CN102789640B - 一种将可见光全色图像与红外遥感图像进行融合的方法 - Google Patents
一种将可见光全色图像与红外遥感图像进行融合的方法 Download PDFInfo
- Publication number
- CN102789640B CN102789640B CN201210245854.7A CN201210245854A CN102789640B CN 102789640 B CN102789640 B CN 102789640B CN 201210245854 A CN201210245854 A CN 201210245854A CN 102789640 B CN102789640 B CN 102789640B
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- remote sensing
- laplacian pyramid
- frequency information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001914 filtration Methods 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000004064 recycling Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000005855 radiation Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度多层级的将可见光全色图像与红外遥感图像进行融合的方法，用于将航天、航空传感器平台获取的红外遥感影像与可见光全色图像的融合，该方法通过红外图像温度反演得到红外图像的伪彩色图像，再利用多尺度多层级图像融合方法，将可见光图像的细节信息融入到红外反演图像中。该方法包括两个部分：对红外遥感图像进行温度反演，得到红外伪彩色图像；以及利用图像多尺度分析将红外伪彩色图像与可见光图像进行融合。利用本发明，使融合后的图像不仅能反映红外图像场景中的温度信息，而且能反映出具体目标的温度信息。
Description
技术领域
本发明涉及遥感图像处理技术领域，尤其涉及一种基于多尺度多层级的将可见光全色图像与红外遥感图像进行融合的方法，用于将航天、航空传感器平台获取的红外遥感影像与可见光全色图像的融合。
背景技术
在遥感图像处理领域，红外成像技术是一种辐射信息探测技术，用于将物体表面的温度分布转换成人眼可见的图像。该图像是红外图像，可以反映物体表面的红外辐射能力，直观地表征和显示被测目标表面的红外辐射温度场分布。由于红外辐射受外界条件的影响比可见光小，所以其具有较强的抗干扰能力，可以全天候工作。
但是红外成像技术也存在一定的缺陷：
1、红外图像的像素分辨率低，很难反映具体目标的辐射能量；
2、红外图像边缘模糊；
3、红外图像的对比度较差。
由于红外图像为黑白灰度级图像，灰度值动态范围不大，人眼难以从这些灰度图像中获得目标的具体辐射信息。为了更直观地增强图像的显示层次，目前一般是利用颜色表将灰度图像映射为彩色图像，即伪彩色图像，从而使得图像不同灰度级之间对比度增强，这样有利用判读人员更为准确地判读图像。
但是由于红外图像分辨率降低，即使采用伪彩色图像的显示方法也只能观测到图像的某些局域(或大型目标)的温度信息，难以观测到图像目标的具体细节信息。而高分辨率的可见光图像具有高空间分辨率，可以反映出细节信息。
综上所述，如何融合红外图像和高分辨率可见光图像，使得融合图像既能反映出目标的大概温度信息，又能观测到目标的信息，仍是一个颇具挑战性的难题。
利用图像融合的方法提高红外图像的空间分辨率，不仅有助于提高图像判读人员的判读精度和效率，而且有助于判读人员对图像的解译。利用图像融合还可以提高遥感图像目标检测、识别以及变化检测等智能算法的精确度。
发明内容
(一)要解决的技术问题
有鉴于此，本发明的目的在于提供一种将可见光全色图像与红外遥感图像进行融合的方法，以使融合后的图像既能反映出图像场景的温度信息，同时还能反映出图像目标的细节信息。
(二)技术方案
为达成上述目的，本发明提供了一种将可见光全色图像与红外遥感图像进行融合的方法，包括：对红外遥感图像进行温度反演，得到红外伪彩色图像；以及利用图像多尺度分析将红外伪彩色图像与可见光图像进行融合。
上述方案中，所述对红外遥感图像进行温度反演，得到红外伪彩色图像，包括：利用目标的红外遥感图像的灰度值，以及红外温度定标参数，生成目标的红外伪彩色图像，具体包括：对于红外遥感图像的每个像素点，根据红外温度定标参数，计算每个像素点对应于灰度值的温度值；然后对整幅图像的温度进行等级划分；再利用颜色表中定义的颜色，将属于同一温度等级的像素点映射为同一颜色，并将像素点的温度值映射为颜色值，从而生成红外伪彩色图像。
上述方案中，所述利用图像多尺度分析将红外伪彩色图像与可见光图像进行融合，包括：利用图像的多尺度表示分别对该红外伪彩色图像和目标的可见光图像进行拉普拉斯图像金字塔分解，得到该红外伪彩色图像的拉普拉斯金字塔表示和该可见光图像的拉普拉斯金字塔表示；将该红外伪彩色图像拉普拉斯金字塔表示的低频信息和该可见光图像拉普拉斯金字塔表示的高频信息进行融合，作为融合图像的拉普拉斯金字塔表示；对该融合图像的拉普拉斯金字塔表示进行重构，得到可见光全色图像与红外遥感图像的融合图像。
