CN103530853A - 红外光强图像和红外偏振图像增强融合方法 - Google Patents
红外光强图像和红外偏振图像增强融合方法 Download PDFInfo
- Publication number
- CN103530853A CN103530853A CN201310486819.9A CN201310486819A CN103530853A CN 103530853 A CN103530853 A CN 103530853A CN 201310486819 A CN201310486819 A CN 201310486819A CN 103530853 A CN103530853 A CN 103530853A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- low
- frequency
- frame
- 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.)
- Granted
Links
Images
Abstract
本发明涉及图像融合技术,具体为红外光强图像和红外偏振图像增强融合方法,解决现有红外融合图像固有的边缘区域失真、对比度低的问题。本方法按如下步骤进行:对红外光强图像和红外偏振图像分别进行支持度变换,得到低频图像和支持度序列图像;用数学形态学的顶帽变换分别提取明亮信息和黯淡信息;对明亮信息图像和黯淡信息图像增强;对两个最后一层的低频平均图像和两增强图像融合,得到低频增强融合图像;对低频增强融合图像和用取大法合成的支持度序列图像进行支持度逆变换得到最终的合成图像,该合成图像目标与背景的对比度增强,边缘区域失真低。
Description
技术领域
本发明涉及图像融合技术,具体为红外光强图像和红外偏振图像增强融合方法。
背景技术
红外成像技术具有全天候、被动式工作、抗干性强等特点,被广泛应用于军事和民用领域。传统的红外成像技术主要是利用物体的红外辐射强度来成像,得到的是红外光强图像,红外光强成像技术的飞速发展同时也推动了红外烟雾、红外隐身与伪装、红外诱饵弹、红外干扰机等红外对抗技术的发展,使得传统的红外光强成像技术面临严重挑战。而新出现的红外偏振成像与原有红外光强成像机理不同,红外偏振成像是通过对红外线的偏振度、偏振角等物理量成像,能探测到普通红外光强成像技术无法探测到的红外目标,从而大幅度提升红外对抗能力。红外偏振成像的出现,使红外成像技术从单一的光强成像向偏振态、光强两种成像发展,极大地提高了红外探测能力。研究已表明在海面油污检测、地物背景辨别、人造目标监测、医疗诊断等方面,红外偏振成像与红外光强成像具有很大的互补性,只有将两种模态图像融合,才能利于目标识别处理和人员观察、减少信息丢失,才能综合两类成像优势、满足实用需求,因而,红外光强图像和红外偏振图像融合对提高红外图像质量和目标识别具有重要意义。
有代表性的红外光强图像和红外偏振图像融合研究包括利用小波包对红外光强图像和红外偏振图像进行融合、利用支持度变换融合法对红外光强图像和红外偏振图像进行融合、利用彩色融合方法处理红外偏振图像、利用D-S证据理论融合红外偏振图像等。利用多分辨率变换进行融合被证明是一类行之有效的方法,这类变换有金字塔算法、小波包变换、支持度变换等,在各类图像融合中均取得较好效果。利用这些方法进行图像融合时,主要是把原图像分解为高频和低频图像,通过较为精细的分解以便对拥有相同或相近属性的分解图像采用同一融合规则,用这样的方法尽管可以较好地综合两幅原图像的差异信息,但仍然无法解决由于红外成像固有的边缘区域模糊、对比度低的问题,特别是在恶劣条件探测时该问题就更为突出。由于人眼在目标识别时,对对比度更为敏感,所以,在其它类型的灰度图像如可见光和红外图像融合处理中,对比度增强也有广泛需求。利用数学形态学中的顶帽变换分别从原图像中提取亮暗信息,再与原图像融合,被证明在可见光和红外图像融合中较为有效。但该方法的缺点是不仅增强效果较为有限,而且普遍存在边缘区域失真的问题,通过增加融合系数虽可以降低失真,但同时又降低了对比度,边缘区域失真与对比度提升之间存在着矛盾性,这种方法用于红外光强和红外偏振图像融合时,上述问题更为突出。
为此,需要有一种方法来专门解决红外光强图像和红外偏振图像融合中边缘区域失真和对比度低的问题。
发明内容
本发明为了解决红外光强图像和红外偏振图像融合后的图像边缘区域失真和对比度低的问题,提供了一种红外光强图像和红外偏振图像增强融合方法。
本发明是采用如下的技术方案实现的:红外光强图像和红外偏振图像增强融合方法,包括以下步骤:
红外光强图像和红外偏振图像分别用支持度变换进行分解,每幅图像都分解得到低频图像和支持度序列图像;
上述得到的两低频图像的最后一层分别用顶帽变换提取明亮信息和黯淡信息,两低频图像都分别得到明亮信息图像和黯淡信息图像,其中,明亮信息的提取方法为: ,黯淡信息的提取方法为:,式中,N=1,2,当N=1时,代表红外光强图像的低频图像的最后一层在处的像素值,当N=2时,代表红外偏振图像的低频图像的最后一层在处的像素值,表示像素值的位置,表示开运算,B是算子模版,下角标S=1,2,…m是尺度数;表示利用尺度数为S、算子模版为B在位置处提取出的像素值,即明亮信息,表示闭运算,表示利用尺度数为S、算子模版为B在位置处提取出的像素值,即黯淡信息;
