CN103500443B - 一种基于傅里叶变换的红外偏振图像融合方法 - Google Patents
一种基于傅里叶变换的红外偏振图像融合方法 Download PDFInfo
- Publication number
- CN103500443B CN103500443B CN201310469999.XA CN201310469999A CN103500443B CN 103500443 B CN103500443 B CN 103500443B CN 201310469999 A CN201310469999 A CN 201310469999A CN 103500443 B CN103500443 B CN 103500443B
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- polarization
- degree
- infrared
- 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.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Studio Devices (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
本发明公开了一种基于傅里叶变换的红外偏振融合方法,它主要用于红外辐射强度图像和红外偏振度图像融合。它首先对参与的辐射强度图像和偏振度图像进行傅里叶变换,得到各自的频率域,进而中心化各自的频率域。然后根据所创建的分区融合方法,根据不同的n值,对辐射强度图像和偏振度图像的频率域进行融合,再以融合后的频率域的频谱的和值最大为判据,确定最终采用融合频率域。最后通过傅里叶逆变换得到融合后的图像。本发明实现方法简单,并且物理意义明确,经过测试表明,红外融合图像效果相对于红外辐射强度图像和偏振度图像有明显的提高。
Description
技术领域:
本发明属于图像探测与处理领域,具体涉及一种基于傅里叶变换的红外偏振图像融合方法。
背景技术:
偏振成像增加了偏振信息,并且也保留了原有的辐射强度信息,红外辐射强度图像对比度好,视觉效果好,但目标边缘和纹理信息反映的不够,偏振度图像反映的是目标的边缘和纹理细节信息,但对比度差,图像较暗,视觉效果不好。因此,根据偏振度图像和辐射强度图像的特点,可以将红外辐射强度图像与偏振信息图像融合到一幅图像,增强目标和背景的对比度,提高目标探测的效率。
傅里叶变换频域中频率直接关系到空间变化率,低频对应于图像中变化缓慢的灰度分量,较高的频率对应于图像中越来越快的灰度变化。针对红外辐射强度图像低频信息丰富,红外偏振图像高频信息丰富的特点。我们提出了一种基于傅里叶变换的红外偏振图像融合算法。实验结果表明:这种方法在保留辐射强度图像的清晰度的同时,突出了目标的边缘、轮廓信息,使总体视觉效果更好。
偏振图像融合效果的评价指标
1)标准差
标准差反映了图像灰度相对于平均灰度的离散情况,设为图像均值,则图像的标准差定义为:
在某种程度上,标准差也可用来评价图像反差的大小:标准差越大,图像的灰度分布越分散,图像的反差也越大,可看出的信息也越多;反之,图像的灰度级分布越集中,图像的反差也越小,可看出的信息也就越小。
2)信息熵
图像的信息熵是衡量图像所含信息丰富程度的一种重要指标,熵值的大小反映了图像所含平均信息量的多少,其定义为
式中,pi为灰度级i的分布概率,其范围是[0,1,…,L-1]。融合图像的熵值反映了其包含信息量的多少,熵值越大说明融合图像的信息量越丰富,融合效果越好。
3)梯度均值
梯度均值是一个反应图像细节对比度和纹理特征变化的指数,它可以用下式定义:
g值越大,图像的区分度越大,图像就越清晰,说明融合效果越好。
发明内容:
针对红外偏振图像融合的不足,本发明提出一种基于傅里叶变换的红外偏振融合方法,事实表明用此方法得到的红外融合图像效果有明显提高,并且物理意义明确,并且它经过修改之后可以方便的应用其它类的图像融合。
实现本发明的技术解决方案为:一种基于傅里叶变换的红外偏振图像融合方法,它可以根据不同的红外辐射强度图像和偏振度图像,自动确定最优融合方式,具体步骤如下:
步骤1:对红外辐射强度图像X进行二维离散傅里叶变换,得到其频率域FX(μ,ν),它为复数阵列,可以表示为FX(μ,ν)=R(μ,ν)+jI(μ,ν),然后根据公式|FX(μ,ν)|=[R2(μ,ν)+I2(μ,ν)]1/2,得到其频谱图|FX(μ,ν)|,对红外偏振度图像Y,按照上述步骤得到FY(μ,ν)和|FY(μ,ν)|。其中图像X和图像Y大小均为M×N个像素;
步骤2:然后中心化频率域FX(μ,ν)和频谱图|FX(μ,ν)|,依次得到FCX(μ,ν)和|FCX(μ,ν)|,同样中心化FY(μ,ν)和|FY(μ,ν)|,依次得到FCY(μ,ν)和|FCY(μ,ν)|;
步骤3:将频谱图分为A和B两区域,A区域是频谱图|FC(μ,ν)|以中心像素为中心,以n个像素为半径的圆。B是频谱中除了A以外的频谱区域。其中n为整数,对一幅M×N的图像,其取值范围为:1~min(M/2,N/2)。对于A区域,因为红外辐射强度图像的低频特征信息比较丰富,所以融合后的图像的A区域应该基本上保留红外辐射强度图像的频谱特征。对于B区域,因为红外偏振度图像高频信息比较丰富,融合后的图像应该基本上保留偏振度图像的高频特征。所以对辐射强度图像和偏振度图像的频率域进行不同的高斯滤波,然后进行相加融合,其具体方法步骤如下:
(3-1)辐射强度图像滤波方法:采用高斯低通滤波器H低(μ,ν)对FCX(μ,ν)滤波,使其保留A区域的低频特征,得到滤波后的红外辐射强度图像频率域FC'X(μ,ν),其中n的取值范围为:1~min(M/2,N/2),具体公式如下:
FC'X(μ,ν)=FCX(μ,ν)×H低(μ,ν)
(3-2)偏振度图像滤波方法:采用高斯高通滤波器对FCY(μ,ν)滤波,使其保留高频特征,得到滤波后的偏振度图像频率域FC'Y(μ,ν),具体公式如下:
H高(μ,ν)=1-H低(μ,ν)
FC'Y(μ,ν)=FCY(μ,ν)×H高(μ,ν)
(3-3)对滤波后的辐射强度图像和偏振度图像的频率域进行相加,获得融合图像的频率域FC(u,v),具体公式如下:
FC(u,v)=FC'X(u,v)+FC'Y(u,v)
步骤4:以频谱绝对值之和最大为判据,确定最优融合频率域。根据步骤3,对不同的n值,计算得到不同的融合频率域FCn(μ,ν),对其绝对值求和得到f(n),具体如下:
得到f(n)中的最大值f(i),此时的FCi(μ,ν)即为最优融合频率域;
步骤5:根据确定的FCi(μ,ν),先去中心化,然后计算傅里叶逆变换,得到融合后的图像R。
下面结合附图对本发明作进一步详细描述。
附图说明
图1:基于傅里叶变换的红外偏振图像融合方法框图。
图2:一幅256×256的红外辐射强度图像。
图3:一幅256×256红外偏振度图像。
图4:频率域融合分区示意图。
图5:按照本算法得到的融合图像。
具体实施方式:
下面根据附图对本发明的具体实施方式作进一步的详细说明。
图1是基于傅里叶变换的红外偏振图像融合方法的框图。
步骤1:图2为一幅256×256的红外辐射强度图像,对图2进行二维离散傅里叶变换,得到其频率域FX(μ,ν),它为复数阵列,可以表示为FX(μ,ν)=R(μ,ν)+jI(μ,ν),然后根据公式|FX(μ,ν)|=[R2(μ,ν)+I2(μ,ν)]1/2,得到其频谱图|FX(μ,ν)|。图3为一幅256×256红外偏振度图像,按照上述步骤得到FY(μ,ν)和|FY(μ,ν)|。
步骤2:然后中心化频率域FX(μ,ν)和频谱图|FX(μ,ν)|,依次得到FCX(μ,ν)和|FCX(μ,ν)|。同样中心化FY(μ,ν)和|FY(μ,ν)|,依次得到FCY(μ,ν)和|FCY(μ,ν)|。
步骤3:如图4所示,将频谱图分为A和B两区域,A区域是频谱图|FC(μ,ν)|以中心像素为中心,以n个像素为半径的圆。B是频谱中除了A以外的频谱区域。其中n为整数,对一幅256×256的图像,其取值范围为:1~128。对于A区域,因为红外辐射强度图像的低频特征信息比较丰富,所以融合后的图像的A区域应该基本上保留红外辐射强度图像的频谱特征。对于B区域,因为红外偏振度图像高频信息比较丰富,融合后的图像应该基本上保留偏振度图像的高频特征。所以对辐射强度图像和偏振度图像的频率域进行不同的高斯滤波,然后进行相加融合。其具体方法步骤如下:
(3-1)辐射强度图像滤波方法:采用高斯低通滤波器H低(μ,ν)对FCX(μ,ν)滤波,使其保留A区域的低频特征,得到滤波后的红外辐射强度图像频率域FC'X(μ,ν)。其中n的取值范围为:1~128,具体公式如下:
FC'X(μ,ν)=FCX(μ,ν)×H低(μ,ν)
(3-2)偏振度图像滤波方法:采用高斯高通滤波器对FCY(μ,ν)滤波,使其保留高频特征,得到滤波后的偏振度图像频率域FC'Y(μ,ν)。具体公式如下:
H高(μ,ν)=1-H低(μ,ν)
FC'Y(μ,ν)=FCY(μ,ν)×H高(μ,ν)
(3-3)对滤波后的辐射强度图像和偏振度图像的频率域进行相加,获得融合图像的频率域FC(u,v),具体公式如下:
FC(u,v)=FC'X(u,v)+FC'Y(u,v)
步骤4:以频谱绝对值之和最大为判据,确定最优融合频率域。根据步骤3,对不同的n值,计算得到不同的融合频率域FCn(μ,ν),对其绝对值求和得到f(n),具体如下:
得到f(n)中的最大值f(i),此时的FCi(μ,ν)即为最优融合频率域。
步骤5:根据确定的FCi(μ,ν),先去中心化,然后计算傅里叶逆变换,得到融合后的图像R,如图5所示。
Claims (1)
1.一种基于傅里叶变换的红外偏振图像融合方法,其特征在于包括以下步骤:
步骤1:对红外辐射强度图像X进行二维离散傅里叶变换,得到其频率域FX(μ,ν),它为复数阵列,可以表示为FX(μ,ν)=R(μ,ν)+jI(μ,ν),然后根据公式|FX(μ,ν)|=[R2(μ,ν)+I2(μ,ν)]1/2,得到其频谱图|FX(μ,ν)|,对红外偏振度图像Y,按照上述步骤得到FY(μ,ν)和|FY(μ,ν)|,其中图像X和图像Y大小均为M×N个像素;
步骤2:然后中心化频率域FX(μ,ν)和频谱图|FX(μ,ν)|,依次得到FCX(μ,ν)和|FCX(μ,ν)|,同样中心化FY(μ,ν)和|FY(μ,ν)|,依次得到FCY(μ,ν)和|FCY(μ,ν)|;