上述方案中，所述利用图像的多尺度表示分别对该红外伪彩色图像和目标的可见光图像进行拉普拉斯图像金字塔分解，得到该红外伪彩色图像的拉普拉斯金字塔表示和该可见光图像的拉普拉斯金字塔表示，具体包括：对该红外伪彩色图像和目标的可见光图像而言，均是对其第零级原始图像I0进行高斯滤波操作得到第零级滤波图像L0，将第零级原始图像I0与第零级滤波图像L0作差得到第零级高频信息H0；然后对第零级滤波图像L0进行一次下采样得到为第一级原始图像I1，再对第一级原始图像I1进行高斯滤波得到第一级滤波图像L1，将第一级原始图像I1和第一级滤波图像L1作差得到第一级高频信息H1；重复上述过程，直至得到图像的拉普拉斯金字塔表示Ln，Hn-1，...，H0，其中n的值一般设定为[3，8]之间的整数。
上述方案中，所述将该红外伪彩色图像拉普拉斯金字塔表示的低频信息和该可见光图像拉普拉斯金字塔表示的高频信息进行融合，是将该红外伪彩色图像拉普拉斯金字塔表示的低频信息和该可见光图像拉普拉斯金字塔表示的高频信息进行组合。
上述方案中，所述对该融合图像的拉普拉斯金字塔表示进行重构，得到可见光全色图像与红外遥感图像的融合图像，具体包括：将融合图像的拉普拉斯金字塔表示的低频信息中第n-1级滤波图像Ln-1进行一次上采样得到第n-1级上采样图像Fn-1，将第n-1级上采样图像Fn-1加上第n-1级高频信息Hn-1，得到第n-1层的第n-1级滤波图像Ln-1，其中n的值一般设定为[3，8]之间的整数；对第n-1级滤波图像Ln-1进行上采样得到第n-2级上采样图像Fn-2，将第n-2级上采样图像Fn-2加上第n-1级高频信息Hn-1，得到第n-2层的第n-2级滤波图像Ln-2；重复上述过程，直至得到第零级滤波图像L0，第零级滤波图像L0即为可见光全色图像与红外遥感图像的融合图像。
(三)有益效果
本发明提供的将可见光全色图像与红外遥感图像进行融合的方法，将红外图像能反映场景温度信息和可见光图像具有高空间分辨率的特点进行有效地结合，使得融合后的图像既能反映出图像场景的温度信息，同时还能反映出图像目标的细节信息，非常有利于判读人员的判读。
附图说明
图1是依照本发明实施例的将可见光全色图像与红外遥感图像进行融合的方法流程图。
图2是依照本发明实施例的根据红外遥感图像生成红外伪彩色图像的方法流程图。
图3是依照本发明实施例的对红外伪彩色图像和可见光图像进行多尺度拉普拉斯金字塔分解的方法流程图。
图4是依照本发明实施例的对融合图像的拉普拉斯金字塔进行重构得到可见光全色图像与红外遥感图像的融合图像的方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。应指出的是，所描述的实例仅旨在便于对本发明的理解，而对其不起任何限定作用。本发明使用的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行，也可将方法做成嵌入式芯片以硬件的形式来体现。
本发明提供的将可见光全色图像与红外遥感图像进行融合的方法，包括对红外遥感图像进行温度反演，得到红外伪彩色图像；以及利用图像多尺度分析将红外伪彩色图像与可见光图像进行融合。本发明将红外图像能反映场景温度信息和可见光图像具有高空间分辨率的特点进行有效地结合，使得融合后的图像既能反映出图像场景的温度信息，同时还能反映出图像目标的细节信息。
本发明提供的将可见光全色图像与红外遥感图像进行融合的方法，首先输入目标的可见光图像和红外遥感图像，接着利用红外温度定标参数和预先配置好的颜色表，对红外图遥感像进行温度反演，生成目标的红外伪彩色图像；然后对该红外伪彩色图像和目标的可见光图像进行多尺度的拉普拉斯金字塔分解，得到红外伪彩色图像和可见光图像的拉普拉斯金字塔表示；将红外伪彩色图像拉普拉斯金字塔表示的低频信息和可见光图像拉普拉斯金字塔表示的高频信息结合起来，构建融合图像的拉普拉斯金字塔表示；最后对融合图像的拉普拉斯金字塔表示进行重构得到可见光全色图像与红外遥感图像的融合图像。
图1示出了依照本发明实施例的将可见光全色图像与红外遥感图像进行融合的方法流程图，具体包括以下步骤：
步骤S1：利用目标的红外遥感图像的灰度值，以及红外温度定标参数，生成目标的红外伪彩色图像；
步骤S2：利用图像的多尺度表示分别对该红外伪彩色图像和目标的可见光图像进行拉普拉斯图像金字塔分解，得到该红外伪彩色图像的拉普拉斯金字塔表示和该可见光图像的拉普拉斯金字塔表示；
步骤S3：将该红外伪彩色图像拉普拉斯金字塔表示的低频信息和该可见光图像拉普拉斯金字塔表示的高频信息进行融合，作为融合图像的拉普拉斯金字塔表示；其中，将该红外伪彩色图像拉普拉斯金字塔表示的低频信息和该可见光图像拉普拉斯金字塔表示的高频信息进行融合，是将该红外伪彩色图像拉普拉斯金字塔表示的低频信息和该可见光图像拉普拉斯金字塔表示的高频信息进行组合；
步骤S4：对该融合图像的拉普拉斯金字塔表示进行重构，得到可见光全色图像与红外遥感图像的融合图像。
图2示出了依照本发明实施例的根据红外遥感图像生成红外伪彩色图像的方法流程图，该方法对于红外遥感图像的每个像素点，根据红外温度定标参数，计算每个像素点对应于灰度值的温度值；然后对整幅图像的温度进行等级划分；再利用颜色表中定义的颜色，将属于同一温度等级的像素点映射为同一颜色，并将像素点的温度值映射为颜色值，从而生成红外伪彩色图像。