对得到的明亮信息图像和黯淡信息图像分别进行灰度调整,使得与被提取的低频图像的最后一层的灰度动态范围一致,并将灰度调整后明亮信息图像用取大法融合,黯淡信息图像用取大法融合,得到增强明亮信息图像和增强黯淡信息图像;
将低频增强融合图像和采用取大法融合后的支持度序列合成图像进行支持度逆变换,得到红外光强图像和红外偏振图像的合成图像。
支持度变换是一种非采样的二值冗余变换,是在最小二乘支持向量机基础上提出的一种新的图像多尺度变换方法,支持度变换后得到的图像的支持度矩阵是与图像显示相关的信息,可以很好地表征图像的细节特征信息,且同小波变换相比具有平移不变性、不会产生振铃效应、运算速度快的优点,因此本发明优选了支持度变换分解红外图像,得到低频图像和支持度序列图像,并从低频图像中提取得到的明亮信息图像和黯淡信息图像,支持度序列图像提取的是原图像中灰度值突变的信息,通常反映的是不同尺度的目标边缘,低频图像提取的是原图像中灰度值变化较为平稳的信息,通常反映的是目标的纹理,多以区域的形式呈现,区域与区域之间的灰度差异就是对比度,所以,从低频图像提取明亮、黯淡信息最后与支持度序列图像融合时不会影响支持度序列图像提取到的边缘,这样就解决了边缘区域失真的问题,对两幅明亮信息图像和两幅黯淡信息图像分别进行灰度调整,进行灰度调整可以使得亮、暗对比度增强,因为红外图像是灰度图像,本身的对比度都不大,所以,提取到的亮、暗信息灰度值都较小,直接与原图像融合,引起的灰度值改变量相对也小,对对比度的影响自然不明显,所以,把明亮信息图像和黯淡信息图像与原低频图像灰度范围调整一致后,使得亮、暗对比度增强,再用灰度值取大法分别融合灰度调整后的两幅明亮信息图像和两幅黯淡信息图像,得到增强明亮信息图像和增强黯淡信息图像,增强明亮信息图像和增强黯淡信息图像再与低频图像进行融合得到低频增强融合图像,低频增强融合图像不仅综合了明亮信息图像和黯淡信息图像的信息,而且使得亮的信息(通常对应目标)更亮、暗的信息(通常对应背景)更暗,实现了目标与背景的对比度增强,同时通过支持度变换分解得到的支持度序列图像融合较好地保留了原图像的边缘,支持度序列图像和低频增强融合图像逆变换得到的合成图像自然不仅对比度增强了,而且边缘区域失真问题也解决了。
上述的红外光强图像和红外偏振图像增强融合方法,尺度数S取3~5,图像中的目标常常具有不同尺度,为了能综合处理图像中目标特征的形状尺寸,需要选用多尺度算子模版B,尺度数S选择的大,有利于提取更为精细的信息,但会导致运算量大和伪信息出现,尺度数S选择的小,算子模版B则不能完全提取目标特征,综合考虑尺度数S取3~5。
上述的红外光强图像和红外偏振图像增强融合方法,算子模版B选用圆盘形,提取效果好。
上述的红外光强图像和红外偏振图像增强融合方法,滤波器为高斯滤波器,且高斯滤波器窗口大小取以下之一:5×5、7×7、9×9、11×11、13×13或15×15,标准差取值范围为2~7,滤波效果好。
附图2-6为红外图像的实例,其中,图2为红外光强图像,图3为红外偏振图像,图4为SVT(支持度变换法的)融合图像,图5为顶帽变换法的融合图像,图6为本方法的融合图像;从图中可以看出,图6在整体效果上明显优于图2、图3、图4、图5所示的红外光强图像、红外偏振图像、直接用SVT融合的图像和顶帽变换法融合的图像,且各图像的相关数据对比如下表:
失真度 | 对比度 | 分形维盒子数 | 局部粗糙度5×5 | |
红外光强图像 | -- | 0.1577 | 5.8514 | 10.0752 |
红外偏振图像 | -- | 0.6259 | 6.0401 | 8.3133 |
SVT融合图像 | 0.1076 | 0.5483 | 5.9686 | 6.1922 |
顶帽变换融合图像 | 0.5853 | 0.5337 | 5.8266 | 3.4300 |
本发明的融合图像 | 0.04 | 0.6918 | 6.0464 | 9.6552 |
从表中可以看出:红外光强图像的细节信息(局部粗糙度)比红外偏振图像的多,但是红外偏振图像的目标背景对比度和纹理清晰程度(分形维盒子数)强于红外光强图像,说明二者有融合的必要。而采用本发明所述融合方法所得的融合图像的各项指标均优于SVT融合图像和顶帽变换方法融合图像,特别是在失真度和对比度方面。
附图说明
图1为本发明的流程图。
图2为红外光强图像。
图3为红外偏振图像。
图4为SVT融合图像。
图5为顶帽变换法的融合图像。
图6为本发明的融合图像。
具体实施方式
红外光强图像和红外偏振图像增强融合方法,包括以下步骤:
红外光强图像和红外偏振图像分别用支持度变换进行分解,每幅图像都分解得到低频图像和支持度序列图像;
上述得到的两低频图像的最后一层分别用顶帽变换提取明亮信息和黯淡信息,两低频图像都分别得到明亮信息图像和黯淡信息图像,其中,明亮信息的提取方法为:,黯淡信息的提取方法为:,式中,N=1,2,当N=1时,代表红外光强图像的低频图像的最后一层在处的像素值,当N=2时,代表红外偏振图像的低频图像的最后一层在处的像素值,表示像素值的位置,表示开运算,B是算子模版,下角标S=1,2,…m是尺度数;表示利用尺度数为S、算子模版为B在位置处提取出的像素值,即明亮信息,表示闭运算,表示利用尺度数为S、算子模版为B在位置处提取出的像素值,即黯淡信息;
