文件名称：imagefusion_densefuse:DenseFuse（IEEE TIP 2019）-TensorFlow 1.8.0
文件大小：29.64MB
文件格式：ZIP
更新时间：2024-05-26 08:26:24
deep-learning tensorflow densenet image-fusion Python
Densefuse：红外和可见图像的融合方法-Tensorflow 吴小军* 发表于：IEEE图像处理事务 H. Li，XJ Wu，“ DenseFuse：红外和可见图像的融合方法”，IEEE Trans。 图像处理。 28号5月，第2614–2623页，5月。 2019。 笔记 在“ main.py”文件中，您将找到如何运行这些代码。 本文中使用的评估方法显示在“ analysis_MatLab”中。 这些方法是由MatLab实现的。 抽象的 在本文中，我们提出了一种针对红外和可见图像融合问题的新型深度学习架构。 与传统的卷积网络相比，我们的编码网络是由卷积神经网络层和密集块组合而成的，密集块的每一层的输出都与其他每一层相连。 我们尝试使用此体系结构从编码器过程中的源图像中获取更多有用的功能。 然后，采用适当的融合策略融合这些特征。 最后，融合图像由解码器重建。 与现有的融合
【文件预览】：
imagefusion_densefuse-master
----generate.py(11KB)
----images()
--------IV_images.zip(5.03MB)
--------MF_images.zip(2.8MB)
----fusion_addition.py(112B)
----fusion_l1norm.py(992B)
----models()
--------densefuse_gray.zip(3.12MB)
----utils.py(4KB)
----README.md(4KB)
----.idea()
--------imagefusion_densefuse.iml(528B)
--------misc.xml(221B)
--------encodings.xml(135B)
--------workspace.xml(14KB)
--------vcs.xml(180B)
--------inspectionProfiles()
--------modules.xml(294B)
----__pycache__()
--------ssim_loss_function.cpython-36.pyc(1KB)
--------generate.cpython-36.pyc(7KB)
--------decoder.cpython-36.pyc(2KB)
--------train_recons_single_loss.cpython-36.pyc(5KB)
--------train_recons.cpython-36.pyc(5KB)
--------fusion_addition.cpython-36.pyc(252B)
--------densefuse_net.cpython-36.pyc(1KB)
--------utils.cpython-36.pyc(3KB)
--------fusion_l1norm.cpython-36.pyc(904B)
--------encoder.cpython-36.pyc(3KB)
----figures()
--------fused_street.png(1.51MB)
--------framework.png(147KB)
--------fused_color.png(3.79MB)
--------fuse_addition.png(28KB)
--------ivrgb_results.png(1.71MB)
--------train.png(85KB)
--------fuse_l1norm.png(133KB)
----densefuse_net.py(1KB)
----validation()
--------validation.zip(11.72MB)
----main.py(3KB)
----decoder.py(2KB)
----train_recons.py(7KB)
----analysis_MatLab()
--------analysis_MatLab.zip(12KB)
----ssim_loss_function.py(1KB)
----encoder.py(4KB)