第1章 圖像處理基礎 1.1 概述 1.2 數字圖像的表示方法 1.2.1 數字圖像的結構 1.2.2 圖像的矩陣表示 1.3 人眼視覺感知特性 1.4 數字圖像處理的研究內容 1.4.1 常用的基本概念 1.4.2 數字圖像處理的特點 1.4.3 數字圖像處理的研究內容 1.4.4 數字圖像處理的技術 1.5 圖像文件的常用格式 1.6 圖像增強 1.6.1 圖像噪聲 1.6.2 圖像對比度增強 1.6.3 圖像平滑 1.6.4 圖像銳化 1.7 圖像處理系統的組成和應用 1.7.1 圖像處理系統的組成 1.7.2 數字圖像處理的應用 參考文獻 第2章 圖像配準方法 2.1 基于灰度信息的圖像配準 2.1.1 MAD算法 2.1.2 SAD算法 2.1.3 SSD算法 2.1.4 SSDA 2.2 基于SIFT的圖像配準算法研究 2.2.1 SIFT特征點提取 2.2.2 構造SIFT特征描述子 2.2.3 SIFT特征點匹配 2.2.4 剔除誤西己 2.2.5 坐標變換與插值 2.2.6 實驗結果與分析 2.2.7 SIFT算法應用于多源圖像配準中的問題 2.2.8 小結 2.3 基于改進SIFT的紅外與可見光圖像配準方法研究 2.3.1 圖像預處理 2.3.2 基于邊緣特征提取與增強的SIFT多源圖像配準算法 2.3.3 SIFT算法自身的改進 2.3.4 混合SIFT多源圖像配準方法 2.3.5 實驗結果與分析 2.3.6 小結 參考文獻 第3章 圖像融合基礎知識 3.1 圖像融合概述及國內外研究現狀 3.1.1 傳統的圖像融合方法 3.1.2 基于深度學習的圖像融合方法 3.2 圖像融合分類 3.3 圖像融合質量評價 3.3.1 主觀評價 3.3.2 客觀評價 參考文獻 第4章 基于多尺度分解的紅外與可見光圖像融合方法 4.1 基于拉普拉斯金字塔的圖像融合方法 4.2 基于離散小波變換的圖像融合方法 4.2.1 離散小波變換基本原理 4.2.2 基于離散小波變換的圖像融合方法 4.3 基于非下采樣輪廓波變換的圖像融合方法 4.4 基于多尺度混合信息分解的圖像融合方法 4.4.1 高斯濾波器和引導濾波器 4.4.2 圖像混合信息分解方法 4.4.3 紅外與可見光圖像融合 4.4.4 實驗結果與分析 4.5 基于圖像對比度增強的紅外與可見光圖像融合方法 4.5.1 基于引導濾波器和線性變換的可見光圖像增強算法 4.5.2 圖像融合方法 4.5.3 非局部均值濾波 4.5.4 實驗結果與分析 4.6 基于視覺顯著性檢測和圖像兩尺度分解的圖像融合方法 4.6.1 紅外特征信息提取 4.6.2 基于低通濾波的圖像兩尺度分解 4.6.3 視覺顯著性檢測 4.6.4 權重圖構造 4.6.5 圖像重構 4.6.6 實驗結果與分析 參考文獻 第5章 基于稀疏表示的圖像融合方法 5.1 稀疏表示理論基礎 5.2 基于稀疏表示的圖像融合方法 5.2.1 圖像分塊與重構 5.2.2 滑動窗技術 5.2.3 圖像融合方法 5.3 稀疏字典的構造 5.3.1 稀疏字典學習原理 5.3.2 稀疏字典學習的實現 5.4 圖像多尺度分解與稀疏表示相結合的圖像融合方法 5.5 基于卷積稀疏表示的圖像融合方法 5.5.1 卷積稀疏表示 5.5.2 卷積字典構建 5.5.3 基于圖像兩尺度分解及卷積稀疏表示的圖像融合方法 5.5.4 實驗結果與分析 參考文獻 第6章 基于紅外目標特征提取的圖像融合方法 6.1 紅外目標特征提取 6.1.1 基于高斯濾波器的圖像分解方法 6.1.2 紅外目標特征提取 6.2 分解子信息融合 6.3 實驗結果與分析 參考文獻 第7章 基于深度卷積神經網絡的圖像融合方法 7.1 卷積神經網絡 7.1.1 卷積神經網絡的基本結構 7.1.2 卷積神經網絡的訓練方式 7.2 基于均值濾波的兩尺度圖像分解方法 7.2.1 均值濾波 7.2.2 基于均值濾波的兩尺度圖像分解方法 7.3 圖像兩尺度分解與CNN相結合的融合方法 7.3.1 低頻部分的融合 7.3.2 高頻部分的融合 7.3.3 重建圖像 7.4 實驗結果與分析 7.4.1 實驗設置 7.4.2 實驗結果及分析 參考文獻