对得到的明亮信息图像和黯淡信息图像分别进行灰度调整,使得与被提取的低频图像的最后一层的灰度动态范围一致,并将灰度调整后明亮信息图像用取大法融合,黯淡信息图像用取大法融合,得到增强明亮信息图像和增强黯淡信息图像;
将低频增强融合图像和采用取大法融合后的支持度序列合成图像进行支持度逆变换,得到红外光强图像和红外偏振图像的合成图像。
上述的红外光强图像和红外偏振图像增强融合方法,尺度数S取3~5。
上述的红外光强图像和红外偏振图像增强融合方法,算子模版B选用圆盘形。
上述的红外光强图像和红外偏振图像增强融合方法,滤波器为高斯滤波器,且高斯滤波器窗口大小取以下之一:5×5、7×7、9×9、11×11、13×13或15×15、标准差取值范围为2~7。
具体实施时,算子模版B在数学形态学中有方形、线形、圆盘形等可以选择,图像中的目标常常具有不同尺度,为了能综合处理图像中目标特征的形状尺寸,需要选用多尺度算子模版B,尺度数S选择的大,有利于提取更为精细的信息,但会导致运算量大和伪信息出现,综合考虑尺度数S不宜过大,一般取3~5即可。可用下式得到: ,然后,对提取出的各尺度的明亮信息用像素值取大法融合,得到最终的明亮信息图像;对提取出的各尺度的黯淡信息用像素值取大法融合,得到最终的黯淡信息图像;滤波时选用高斯滤波器,高斯滤波器窗口大小和标准差大小会对滤波效果产生一定的影响,窗口大滤波效果会使图像看上去更为柔和,但是同时会造成目标背景对比度下降,而标准差大同样会使图像平滑,综合两方面的因素,高斯滤波器窗口大小取以下之一:5×5、7×7、9×9、11×11、13×13、15×15,标准差取值范围2~7,效果较好。
Claims (5)
1.红外光强图像和红外偏振图像增强融合方法,其特征在于包括以下步骤:
红外光强图像和红外偏振图像分别用支持度变换进行分解,每幅图像都分解得到低频图像和支持度序列图像;
上述得到的两低频图像的最后一层分别用顶帽变换提取明亮信息和黯淡信息,两低频图像都分别得到明亮信息图像和黯淡信息图像,其中,明亮信息的提取方法为: ,黯淡信息的提取方法为:,式中,N=1,2,当N=1时,代表红外光强图像的低频图像的最后一层在处的像素值,当N=2时,代表红外偏振图像的低频图像的最后一层在处的像素值,表示像素值的位置,表示开运算,B是算子模版,下角标S=1,2,…m是尺度数;表示利用尺度数为S、算子模版为B在位置处提取出的像素值,即明亮信息,表示闭运算,表示利用尺度数为S、算子模版为B在位置处提取出的像素值,即黯淡信息;
对得到的明亮信息图像和黯淡信息图像分别进行灰度调整,使得与被提取的低频图像的最后一层的灰度动态范围一致,并将灰度调整后明亮信息图像用取大法融合,黯淡信息图像用取大法融合,得到增强明亮信息图像和增强黯淡信息图像;
将低频增强融合图像和采用取大法融合后的支持度序列合成图像进行支持度逆变换,得到红外光强图像和红外偏振图像的合成图像。
3.根据权利要求1或2所述的红外光强图像和红外偏振图像增强融合方法,其特征在于尺度数S取3~5。
4.根据权利要求1或2所述的红外光强图像和红外偏振图像增强融合方法,其特征在于算子模版B选用圆盘形。
5.根据权利要求2所述的红外光强图像和红外偏振图像增强融合方法,其特征在于滤波器为高斯滤波器,且高斯滤波器窗口大小取以下之一:5×5、7×7、9×9、11×11、13×13或15×15,标准差取值范围2~7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310486819.9A CN103530853B (zh) | 2013-10-17 | 2013-10-17 | 红外光强图像和红外偏振图像增强融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310486819.9A CN103530853B (zh) | 2013-10-17 | 2013-10-17 | 红外光强图像和红外偏振图像增强融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530853A true CN103530853A (zh) | 2014-01-22 |
CN103530853B CN103530853B (zh) | 2016-05-18 |
Family
ID=49932837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310486819.9A Expired - Fee Related CN103530853B (zh) | 2013-10-17 | 2013-10-17 | 红外光强图像和红外偏振图像增强融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530853B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729836A (zh) * | 2014-01-27 | 2014-04-16 | 中北大学 | 基于多尺度变换和可能性理论的多波段图像融合方法 |
