همجوشی موثرتصاویرچندکانونی با استفاده از نقشه عمق

کیفیت تصویر، کیفیت فرایندهای بینائی ماشین را تحت تاثیر قرار می دهد. بنابراین فرایندهایی که منجر به افزایش کیفیت تصویر می شوند از اهمیت فراوانی برخوردارند. همجوشی تصاویر بعنوان یکی از این فرایندها؛ مجموعه عملیاتی است که با استفاده از ترکیب دو یا چند تصویر ورودی ؛تصویری بهتر و با اطلاعات مفیدتر، در راستای کاربردی ویژه به دست می آید. در این مقاله، روشی نوین در فرایند همجوشی چندکانونی براساس نقشه عمق1 ارائه میگردد. ترکیب نقشه عمق و جداسازی مناطق متمرکز ازمناطق غیر متمرکز با استفاده از ساختار شبکه عمیق کانولوشن2 موجب بهبود عملکرد ادغام خواهد گردید. در این روش تصاویر ورودی از شبکه عصبی عمیق عبور داده شده و سپس براساس قانون همجوشی با تصاویربدست آمده از نقشه عمق ترکیب می گردند. در راستای ارتقا و تصمیم گیری نهائی ؛ جهت دسته بندی بهترپیکسلهای نزدیک مرزها از وزندهی تصاویر براساس نقشه عمق در ادغام تصاویر استفاده می گردد تا تصویرهمجوشی نهائی چندکانونی بدست آید.جهت ارزیابی از معیارهای آنتروپی اطلاعات ​​ وisqe و niqe و piqe  استفاده گردید. نتایج آزمایشگاهی، نشان دهنده رشد 0.4درصدی آنتروپی و کاهش 0.9 درصدی niqe ؛کاهش 13 درصد در piqe و کاهش 14.4 درصد در isqe می باشد. بدینجهت از نظر حفظ اطلاعات و جزئیات لبه بدون کاهش کنتراست و روشنائی بهبود یافته و قابل دفاع می باشد.

efficient multi - focus image fusion via depthmap

image quality affects thequality of computer vision process. therefore, process which leads to an increase in image quality is very important. as one of these processes, image fusion that is a set of operation which is done by combination of two or more input images and the result is a better image with more useful information, in a specific application direction. in this paper a novel multi focus image fusion method based on depthmap and focused regions is proposed. the combination of depthmap with segmented focused from defocused areas by means of deep convolutional neural networks will improve the fusion performance. in the presented research, the input images are passed through a deep neural network and then merged with the images obtained from the depthmap in accordance with the strategy of image fusion. our approach can yield much fewer ringing results. information entropy, isqe, niqe and piqe were used for evaluation. comparing experimental results based on various real images show 0.4% increase in entropy. at the same time the rate of decrease in other three quality metrics were 0.9% in niqe, 14.4% in isqe and finally 13% in piqe. the results show improvement in terms of preserving information and edge details without contrast and brightness reduction, so they are defensible.