| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第12-20页 |
| 1.1 课题研究背景及意义 | 第12-14页 |
| 1.2 国内外研究及发展现状 | 第14-17页 |
| 1.2.1 深度学习 | 第14-15页 |
| 1.2.2 图像融合 | 第15-17页 |
| 1.3 本文的主要研究内容 | 第17-20页 |
| 2 深度学习及其模型 | 第20-26页 |
| 2.1 深度学习概念 | 第20页 |
| 2.2 深度学习模型 | 第20-24页 |
| 2.2.1 自动编码器(Auto-Encoder) | 第20-22页 |
| 2.2.2 稀疏自动编码器(SparseAuto-Encoder) | 第22-23页 |
| 2.2.3 卷积神经网络(ConvolutionNeuralNetwork) | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 3 基于稀疏自编码的图像特征训练和融合算法 | 第26-40页 |
| 3.1 引言 | 第26页 |
| 3.2 优化算法 | 第26-29页 |
| 3.2.1 反向传播算法(BackPropagation) | 第27-28页 |
| 3.2.2 梯度下降算法(GradientDescent) | 第28-29页 |
| 3.2.3 正交匹配追踪算法(OrthogonalMatchingPursuit) | 第29页 |
| 3.3 基于稀疏自编码的图像融合 | 第29-32页 |
| 3.3.1 SAE预训练 | 第30页 |
| 3.3.2 字典和特征训练 | 第30-31页 |
| 3.3.3 图像重构 | 第31-32页 |
| 3.3.4 算法整体描述 | 第32页 |
| 3.4 实验与讨论 | 第32-38页 |
| 3.4.1 实验条件与设置 | 第32-33页 |
| 3.4.2 SAE不同参数对比实验 | 第33-35页 |
| 3.4.3 不同算法对比实验 | 第35-38页 |
| 3.5 本章小结 | 第38-40页 |
| 4 基于深度自编码卷积神经网络的多聚焦图像融合 | 第40-58页 |
| 4.1 引言 | 第40-41页 |
| 4.2 AE-CNN图像融合 | 第41-46页 |
| 4.2.1 目标函数的优化 | 第41-42页 |
| 4.2.2 AE-CNN模型构造 | 第42-43页 |
| 4.2.3 分离前景与背景 | 第43-45页 |
| 4.2.4 焦点检测 | 第45页 |
| 4.2.5 重构融合 | 第45-46页 |
| 4.3 算法整体描述 | 第46页 |
| 4.4 实验与分析 | 第46-57页 |
| 4.4.1 实验条件 | 第46-47页 |
| 4.4.2 实验参数设置 | 第47-48页 |
| 4.4.3 实地拍摄图像融合 | 第48-50页 |
| 4.4.4 多聚焦图像融合 | 第50-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 作者简历 | 第68-70页 |
| 学位论文数据集 | 第70页 |