CN104165697A (zh) * | 2014-09-01 | 2014-11-26 | 西安电子科技大学 | 针对目标红外自发辐射偏振特性进行仿真的方法 |
CN104299189A (zh) * | 2013-11-29 | 2015-01-21 | 中国航空工业集团公司洛阳电光设备研究所 | 一种用于伪装识别的中波红外图像融合方法 |
CN104899890A (zh) * | 2015-06-23 | 2015-09-09 | 上海一雅实业有限公司 | 基于偏振光成像技术的检测方法 |
CN105279747A (zh) * | 2015-11-25 | 2016-01-27 | 中北大学 | 一种多特征目标函数引导的红外偏振与光强图像融合方法 |
CN106846289A (zh) * | 2017-01-17 | 2017-06-13 | 中北大学 | 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法 |
CN107019280A (zh) * | 2017-04-26 | 2017-08-08 | 长春理工大学 | 一种基于4g通信的智能消防头盔装置 |
CN107095384A (zh) * | 2017-04-26 | 2017-08-29 | 长春理工大学 | 一种基于wifi传输的智能消防头盔装置 |
CN108040243A (zh) * | 2017-12-04 | 2018-05-15 | 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 |
CN108460750A (zh) * | 2018-04-03 | 2018-08-28 | 中国人民解放军国防科技大学 | 一种水面背景下舰船目标长波红外图像增强方法 |
CN109166220A (zh) * | 2018-09-26 | 2019-01-08 | 深圳万智联合科技有限公司 | 一种基于区块链的智能门禁系统 |
CN109345788A (zh) * | 2018-09-26 | 2019-02-15 | 国网安徽省电力有限公司铜陵市义安区供电公司 | 一种基于视觉特征的监控预警系统 |
CN109398306A (zh) * | 2018-09-26 | 2019-03-01 | 广州市花林景观工程有限公司 | 一种无人驾驶汽车 |
CN109398310A (zh) * | 2018-09-26 | 2019-03-01 | 深圳万智联合科技有限公司 | 一种无人驾驶汽车 |
CN112927166A (zh) * | 2021-03-23 | 2021-06-08 | 电子科技大学 | 一种基于相位修正的红外偏振角图像联合降噪方法及装置 |
CN113674192A (zh) * | 2021-08-24 | 2021-11-19 | 燕山大学 | 红外视频图像与可见光视频图像融合方法、系统及装置 |
CN114926374A (zh) * | 2022-07-21 | 2022-08-19 | 四川新迎顺信息技术股份有限公司 | 一种基于ai的图像处理方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533507A (zh) * | 2009-04-24 | 2009-09-16 | 西安电子科技大学 | 一种自适应的图像强纹理水印方法 |
CN102184534A (zh) * | 2011-05-25 | 2011-09-14 | 北京航空航天大学 | 一种利用多尺度高帽选择变换的图像融合方法 |
CN102289806A (zh) * | 2011-06-21 | 2011-12-21 | 北京航空航天大学 | 一种利用多尺度形态学特征的图像清晰度度量方法 |
CN103093448A (zh) * | 2013-01-24 | 2013-05-08 | 中北大学 | 双色中波红外图像变换域多规则融合方法 |
-
2013
- 2013-10-17 CN CN201310486819.9A patent/CN103530853B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533507A (zh) * | 2009-04-24 | 2009-09-16 | 西安电子科技大学 | 一种自适应的图像强纹理水印方法 |
CN102184534A (zh) * | 2011-05-25 | 2011-09-14 | 北京航空航天大学 | 一种利用多尺度高帽选择变换的图像融合方法 |
CN102289806A (zh) * | 2011-06-21 | 2011-12-21 | 北京航空航天大学 | 一种利用多尺度形态学特征的图像清晰度度量方法 |