图3给出了依照本发明实施例的对红外伪彩色图像和可见光图像进行多尺度拉普拉斯金字塔分解的方法流程图。对该红外伪彩色图像和目标的可见光图像而言，均是对其第零级原始图像I0进行高斯滤波操作得到第零级滤波图像L0，并将第零级原始图像I0与第零级滤波图像L0作差得到第零级高频信息H0；然后对第零级滤波图像L0进行一次下采样得到为第一级原始图像I1，再对第一级原始图像I1进行高斯滤波得到第一级滤波图像L1，将第一级原始图像I1和第一级滤波图像L1作差得到第一级高频信息H1；重复上述过程，直至得到图像的拉普拉斯金字塔表示Ln，Hn-1，...，H0，其中n的值一般设定为[3，8]之间的整数。
图4给出了依照本发明实施例的对融合图像的拉普拉斯金字塔进行重构得到可见光全色图像与红外遥感图像的融合图像的方法流程图。将融合图像的拉普拉斯金字塔表示的低频信息中第n-1级滤波图像Ln-1进行一次上采样得到第n-1级上采样图像Fn-1，将第n-1级上采样图像Fn-1加上第n-1级高频信息Hn-1，得到第n-1层的第n-1级滤波图像Ln-1，其中n的值一般设定为[3，8]之间的整数；对第n-1级滤波图像Ln-1进行上采样得到第n-2级上采样图像，将第n-2级上采样图像Fn-1加上第n-1级高频信息Hn-1，得到第n-2层的第n-2级滤波图像Ln-2；重复上述过程，直至得到第零级滤波图像L0，第零级滤波图像L0即为可见光全色图像与红外遥感图像的融合图像。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.一种将可见光全色图像与红外遥感图像进行融合的方法，其特征在于，包括：
对红外遥感图像进行温度反演，得到红外伪彩色图像；以及
利用图像多尺度分析将红外伪彩色图像与可见光图像进行融合；
其中，所述对红外遥感图像进行温度反演，得到红外伪彩色图像，包括：利用目标的红外遥感图像的灰度值，以及红外温度定标参数，生成目标的红外伪彩色图像；
所述利用目标的红外遥感图像的灰度值，以及红外温度定标参数，生成目标的红外伪彩色图像，具体包括：对于红外遥感图像的每个像素点，根据红外温度定标参数，计算每个像素点对应于灰度值的温度值；然后对整幅图像的温度进行等级划分；再利用颜色表中定义的颜色，将属于同一温度等级的像素点映射为同一颜色，并将像素点的温度值映射为颜色值，从而生成红外伪彩色图像；
所述利用图像多尺度分析将红外伪彩色图像与可见光图像进行融合，包括：
利用图像的多尺度表示分别对该红外伪彩色图像和目标的可见光图像进行拉普拉斯图像金字塔分解，得到该红外伪彩色图像的拉普拉斯金字塔表示和该可见光图像的拉普拉斯金字塔表示；
将该红外伪彩色图像拉普拉斯金字塔表示的低频信息和该可见光图像拉普拉斯金字塔表示的高频信息进行融合，作为融合图像的拉普拉斯金字塔表示；
对该融合图像的拉普拉斯金字塔表示进行重构，得到可见光全色图像与红外遥感图像的融合图像；
其中，所述利用图像的多尺度表示分别对该红外伪彩色图像和目标的可见光图像进行拉普拉斯图像金字塔分解，得到该红外伪彩色图像的拉普拉斯金字塔表示和该可见光图像的拉普拉斯金字塔表示，具体包括：对该红外伪彩色图像和目标的可见光图像而言，均是对其第零级原始图像I0进行高斯滤波操作得到第零级滤波图像L0，将第零级原始图像I0与第零级滤波图像L0作差得到第零级高频信息H0；然后对第零级滤波图像L0进行一次下采样得到第一级原始图像I1，再对第一级原始图像I1进行高斯滤波得到第一级滤波图像L1，将第一级原始图像I1和第一级滤波图像L1作差得到第一级高频信息H1；重复上述过程，直至得到图像的拉普拉斯金字塔表示Ln，Hn-1，…，H0，其中n的值设定为[3，8]之间的整数；
所述将该红外伪彩色图像拉普拉斯金字塔表示的低频信息和该可见光图像拉普拉斯金字塔表示的高频信息进行融合，是将该红外伪彩色图像拉普拉斯金字塔表示的低频信息和该可见光图像拉普拉斯金字塔表示的高频信息进行组合；
所述对该融合图像的拉普拉斯金字塔表示进行重构，得到可见光全色图像与红外遥感图像的融合图像，具体包括：将融合图像的拉普拉斯金字塔表示的低频信息中第n-1级滤波图像Ln-1进行一次上采样得到第n-1级上采样图像Fn-1，将第n-1级上采样图像Fn-1加上第n-1级高频信息Hn-1，得到第n-2层的第n-2级滤波图像Ln-2，其中n的值设定为[3，8]之间的整数；对第n-2级滤波图像Ln-2进行上采样得到第n-2级上采样图像Fn-2，将第n-2级上采样图像Fn-2加上第n-2级高频信息Hn-2，得到第n-3层的第n-3级滤波图像Ln-3；重复上述过程，直至得到第零级滤波图像L0，第零级滤波图像L0即为可见光全色图像与红外遥感图像的融合图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210245854.7A CN102789640B (zh) | 2012-07-16 | 2012-07-16 | 一种将可见光全色图像与红外遥感图像进行融合的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210245854.7A CN102789640B (zh) | 2012-07-16 | 2012-07-16 | 一种将可见光全色图像与红外遥感图像进行融合的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102789640A CN102789640A (zh) | 2012-11-21 |
