WIMI微美全息开发基于卷积神经网络的图像融合算法系统，促进计算机视觉技术创新

近年来，图像融合已成为图像理解、计算机视觉以及遥感领域中的一个研究热点，并广泛应用于医学、智能机器人、工业等领域，对图像融合算法的研究具有重要的理论意义与实用价值。同时，随着计算机水平的不断提升，卷积神经网络理论也在迅速发展，其已被广泛应用于目标识别、人脸识别等多领域。将卷积神经网络应用于图像融合，具有明显的优越性，其可改进图像融合中的特征提取与分配环节，提升融合图像的质量。

据了解，WIMI微美全息(NASDAQ:WIMI)开发了基于卷积神经网络的图像融合算法系统。图像融合是将不同传感器获取的两个或多个图像进行处理、融合，实现图像间的信息互补，最大限度提升图像质量，生成内容丰富的、更符合视觉感知的融合图像，进而完成信息的分析和处理。卷积神经网络（CNN）是一种典型的深度学习模型，针对信号或者图像数据，它可以学习不同抽象层次的特征表示机制。CNN通过学习滤波器提取输入图像的特征，从而得到每个层次的不同特征图，特征图中的每个单元或者系数被称为神经元。一般利用卷积、激活函数和池化这三种类型的计算方法连接相邻层次之间的特征图。

WIMI基于卷积神经网络的图像融合算法的关键是有效提取图像信息并使用恰当的融合策略，从源图像中最大化地提取有用的信息并将其融合到结果图像中，获得高质量的图像。

首先采集待融合图像，并对它们进行预处理，然后分别将预处理后的图像输入到卷积神经网络进行训练，提取它们的图像融合特征，然后采用最优阈值法对融合特征进行分割，对不同图像不同区域进行相应的融合，得到最终的图像融合结果。

一个完整的卷积神经网络是一个多层结构，包括输入层、池化层、全连接层、卷积层等，卷积层是最为关键的部分，其包含多个神经网络节点，可以提取图像融合的特征。池化层可对图像融合特征进行降维处理，并获得新图像融合特征映射集，然后通过权重不断迭代进行训练和学习。为了对图像进行最优融合，必须将图像分割为不同的区域，通过最优分割阈值将待融合的图像划分为不同区域，对不同区域进行融合，最终输出图像融合结果。

WIMI基于卷积神经网络的图像融合算法系统处理后的图像不仅清晰度和亮度得到了明显的改善，而且提高了图像信噪比，图像质量更高，可获得更优的图像视觉效果，相较于传统的图像融合技术具有明显的优越性。

基于卷积神经网络图像融合算法已成为一种十分重要的图像分析与计算机视觉技术，随着硬件水平的不断提升与相关研究的持续推进，其在各个领域的应用也将不断深入发展。WIMI基于卷积神经网络图像融合算法在目标识别、智能机器人、医学图像处理、工业互联网等领域有着广泛的应用前景。