步骤3:将频谱图分为A和B两区域,A区域是频谱图|FC(μ,ν)|以中心像素为中心,以n个像素为半径的圆;B区域是频谱图中除了A区域以外的频谱图区域,其中n为整数,对一幅M×N的图像,其取值范围为:1~min(M/2,N/2);对于A区域,因为红外辐射强度图像的低频特征信息比较丰富,所以融合后的图像的A区域应该基本上保留红外辐射强度图像的低频特征,对于B区域,因为红外偏振度图像高频信息比较丰富,融合后的图像应该基本上保留偏振度图像的高频特征,所以对辐射强度图像和偏振度图像的频率域进行不同的高斯滤波,然后进行相加融合,其具体方法步骤如下:
(3-1)辐射强度图像滤波方法:采用高斯低通滤波器H低(μ,ν)对FCX(μ,ν)滤波,使其保留A区域的低频特征,得到滤波后的红外辐射强度图像频率域FC'X(μ,ν),其中n的取值范围为:1~min(M/2,N/2),具体公式如下:
FC'X(μ,ν)=FCX(μ,ν)×H低(μ,ν)
(3-2)偏振度图像滤波方法:采用高斯高通滤波器对FCY(μ,ν)滤波,使其保留高频特征,得到滤波后的偏振度图像频率域FC'Y(μ,ν),具体公式如下:
H高(μ,ν)=1-H低(μ,ν)
FC'Y(μ,ν)=FCY(μ,ν)×H高(μ,ν)
(3-3)对滤波后的辐射强度图像和偏振度图像的频率域进行相加,获得融合图像的频率域FC(u,v),具体公式如下:
FC(u,v)=FC'X(u,v)+FC'Y(u,v)
步骤4:以频谱绝对值之和最大为判据,确定最优融合频率域,根据步骤3,对不同的n值,计算得到不同的融合频率域FCn(μ,ν),对其绝对值求和得到f(n),具体如下:
得到f(n)中的最大值f(i),此时的FCi(μ,ν)即为最优融合频率域;
步骤5:根据确定的FCi(μ,ν),先去中心化,然后计算傅里叶逆变换,得到融合后的图像R。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310469999.XA CN103500443B (zh) | 2013-10-10 | 2013-10-10 | 一种基于傅里叶变换的红外偏振图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310469999.XA CN103500443B (zh) | 2013-10-10 | 2013-10-10 | 一种基于傅里叶变换的红外偏振图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103500443A CN103500443A (zh) | 2014-01-08 |
CN103500443B true CN103500443B (zh) | 2016-03-30 |
Family
ID=49865646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310469999.XA Active CN103500443B (zh) | 2013-10-10 | 2013-10-10 | 一种基于傅里叶变换的红外偏振图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103500443B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104580937B (zh) * | 2015-01-21 | 2017-06-27 | 中国科学院上海技术物理研究所 | 一种红外成像系统条纹噪声去除方法 |
CN108195928B (zh) * | 2017-12-19 | 2021-05-14 | 电子科技大学 | 一种基于图像融合的金属磁性材料缺陷检测装置 |
CN108961225A (zh) * | 2018-06-21 | 2018-12-07 | 重庆信息通信研究院 | 周期性纹理抑制方法以及装置 |
CN109472805B (zh) * | 2018-10-09 | 2020-10-02 | 哈工大机器人(山东)智能装备研究院 | 一种基于傅里叶变换的红外图像自适应分层方法及系统 |
CN110322423B (zh) * | 2019-04-29 | 2023-03-31 | 天津大学 | 一种基于图像融合的多模态图像目标检测方法 |
CN110503620B (zh) * | 2019-07-31 | 2023-01-06 | 茂莱(南京)仪器有限公司 | 一种基于傅立叶频谱提取的图像融合方法 |
CN111292279B (zh) * | 2020-01-17 | 2022-07-29 | 中国科学院上海技术物理研究所 | 一种基于彩色图像融合的偏振图像可视化方法 |
CN112329675B (zh) * | 2020-11-12 | 2023-04-25 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 |
CN114372948A (zh) * | 2022-01-14 | 2022-04-19 | 无锡英菲感知技术有限公司 | 图像融合方法、设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7035764B2 (en) * | 2003-05-02 | 2006-04-25 | Microsoft Corporation | System and process for tracking an object state using a particle filter sensor fusion technique |