| CN102789640B true CN102789640B (zh) | 2015-12-16 |
Family
ID=47155038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210245854.7A Expired - Fee Related CN102789640B (zh) | 2012-07-16 | 2012-07-16 | 一种将可见光全色图像与红外遥感图像进行融合的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102789640B (zh) |
Families Citing this family (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578091B (zh) * | 2013-10-10 | 2016-02-17 | 中国科学院上海技术物理研究所 | 一种基于拉普拉斯金字塔的红外偏振图像融合方法 |
| CN103578088B (zh) * | 2013-11-20 | 2017-01-04 | 中国人民解放军海军大连舰艇学院 | 一种星空图像处理方法 |
| CN105096285A (zh) * | 2014-05-23 | 2015-11-25 | 南京理工大学 | 一种基于多核dsp的图像融合与目标跟踪系统 |
| CN105069768B (zh) * | 2015-08-05 | 2017-12-29 | 武汉高德红外股份有限公司 | 一种可见光图像与红外图像融合处理系统及融合方法 |
| CN105139370B (zh) * | 2015-08-24 | 2018-01-16 | 中国航空无线电电子研究所 | 一种基于可见光与近红外双波段相机的实时图像融合方法 |
| CN105096289B (zh) * | 2015-09-21 | 2018-09-11 | 河南科技学院 | 一种图像处理的方法及移动终端 |
| CN105701765A (zh) * | 2015-09-23 | 2016-06-22 | 河南科技学院 | 一种图像处理的方法及移动终端 |
| CN105528772B (zh) * | 2015-12-05 | 2018-10-16 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于指导性滤波的图像融合方法 |
| CN106960428A (zh) * | 2016-01-12 | 2017-07-18 | 浙江大立科技股份有限公司 | 可见光和红外双波段图像融合增强方法 |
| CN106204510B (zh) * | 2016-07-08 | 2018-09-18 | 中北大学 | 一种基于结构相似度约束的红外偏振与光强图像融合方法 |
| CN106370311B (zh) * | 2016-10-21 | 2023-06-20 | 北京信息科技大学 | 一种针对热分析仪的温度测量装置及测量方法 |
| CN106548467B (zh) * | 2016-10-31 | 2019-05-14 | 广州飒特红外股份有限公司 | 红外图像和可见光图像融合的方法及装置 |
| CN106595873B (zh) * | 2017-01-03 | 2019-03-29 | 哈尔滨工业大学 | 基于长波红外大气底层辐射和可见光波段线性混合模型的亚像元温度反演方法 |
| CN108694709B (zh) * | 2017-04-12 | 2021-06-29 | 深圳市朗驰欣创科技股份有限公司 | 一种图像融合方法及装置 |
| CN107220957B (zh) * | 2017-04-25 | 2019-07-05 | 西北工业大学 | 一种利用滚动导向滤波的遥感图像融合方法 |
| CN107169947B (zh) * | 2017-04-26 | 2021-02-12 | 国网上海市电力公司 | 一种基于特征点定位和边缘检测的图像融合实验方法 |
| CN108040243B (zh) * | 2017-12-04 | 2019-06-14 | 南京航空航天大学 | 多光谱立体视觉内窥镜装置及图像融合方法 |
| CN108387547B (zh) * | 2017-12-29 | 2019-09-27 | 华中科技大学 | 一种红外图谱关联遥感设备的测谱补偿方法 |
| CN108280819B (zh) * | 2018-02-02 | 2022-03-25 | 北京理工雷科电子信息技术有限公司 | 一种双载荷遥感图像融合方法 |
| CN108663677A (zh) | 2018-03-29 | 2018-10-16 | 上海智瞳通科技有限公司 | 一种多传感器深度融合提高目标检测能力的方法 |
| CN108871189B (zh) * | 2018-06-26 | 2020-10-13 | 西安工业大学 | 一种金属冶炼排渣的炉渣位置检测装置及其检测方法 |
| CN109255774B (zh) * | 2018-09-28 | 2022-03-25 | 中国科学院长春光学精密机械与物理研究所 | 一种图像融合方法、装置及其设备 |
| CN109583319B (zh) * | 2018-11-07 | 2020-12-15 | 北京市遥感信息研究所 | 一种基于海面红外遥感图像的舰船检测方法 |
