A-MULTI-EXPOSURE-IMAGE-FUSION-BASED-ON-THE-ADAPTIVE-WEIGHTS

图像融合的质量评价指标，每个文件都有详细说明，每个指标都有相应的论文出处。亲测，可以使用。

数据融合matlab代码通过具有非凸罚分的稀疏正则化进行图像融合 该源代码包包括用于所提出的图像融合和联合问题算法的MATLAB源代码。 纸： 每个主要代码的具体功能如下图所示： FL1：采用L1规范化正规化的图像融合； FGMC：通过GMC正则化进行图像融合； FSL1：采用L1规范正则化的联合图像融合和超分辨率； FSGMC：通过GMC正则化进行联合图像融合和超分辨率； FDrealGMC：在真正的OCT和眼底图像数据集（PSF估计）上使用GMC正则化进行联合图像融合和反卷积；

SESF保险丝 SESF-Fuse：用于多焦点图像融合的无监督深度模型 抽象的 在这项工作中，我们提出了一种无监督的深度学习模型来解决多焦点图像融合问题。 首先，我们以无监督的方式训练编码器-解码器体系结构，以获取输入图像的深层特征。 然后，我们利用这些特征和空间频率来测量活动水平，这在多焦点融合任务中起着至关重要的作用。 该方法背后的关键点在于，只有景深（DOF）内的对象在照片中才具有清晰的外观，而其他对象则很可能被模糊。 与以前的工作相比，我们的方法分析的是深层特征的锐利外观，而不是原始图像。 实验结果表明，与现有的16种融合方法相比，该方法在客观和主观评估中均达到了最新的融合性能。 可视化 我们在下图中显示融合结果的可视化。 第一行是近焦点源图像，第二行是远焦点源图像。 第三行是我们方法的决策图，最后一行是融合结果。 分行介绍 我们在该分支机构中提供SESF-Fuse的培训和测试方法

多焦点图像融合数据集 新数据集

使用深度学习框架的红外和可见图像融合 ，吴晓军*，约瑟夫·基特勒国际模式识别大会2018 Li H，Wu XJ，Kittler J.使用深度学习框架的红外和可见图像融合[C] //模式识别（ICPR），2018年第24届国际会议。 IEEE，2018：2705-2710。 要求 您将需要以下工具来运行此代码： 如果您对此代码有任何疑问，请随时与我联系（ ， ） 融合方法 融合详细内容 多层融合策略 质量指标-Nabf Nabf-'BK Shreyamsha Kumar。 使用离散余弦谐波小波变换基于像素重要性的多焦点和多光谱图像融合。 信号，图像和视频处理，2012年。” 火炬版 仅供参考 https://github.com/GrimReaperSam/imagefusion_pytorch 引文 Li H，Wu XJ，Kittler J.使用深度学习框架的红外和可见

本人很不容易找到的NSCT代码（matlab），亲测可用，压缩包有函数和例子 由于水平不够没有把每个函数看懂，但确实实现了NSCT分解和融合，低价分享给有需求的人 压缩包里还有理一个压缩包 里面有必要的函数应和大文件放一起 notes： The original author of this paper By Zhiqin Zhu and Mingyao Zheng Chongqing University of Posts and Telecommunications If you feel the infringement, please contact me and delete it immediately

A deeply supervised image fusion network for change detection in high resolution bi-temporal remote sensing images 深度监督影像融合网络DSIFN用于高分辨率双时相遥感影像变化检测 Official implement of the Paper：A deeply supervised image fusion network for change detection in high resolution bi-temporal remote sensing images. If you find this work helps in your research, please consider citing: 论文《A deeply supervised image fusio

Densefuse：红外和可见图像的融合方法-Tensorflow 吴小军* 发表于：IEEE图像处理事务 H. Li，XJ Wu，“ DenseFuse：红外和可见图像的融合方法”，IEEE Trans。 图像处理。 28号5月，第2614–2623页，5月。 2019。 笔记 在“ main.py”文件中，您将找到如何运行这些代码。 本文中使用的评估方法显示在“ analysis_MatLab”中。 这些方法是由MatLab实现的。 抽象的 在本文中，我们提出了一种针对红外和可见图像融合问题的新型深度学习架构。 与传统的卷积网络相比，我们的编码网络是由卷积神经网络层和密集块组合而成的，密集块的每一层的输出都与其他每一层相连。 我们尝试使用此体系结构从编码器过程中的源图像中获取更多有用的功能。 然后，采用适当的融合策略融合这些特征。 最后，融合图像由解码器重建。 与现有的融合

使用潜在的低秩表示法进行红外和可见图像融合 吴小军* 使用潜在的低秩表示法进行红外和可见图像融合。 潜在的低排名表示 融合方法框架 抽象的 我们提出了一种基于潜在低秩表示（LatLRR）的新颖图像融合方法，该方法简单有效。 首先，通过LatLRR将源图像分解为低阶部分和显着部分。 全局结构信息由低阶部分保留，局部结构信息由显着性部分提取。 然后，将低阶部分通过加权平均策略融合，而显着部分则简单地通过求和策略融合。 最后，通过融合融合的低秩部分和融合的显着性部分获得融合的图像。 源代码 1 Fusion_latlrr.m -----我们的方法 2 latlent_lrr.m -------潜在的低秩表示方法 潜在LRR Thr Latent LRR方法由Liu Guangcan Liu在2011年提出。 “ Liu G，Yan S.用于子空间分割和特征提取的潜在低秩表示[C]国际