CN101894364A (zh) * | 2010-05-31 | 2010-11-24 | 重庆大学 | 基于光学非下采样轮廓波变换的图像融合方法和装置 |
CN102289672A (zh) * | 2011-06-03 | 2011-12-21 | 天津大学 | 红外步态双信道特征融合识别方法 |
-
2013
- 2013-10-10 CN CN201310469999.XA patent/CN103500443B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7035764B2 (en) * | 2003-05-02 | 2006-04-25 | Microsoft Corporation | System and process for tracking an object state using a particle filter sensor fusion technique |
CN101894364A (zh) * | 2010-05-31 | 2010-11-24 | 重庆大学 | 基于光学非下采样轮廓波变换的图像融合方法和装置 |
CN102289672A (zh) * | 2011-06-03 | 2011-12-21 | 天津大学 | 红外步态双信道特征融合识别方法 |
Non-Patent Citations (3)
Title |
---|
Infrared target tracking based on multi-feature fusion under motion platform;YUAN Sheng-zhi et al.;《Optoelectronics Letters》;20091101;第5卷(第6期);第0459-0463页 * |
基于PHLST的红外和可见光图像融合算法;刘少鹏 等;《光子学报》;20110131;第40卷(第1期);第107-110页 * |
基于小波变换的红外偏振图像融合算法;虞文俊 等;《激光技术》;20130531;第37卷(第3期);第289-292页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103500443A (zh) | 2014-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103500443B (zh) | 一种基于傅里叶变换的红外偏振图像融合方法 | |
CN103514580B (zh) | 用于获得视觉体验优化的超分辨率图像的方法和系统 | |
CN103281559A (zh) | 视频质量检测的方法及系统 | |
CN103049906B (zh) | 一种图像深度提取方法 | |
CN104346776B (zh) | 基于Retinex理论的非线性图像增强方法及其系统 | |
CN102768760B (zh) | 一种基于图像纹理的图像快速去雾方法 | |
CN104217416A (zh) | 灰度图像处理方法及其装置 | |
CN102306378B (zh) | 一种图像增强方法 | |
KR20090091207A (ko) | 디지털 이미지들에서의 동적 범위를 부스팅하기 위한 장치 및 방법들 | |
CN104299196A (zh) | 一种图像处理装置及方法、显示设备 | |
CN102637297A (zh) | 一种基于Curvelet变换的可见光与红外图像融合方法 | |
CN105354817A (zh) | 一种噪声图像自动聚焦方法 | |
CN101493939A (zh) | 基于小波域同态滤波的检测伪造图像的方法 | |
CN103578091A (zh) | 一种基于拉普拉斯金字塔的红外偏振图像融合方法 | |
CN109447930A (zh) | 小波域光场全聚焦图像生成算法 | |
CN105809646A (zh) | 基于迭代最佳阈值法计算冻土的孔隙参数的方法及系统 | |
CN104700405A (zh) | 一种前景检测方法和系统 | |
CN106056608A (zh) | 一种图像点线缺陷检测方法及装置 | |
CN107590785A (zh) | 一种基于sobel算子的布里渊散射谱图像识别方法 | |
CN107784639A (zh) | 一种无人机遥感图像改进多边滤波去噪方法 | |
CN103065291A (zh) | 基于提升小波变换和像素区域相关性的图像融合方法 | |
CN112347992A (zh) | 一种荒漠地区时序agb遥感估算方法 | |
Junwu et al. | An infrared and visible image fusion algorithm based on LSWT-NSST | |
CN102789634A (zh) | 一种获取光照均一化图像的方法 | |
CN105550998A (zh) | 基于二代小波整数变换的图像增强方法及图像增强系统 |
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 |