| CN110493531B (zh) * | 2018-12-12 | 2021-12-03 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法和系统 |
| CN109978926B (zh) * | 2018-12-29 | 2021-05-25 | 深圳市行知达科技有限公司 | 一种图像自动融合方法、装置及终端设备 |
| CN109934154B (zh) * | 2019-03-08 | 2021-06-01 | 北京科技大学 | 一种遥感影像变化检测方法及检测装置 |
| CN110599412A (zh) * | 2019-08-15 | 2019-12-20 | 中国科学院遥感与数字地球研究所 | 基于无人机的遥感数据处理方法及系统 |
| CN111330185A (zh) * | 2020-02-29 | 2020-06-26 | 广东君兆建设集团有限公司 | 古建筑装饰防火方法及系统 |
| CN111462032B (zh) * | 2020-03-31 | 2023-03-31 | 北方夜视技术股份有限公司 | 非制冷红外图像与日盲紫外图像融合方法及应用 |
| CN113874909A (zh) * | 2020-04-03 | 2021-12-31 | 深圳市大疆创新科技有限公司 | 图像处理方法及设备、摄像装置、可移动设备、计算机可读存储介质 |
| CN111683221B (zh) * | 2020-05-21 | 2021-08-03 | 武汉大学 | 嵌入矢量红线数据的自然资源实时视频监测方法及系统 |
| CN113688808B (zh) * | 2021-10-26 | 2022-02-11 | 南京信息工程大学 | 一种基于拉普拉斯金字塔遥感图像融合的滑坡体识别方法 |
| CN115471761B (zh) * | 2022-10-31 | 2023-03-24 | 宁波拾烨智能科技有限公司 | 集成多源遥感数据的海岸滩涂变化监测方法 |
| CN118195925B (zh) * | 2024-05-17 | 2024-08-02 | 浙江大华技术股份有限公司 | 图像融合方法、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425137A (zh) * | 2008-11-10 | 2009-05-06 | 北方工业大学 | 基于拉普拉斯金字塔的人脸图像融合方法 |
| CN101714251A (zh) * | 2009-12-22 | 2010-05-26 | 上海电力学院 | 一种红外与可见光伪彩色图像融合及增强方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014507363A (ja) * | 2010-12-14 | 2014-03-27 | ヘクサテック，インコーポレイテッド | 多結晶質窒化アルミニウム焼結体の熱膨張処理、および半導体製造へのその応用 |
-
2012
- 2012-07-16 CN CN201210245854.7A patent/CN102789640B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425137A (zh) * | 2008-11-10 | 2009-05-06 | 北方工业大学 | 基于拉普拉斯金字塔的人脸图像融合方法 |
| CN101714251A (zh) * | 2009-12-22 | 2010-05-26 | 上海电力学院 | 一种红外与可见光伪彩色图像融合及增强方法 |
Non-Patent Citations (2)
| Title |
|---|
| Fusion of the Infrared and Color Visible Images Using Bidimensional EMD;Xiuqiong ZHANG 等;《2008 International Conference on MultiMedia and Information Technology》;20081231;第257-260页 * |
| 基于二代Curvelet变换的红外与可见光图像融合;付梦印 等;《红外与毫米波学报》;20090831;第28卷(第4期);第254-258页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102789640A (zh) | 2012-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102789640B (zh) | 一种将可见光全色图像与红外遥感图像进行融合的方法 | |
| Fang et al. | Research progress of automated visual surface defect detection for industrial metal planar materials | |
| Kalfarisi et al. | Crack detection and segmentation using deep learning with 3D reality mesh model for quantitative assessment and integrated visualization | |