CN103093448A (zh) * | 2013-01-24 | 2013-05-08 | 中北大学 | 双色中波红外图像变换域多规则融合方法 |
Non-Patent Citations (2)
Title |
---|
李伟伟等: "红外偏振与红外光强图像的伪彩色融合研究", 《红外技术》 * |
李郁峰等: "基于多尺度top-hat分解的红外与可见光图像增强融合", 《红外与激光工程》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299189A (zh) * | 2013-11-29 | 2015-01-21 | 中国航空工业集团公司洛阳电光设备研究所 | 一种用于伪装识别的中波红外图像融合方法 |
CN103729836B (zh) * | 2014-01-27 | 2016-05-11 | 中北大学 | 基于多尺度变换和可能性理论的多波段图像融合方法 |
CN103729836A (zh) * | 2014-01-27 | 2014-04-16 | 中北大学 | 基于多尺度变换和可能性理论的多波段图像融合方法 |
CN104165697A (zh) * | 2014-09-01 | 2014-11-26 | 西安电子科技大学 | 针对目标红外自发辐射偏振特性进行仿真的方法 |
CN104165697B (zh) * | 2014-09-01 | 2016-02-10 | 西安电子科技大学 | 针对目标红外自发辐射偏振特性进行仿真的方法 |
CN104899890A (zh) * | 2015-06-23 | 2015-09-09 | 上海一雅实业有限公司 | 基于偏振光成像技术的检测方法 |
CN105279747B (zh) * | 2015-11-25 | 2018-09-14 | 中北大学 | 一种多特征目标函数引导的红外偏振与光强图像融合方法 |
CN105279747A (zh) * | 2015-11-25 | 2016-01-27 | 中北大学 | 一种多特征目标函数引导的红外偏振与光强图像融合方法 |
CN106846289A (zh) * | 2017-01-17 | 2017-06-13 | 中北大学 | 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法 |
CN106846289B (zh) * | 2017-01-17 | 2019-08-23 | 中北大学 | 一种红外光强与偏振图像融合方法 |
CN107019280A (zh) * | 2017-04-26 | 2017-08-08 | 长春理工大学 | 一种基于4g通信的智能消防头盔装置 |
CN107095384A (zh) * | 2017-04-26 | 2017-08-29 | 长春理工大学 | 一种基于wifi传输的智能消防头盔装置 |
CN107095384B (zh) * | 2017-04-26 | 2023-11-24 | 左志权 | 一种基于wifi传输的智能消防头盔装置 |
CN108040243A (zh) * | 2017-12-04 | 2018-05-15 | 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 |
CN108460750A (zh) * | 2018-04-03 | 2018-08-28 | 中国人民解放军国防科技大学 | 一种水面背景下舰船目标长波红外图像增强方法 |
CN109398306A (zh) * | 2018-09-26 | 2019-03-01 | 广州市花林景观工程有限公司 | 一种无人驾驶汽车 |
CN109398310A (zh) * | 2018-09-26 | 2019-03-01 | 深圳万智联合科技有限公司 | 一种无人驾驶汽车 |
CN109345788A (zh) * | 2018-09-26 | 2019-02-15 | 国网安徽省电力有限公司铜陵市义安区供电公司 | 一种基于视觉特征的监控预警系统 |
CN109166220A (zh) * | 2018-09-26 | 2019-01-08 | 深圳万智联合科技有限公司 | 一种基于区块链的智能门禁系统 |
CN112927166A (zh) * | 2021-03-23 | 2021-06-08 | 电子科技大学 | 一种基于相位修正的红外偏振角图像联合降噪方法及装置 |
CN112927166B (zh) * | 2021-03-23 | 2023-02-03 | 电子科技大学 | 一种基于相位修正的红外偏振角图像联合降噪方法及装置 |
CN113674192A (zh) * | 2021-08-24 | 2021-11-19 | 燕山大学 | 红外视频图像与可见光视频图像融合方法、系统及装置 |
CN113674192B (zh) * | 2021-08-24 | 2024-02-02 | 燕山大学 | 红外视频图像与可见光视频图像融合方法、系统及装置 |
CN114926374A (zh) * | 2022-07-21 | 2022-08-19 | 四川新迎顺信息技术股份有限公司 | 一种基于ai的图像处理方法、装置、设备及可读存储介质 |
