TNO数据集

已于 2023-08-07 13:19:44 修改
阅读量1.2k 收藏
点赞数
文章标签： python
于 2023-08-07 13:15:29 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45285541/article/details/132144303
版权

应用于红外与可见光图像融合领域的数据集

流浪的憨子
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
TNO_Image_Fusion_Dataset.rar
01-10
这是一些采集好的经过矫正与配准的红外与可见光的数据集，有长波红外，短波红外，热成像仪与可见光的图像，内容有坦克，人物，树木，建筑等，从外面下载的，和大家分享一下
图像融合的图像数据集（更新）
04-01
此版本是前面一个图像数据集的升级，对图像数据集进行扩容，在包括20张多聚焦彩色图像和四张三个系列的彩色图像的基础上，增加了常用的clock,ball等多聚焦图像。这些图像用于图像融合.
深度学习_数据集_红外和可见光图像融合数据集
热门推荐
关注大家关注我
11-26 1万+
Toet A. TNO Image fusion dataset. (117.03 MB)——红外和可见光图像序列 网址：https://figshare.com/articles/TN_Image_Fusion_Dataset/1008029 （内容很丰富，常用的图像都是从该库里挑出来的。论文中也常引用该网址。） 简介： “The TNO Image Fusion Dataset contain...
基于深度学习的医学图像融合(Medical image fusion)论文及代码整理
fovever_的博客
05-01 8367
基于深度学习的医学图像融合(Medical image fusion)论文及代码整理。主要将已有的基于深度学习的医学图像融合算法归类为基于卷积神经网络的医学图像融合框架和基于生成对抗网络的医学图像融合框架。
目标检测——TNO多波段图像数据集
最新发布
猫脸码客的博客
06-18 700
TNO多波段图像集合是一个包含多种波段图像数据的集合，旨在满足静态和动态图像融合算法、颜色融合算法、多光谱目标检测和识别算法以及暗目标检测算法的开发和评估需求。该集合目前包含三个主要的图像集：TNO图像融合数据集、Kayak图像融合序列和TRICLOBS动态多波段图像数据集。TNO图像融合数据集TNO图像融合数据集包含强化可见光、近红外和长波红外波段的夜间图像，这些图像展示了不同军事和监控场景中的不同物体和目标。
数据集处理
a_145133的博客
12-26 607
针对图像融合数据被包含在很多小文件夹中，将红外和RGB图片分别整理在两个文件夹中，这里针对TNO数据集。
VIIF:深度图像分解
weixin_43690932的博客
10-30 1171
仅供自己未coding时理解
TarDAL（Target-aware Dual Adversarial Learning and a Multi-scenario Multi-Modality Benchmark to Fuse）
m0_47005029的博客
06-13 3249
在本文中，提出了一个双层优化配方，共同实现融合和检测。通过将模型展开到设计良好的融合网络和常用的检测网络，我们可以生成视觉友好的融合和目标检测结果。为了促进这一领域的研究，我们提出了一个同步成像系统与可见光-红外传感器和收集多场景多模态基准。
Image fusion dataset
陈余庆的博客
08-20 1573
1.红外和可见光图像序列( Toet A. TNO Image fusion dataset) Introduction：“The TNO Image Fusion Dataset contains multispectral (intensified visual, near-infrared, and longwave infrared or thermal) nighttime imagery of different military relevant scenerios, registere.
图像融合RoadScene数据集和TNO数据集
07-15
图像融合RoadScene数据集 下载地址：... 图像融合TNO数据集 下载地址：https://figshare.com/articles/dataset/TNO_Image_Fusion_Dataset/1008029 为方便网络不好的同学，现将此数据集进行上传。
红外数据集包含人车自行车等
08-21
红外数据集包含人车自行车等
imagefusion图像融合数据集
01-15
imagefusion图像融合数据集，www.imagefusion.org网站常用数据集，附带论文《A general framework for multiresolution image fusion: from pixels to regions》
图像融合数据集
12-12
TNO红外与可见光图像融合数据集（部分），包含了3组已配准的红外与可见光图像，及一组已配准的红外与可见光序列图像（32组）。实验源图寻找不易，阅读“README.txt”合理使用。
TNO数据集.zip
08-27
基于Pytorch实现的深度学习项目 代码可直接运行包含代码
tno_last_days_of_russia
02-22
tno_last_days_of_russia
STDFusionNet
m0_47005029的博客
05-20 1108
本文提出了一种基于显著目标检测的红外和可见光图像融合网络STDFusionNet。我们明确地将红外和可见光图像融合的目标定义为红外图像中的显著区域和可见光图像中的背景区域。基于这个定义，我们将显著目标掩模引入到损失函数中，以精确地指导网络的优化。因此，我们的模型可以隐式地实现显著目标检测和信息融合，其结果不仅包含显著的热目标，还具有丰富的背景纹理。广泛的定性和定量实验表明，我们的STDFusionNet在主观视觉效果和定量指标方面优于现有的方法。此外，我们的方法比其他比较方法快得多。
RXDNFuse: A aggregated residual dense network for infrared and visible image fusion
m0_47005029的博客
05-18 435
提出了一种新的基于聚合残差稠密网络的无监督IR/VIS融合网络RXDNFuse。与传统的融合网络相比，RXDNFuse被设计为一个端到端模型，结合了ResNeXt和DenseNet的结构优势。因此，它克服了手工和复杂的活动水平测量和融合规则的设计的局限性。建立了图像融合问题的IR/VIS图像的结构和强度的比例保持问题。RXDNFuse通过综合特征提取和组合，自动估计对应源图像的信息保存程度，提取层次特征，实现有效融合。
用CoCo数据集训练一个自编码网络，采用这个自编码网络对tno数据集进行编码融合，给出python代码
05-23
好的，以下是一个简单的代码示例： 首先是使用CoCo数据集训练自编码器： ```python import tensorflow as tf from tensorflow.keras.layers import Input, Dense from tensorflow.keras.models import Model from tensorflow.keras.datasets import cifar10 # 加载CoCo数据集 (x_train, _), (x_test, _) = cifar10.load_data() # 数据预处理 x_train = x_train.astype('float32') / 255. x_test = x_test.astype('float32') / 255. # 定义自编码器模型 input_img = Input(shape=(32, 32, 3)) encoded = Dense(128, activation='relu')(input_img) decoded = Dense(3 * 32 * 32, activation='sigmoid')(encoded) autoencoder = Model(input_img, decoded) # 编译模型 autoencoder.compile(optimizer='adam', loss='binary_crossentropy') # 训练模型 autoencoder.fit(x_train, x_train, epochs=50, batch_size=128, shuffle=True, validation_data=(x_test, x_test)) ``` 然后是使用训练好的自编码器对tno数据集进行编码融合： ```python import os import numpy as np from PIL import Image # 加载tno数据集 tno_dir = '/path/to/tno/dataset' tno_filenames = os.listdir(tno_dir) # 定义编码函数 def encode_image(img_path): img = Image.open(img_path) img = img.resize((32, 32)) img = np.array(img) / 255. encoded = autoencoder.encoder.predict(np.expand_dims(img, axis=0)) return encoded # 对tno数据集进行编码融合 encoded_images = [] for filename in tno_filenames: img_path = os.path.join(tno_dir, filename) encoded = encode_image(img_path) encoded_images.append(encoded) encoded_images = np.concatenate(encoded_images, axis=0) # 输出编码融合后的结果 print(encoded_images.shape) ``` 这里假设tno数据集的图片大小为32x32，与CoCo数据集相同。在实际应用中，需要根据具体情况调整自编码器和编码函数的参数。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值