| CN110268190B (zh) | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 | |
| CN102317973A (zh) | 用于场景解释和对准性能估计的2d电光图像和3d点云数据的融合 | |
| Munawar et al. | Mining multispectral aerial images for automatic detection of strategic bridge locations for disaster relief missions | |
| CN111160293A (zh) | 基于特征金字塔网络的小目标船只检测方法及系统 | |
| CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取系统和方法 | |
| Zeibak et al. | Change detection via terrestrial laser scanning | |
| CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
| CN114898044B (zh) | 检测对象成像方法、装置、设备及介质 | |
| Chen et al. | A color-guided, region-adaptive and depth-selective unified framework for Kinect depth recovery | |
| Chen et al. | Classification of soft-story buildings using deep learning with density features extracted from 3D point clouds | |
| Li et al. | Pixel-level detection and measurement of concrete crack using faster region-based convolutional neural network and morphological feature extraction | |
| Xie et al. | Detection algorithm for bearing roller end surface defects based on improved YOLOv5n and image fusion | |
| Kim et al. | Learning Structure for Concrete Crack Detection Using Robust Super‐Resolution with Generative Adversarial Network | |
| Tian et al. | Image-Range Stitching and Semantic-Based Crack Detection Methods for Tunnel Inspection Vehicles | |
| Zhang et al. | Single image dehazing using fixed points and nearest-neighbor regularization | |
| Ponto et al. | Opportunities for utilizing consumer grade 3D capture tools for insurance documentation | |
| Hu et al. | Hybrid Pixel‐Level Crack Segmentation for Ballastless Track Slab Using Digital Twin Model and Weakly Supervised Style Transfer | |
| Cui et al. | Image enhancement-based detection of concrete cracks under turbid water bodies | |
| Giorgini et al. | Floorplan generation of indoor environments from large-scale terrestrial laser scanner data | |
| Yu et al. | Pixel‐Level Crack Detection and Quantification of Nuclear Containment with Deep Learning | |
| CN114549613A (zh) | 基于深度超分辨率网络的结构位移测量方法及装置 | |
| Wang et al. | Segmentation network of concrete cracks with multi-frequency OctaveRes dual encoder and cross-attention mechanism optimized by average weight |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151216 |