基於深度學習的多源圖像融合技術

李碧草

相關主題

商品描述

本書主要介紹了與深度學習相關的基礎知識及常用的多源圖像融合算法。全書包括三大部分:第一部分(第1章)涉及圖像融合的定義、發展歷史、研究現狀、分類,讓讀者對圖像融合有一個直觀的認識,並從研究背景與意義、研究現狀、評價體系3個角度講述了多源圖像融合的基礎知識。第二部分(第2~8章)介紹了基於多模態特征學習和註意力機制的融合方法及在醫學領域中的應用。第三部分(第9~12章)介紹了基於深度卷積神經網絡的融合框架及在紅外與可見光圖像融合領域的應用。 本書的理論知識由淺入深,通俗易懂,比較適合初學者了解多源圖像融合技術,並結合目前常用的深度學習框架及圖像融合實驗,深入分析各種算法的性能。本書可作為計算機、通信與信息系統、信號與信息處理等專業的研究生教材或參考書,也可作為多源圖像分析、多源圖像融合等領域的技術人員和研究人員的參考書。

目錄大綱

第1章 緒論
1.1 引言
1.1.1 什麼是圖像融合
1.1.2 圖像融合的應用
1.2 多源圖像融合的研究背景與意義
1.2.1 醫學圖像的模態
1.2.2 研究背景與意義
1.3 多源圖像融合的國內外研究現狀
1.3.1 傳統的圖像融合方法
1.3.2 基於深度學習的醫學圖像融合
1.3.3 圖像融合規則
1.3.4 醫學圖像融合結果的評估
1.4 本書的結構與內容安排
本章參考文獻
第2章 基於密集連接網絡和自註意力機制的醫學圖像融合
2.1 引言
2.2 相關工作
2.2.1 傳統圖像融合方法
2.2.2 基於深度學習的融合方法
2.2.3 自註意力機制
2.3 提出的融合模型
2.3.1 動機
2.3.2 問題公式化
2.3.3 融合網絡的結構
2.3.4 損失函數
2.3.5 訓練細節
2.4 實驗結果
2.4.1 實驗數據與參數設置
2.4.2 評價度量
2.4.3 不同網絡結構的驗證
2.4.4 不同損失的有效性
2.4.5 對比實驗
2.5 本章小結
本章參考文獻
第3章 基於三叉戟膨脹感知的超密集連接壓縮-分解網絡
3.1 引言
3.2 相關工作
3.2.1 傳統融合方法
3.2.2 基於深度學習的圖像融合
3.3 提出的融合模型
3.3.1 問題公式化
3.3.2 網絡結構
3.3.3 三叉戟膨脹感知
3.3.4 損失函數
3.4 實驗結果與分析
3.4.1 實驗設置
3.4.2 三叉戟膨脹感知的驗證
3.4.3 雙殘差超密集連接的有效性
3.4.4 分解網絡的影響
3.4.5 內容感知損失函數的作用
3.4.6 灰度損失的驗證
3.4.7 壓縮損失的影響
3.4.8 主觀視覺評估
3.4.9 客觀度量評價
3.5 本章小結
本章參考文獻
第4章 基於Transformer多任務學習的醫學圖像融合算法
4.1 引言
4.2 Transformer相關理論知識
4.3 基於變壓器多任務學習的融合網絡結構
4.3.1 三項自監督圖像重建任務
4.3.2 自適應Transformer模塊
4.3.3 全局特征增強註意力
4.3.4 損失函數
4.4 實驗設計及結果分析
4.4.1 實驗設置
4.4.2 消融實驗
4.4.3 主觀和客觀融合結果對比
4.5 本章小結
本章參考文獻
第5章 基於雙級聯註意力的醫學圖像融合算法
5.1 引言
5.2 註意力機制相關理論知識
5.3 基於雙級聯註意力的融合網絡結構
5.3.1 融合策略
5.3.2 雙級聯註意力模塊
5.3.3 兩階段訓練策略
5.4 實驗設計及結果分析
5.4.1 實驗設置
5.4.2 消融實驗
5.4.3 主觀和客觀融合結果對比
5.5 本章小結
本章參考文獻
第6章 基於跨域雙向交互網絡的多模態醫學圖像融合方法
6.1 引言
6.2 方法
6.2.1 網絡框架
6.2.2 跨域雙向交互模塊
6.2.3 Swin-Transformer支路
6.2.4 損失函數
6.3 實驗設計與結果分析
6.3.1 實驗設置
6.3.2 實驗結果
6.3.3 消融實驗
6.4 本章小結
本章參考文獻
第7章 基於跨尺度疊代註意力網絡的多模態醫學圖像融合方法
7.1 引言
7.2 方法
7.2.1 問題描述
7.2.2 網絡框架
7.2.3 細節保留模塊
7.2.4 跨模態並行註意力模塊
7.2.5 損失函數
7.3 實驗設計與結果分析
7.3.1 數據集與實驗設置
7.3.2 CT-MRI數據集實驗結果
7.3.3 PET-MRI數據集實驗結果
7.3.4 SPECT-MRI數據集實驗結果
7.3.5 消融實驗
7.4 本章小結
本章參考文獻
第8章 基於顯著性引導跨域聚合網絡的多模態醫學圖像融合方法
8.1 引言
8.2 方法
8.2.1 問題公式化
8.2.2 網絡框架
8.2.3 嵌套金字塔殘差註意力模塊
8.2.4 顯著性引導的雙重註意力模塊
8.2.5 損失函數
8.3 實驗設計和結果分析
8.3.1 實驗配置
8.3.2 CT-MRI數據集實驗結果
8.3.3 PET-MRI數據集實驗結果
8.3.4 SPECT-MRI數據集實驗結果
8.3.5 消融實驗
8.4 本章小結
本章參考文獻
第9章 基於巢連接與註意力的紅外與可見光圖像融合方法
9.1 引言
9.2 基於雙註意力機制和巢連接的紅外與可見光圖像融合方法
9.2.1 融合網絡
9.2.2 融合策略
9.2.3 訓練階段
9.2.4 實驗及結果
9.2.5 消融研究
9.2.6 結果分析
9.3 NAF:基於巢連接軸向註意力的紅外和可見圖像的融合方法
9.3.1 網絡結構
9.3.2 軸向註意力
9.3.3 訓練細節
9.3.4 消融研究
9.3.5 結果分析
9.4 本章小結
本章參考文獻
第10章 基於Swin-Transformer和混合特征聚合的紅外與可見光圖像融合方法
10.1 引言
10.2 融合方法
10.2.1 網絡結構
10.2.2 特征聚合模塊
10.2.3 訓練階段
10.3 實驗與結果分析
10.3.1 實驗設置
10.3.2 消