阶梯度特征,与轻量级卷积神经网络提取的全局特征相融合的人脸识别算法,在LFW数据集中识别率可达97.28%,较传统轻量级卷积神经网络的人脸识别方法,识别率提高了4.36%。

此代码是“多尺度引导图像和视频融合：一种快速有效的方法”的实现如果您发现工作对您的研究有用，请引用这篇文章。 指示： 1) 运行 MGFF_demo.m 查看 Proposed MGFF 方法在灰度图像上的融合结果 2) 运行 MGFF_RGB_demo.m 查看 MGFF 方法对彩色图像的融合结果。 3) 代码中提供了所有必需的描述或说明。 我还强烈建议您参考论文以获取更多详细信息。 文章： https : //link.springer.com/article/10.1007/s00034-019-01131-z 4) 提供两组图片和代码用于演示。 您可以找到论文中使用的所有数据集在https://sites.google.com/view/durgaprasadbavirisetti/datasets?authuser=0 5）这是融合灰度和彩色图像的算法的基本实现。

基于多尺度变换的像素级图像融合是计算机视觉领域的研究热点，广泛应用于医学图像处理等领域。本文对多尺度变换的像素级图像融合进行综述，阐述多尺度变换图像融合的基本原理和框架。在多尺度分解方面，以时间为序梳理了塔式分解、小波变换和多尺度几何分析方法的发展历程。