北京邮电大学出版社

内容简介
本书主要介绍了与深度学习相关的基础知识及常用的多源图像融合算法。全书包括三大部分：第一部分（第1章）涉及图像融合的定义、发展历史、研究现状和分类，让读者对图像融合有一个直观的认识，并从研究背景与意义、研究现状、评价体系3个角度讲述了多源图像融合的基础知识。第二部分（第2～8章）介绍了基于多模态特征学习和注意力机制的融合方法及在医学领域中的应用。第三部分（第9～12章）介绍了基于深度卷积神经网络的融合框架及在红外与可见光图像融合领域的应用。
本书的理论知识由浅入深，通俗易懂，比较适合初学者了解多源图像融合技术，并结合目前常用的深度学习框架及图像融合实验，深入分析各种算法的性能。本书可作为计算机、通信与信息系统、信号与信息处理等专业的研究生教材或参考书，也可作为多源图像分析、多源图像融合等领域的技术人员和研究人员的参考书。

目录介绍

目录
第1章绪论
11引言
111什么是图像融合
112图像融合的应用
12多源图像融合的研究背景与意义
121医学图像的模态
122研究背景与意义
13多源图像融合的国内外研究现状
131传统的图像融合方法
132基于深度学习的医学图像融合
133图像融合规则
134医学图像融合结果的评估
14本书的结构与内容安排
本章参考文献
第2章基于密集连接网络和自注意力机制的医学图像融合
21引言
22相关工作
221传统图像融合方法
222基于深度学习的融合方法
223自注意力机制
23提出的融合模型
231动机
232问题公式化
233融合网络的结构
234损失函数
235训练细节
24实验结果
241实验数据与参数设置
242评价度量
243不同网络结构的验证
244不同损失的有效性
245对比实验
25本章小结
本章参考文献
第3章基于三叉戟膨胀感知的超密集连接压缩—分解网络
31引言
32相关工作
321传统融合方法
322基于深度学习的图像融合
33提出的融合模型
331问题公式化
332网络结构
333三叉戟膨胀感知
334损失函数
34实验结果与分析
341实验设置
342三叉戟膨胀感知的验证
343双残差超密集连接的有效性
344分解网络的影响
345内容感知损失函数的作用
346灰度损失的验证
347压缩损失的影响
348主观视觉评估
349客观度量评价
35本章小结
本章参考文献
第4章基于Transformer多任务学习的医学图像融合算法
41引言
42Transformer相关理论知识
43基于变压器多任务学习的融合网络结构
431三项自监督图像重建任务
432自适应Transformer模块
433全局特征增强注意力
434损失函数
44实验设计及结果分析
441实验设置
442消融实验
443主观和客观融合结果对比
45本章小结
本章参考文献
第5章基于双级联注意力的医学图像融合算法
51引言
52注意力机制相关理论知识
53基于双级联注意力的融合网络结构
531融合策略
532双级联注意力模块
533两阶段训练策略
54实验设计及结果分析
541实验设置
542消融实验
543主观和客观融合结果对比
55本章小结
本章参考文献
第6章基于跨域双向交互网络的多模态医学图像融合方法
61引言
62方法
621网络框架
622跨域双向交互模块
623SwinTransformer支路
624损失函数
63实验设计与结果分析
631实验设置
632实验结果
633消融实验
64本章小结
本章参考文献
第7章基于跨尺度迭代注意力网络的多模态医学图像融合方法
71引言
72方法
721问题描述
722网络框架
723细节保留模块
724跨模态并行注意力模块
725损失函数
73实验设计与结果分析
731数据集与实验设置
732CTMRI数据集实验结果
733PETMRI数据集实验结果
734SPECTMRI数据集实验结果
735消融实验
74本章小结
本章参考文献
第8章基于显著性引导跨域聚合网络的多模态医学图像融合方法
81引言
82方法
821问题公式化
822网络框架
823嵌套金字塔残差注意力模块
824显著性引导的双重注意力模块
825损失函数
83实验设计和结果分析
831实验配置
832CTMRI数据集实验结果
833PETMRI数据集实验结果
834SPECTMRI数据集实验结果
835消融实验
84本章小结
本章参考文献
第9章基于巢连接与注意力的红外与可见光图像融合方法
91引言
92基于双注意力机制和巢连接的红外与可见光图像融合方法
921融合网络
922融合策略
923训练阶段
924实验及结果
925消融研究
926结果分析
93NAF:基于巢连接轴向注意力的红外和可见图像的融合方法
931网络结构
932轴向注意力
933训练细节
934消融研究
935结果分析
94本章小结
本章参考文献
第10章基于SwinTransformer和混合特征聚合的红外与可见光图像融合方法
101引言
102融合方法
1021网络结构
1022特征聚合模块
1023训练阶段
103实验与结果分析
1031实验设置
1032消融研究
1033结果分析
104本章小结
本章参考文献
第11章基于熵注意力的混合特征聚合红外与可见光图像融合方法
111引言
112融合方法
113基于熵注意力的融合策略
114损失函数与训练设置
115实验与结果分析
1151对比方法和评估指标
1152主观评价
1153客观评价
1154消融实验
116讨论与分析
117本章小结
本章参考文献
第12章基于双流交互与Transformer的红外与可见光图像融合方法
121引言
122网络结构
123双支路交互策略
124损失函数
125实验与结果分析
1251实验设置
1252实验结果对比
1253消融研究
126本章小结
本章参考文献