[Papers-Image fusion]2017-10-16

本周完成情况：

1.论文阅读：

　　1）论文标题：《Multi-focus image fusion with dense SIFT》

　　2）论文作者：刘羽-中国科学技术大学  （链接：http://www.escience.cn/people/liuyu1/index.html）

　　3）论文内容：本论文详细的融合算法包括以下四步:

　　　　　　　　①计算每个源图像的128维SIFT图像，并且通过累积非标准化SIFT描述子的所有元素来形成包含焦点信息的活动度图（activity level map），同时通过归一化规则　　　　　　　　获得归一化SIFT图像。
　　　　　　　　②然后，将两个活动级别图中的焦点信息组合在一起，以产生由第一源图像的确定聚焦区域，第二源图像的确定聚焦区域和不确定区域组成的初始判定图。
　　　　　　　　③接下来，通过特征匹配和局部焦点测量比较来改进初始决策图。
　　　　　　　　④最后，利用最终决策图获得融合图像。

　　4）论文结论：所提出的算法DSIFT在所有的六个度量方面都优于另外九种比较方法。

　　5）论文创新：这表明一些图像局部特征如密集SIFT可以构建图像融合的有效特征空间。 特别地，本地特征描述符不仅可以被用作活动级别测量，而且可以用于匹配多个源图像　　　　之间的错误注册的像素，以减少对象运动区域和对象边缘的融合质量。通俗的讲，由于对象可能发生微小运动，这些不确定位置处的多个源图像的内容通常不完全相同，所　　　　以我们需要把两幅（多幅）源图像进行特征点匹配，找到其相对应的像素位置，这样可以达到更好的融合效果。

　　6）论文问题：①在本文的实验中，在特征匹配步骤中消耗了大约53％的运行时间，导致不能有很好的实时性。

　　　　　　         ②最终判定图始终还保留一些不确定的像素。

　　7）特征匹配结构：

　　     　　

　　其中，w1(x,y)和w2(x, y)分别表示在I1和I2图像中以x为中心的局部窗口。

2.学习：

　　深度学习框架Tensorflow  （链接：https://zhuanlan.zhihu.com/p/29822763）

3.项目：

　　深度学习Tensorflow，Python+OpenCV  （链接：http://www.cnblogs.com/wmr95/）

 

下周计划：

　　1.结合上篇论文，分析其源代码。

　　2.看论文《Dense SIFT for ghost-free multi-exposure fusion》

　　3.学习相关机器学习及深度学习知识。