CN114926374B (zh) * | 2022-07-21 | 2022-10-11 | 四川新迎顺信息技术股份有限公司 | 一种基于ai的图像处理方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103530853B (zh) | 2016-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530853B (zh) | 红外光强图像和红外偏振图像增强融合方法 | |
CN108376391A (zh) | 一种智能化红外图像场景增强方法 | |
Zhu et al. | Fusion of infrared-visible images using improved multi-scale top-hat transform and suitable fusion rules | |
CN106960428A (zh) | 可见光和红外双波段图像融合增强方法 | |
CN109636766A (zh) | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 | |
CN104036455B (zh) | 基于二代小波的红外图像细节增强方法 | |
Bhatnagar et al. | An image fusion framework based on human visual system in framelet domain | |
CN104484652A (zh) | 一种指纹识别方法 | |
Hsieh et al. | Fast and robust infrared image small target detection based on the convolution of layered gradient kernel | |
CN103489168A (zh) | 一种红外图像自适应转伪彩增强方法及系统 | |
Patel et al. | A review on infrared and visible image fusion techniques | |
Cai et al. | Perception preserving decolorization | |
Wei et al. | An image fusion dehazing algorithm based on dark channel prior and retinex | |
Guo et al. | Multifeature extracting CNN with concatenation for image denoising | |
Valliammal et al. | A hybrid method for enhancement of plant leaf recognition | |
Amalorpavam et al. | Analysis of Digital Images Using Morphlogical Operations | |
Yang et al. | Infrared and visible image fusion based on QNSCT and Guided Filter | |
Hsu et al. | Region-based image fusion with artificial neural network | |
Chen et al. | The image process technologies in face recognition | |
Chen et al. | Illumination adjustment for bridge coating images using BEMD-Morphology Approach (BMA) | |
CN109584192A (zh) | 基于多光谱融合的目标特征增强方法、装置与电子设备 | |
Cao et al. | A License Plate Image Enhancement Method in Low Illumination Using BEMD. | |
Kaur et al. | Salient infrared target and visible image fusion based on morphological segmentation | |
Cai et al. | Fusion of infrared and visible image based on HIS and wavelet transform | |
Liu et al. | Adaptive depth map-based retinex for image defogging |
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 |
Granted publication date: 20160518 Termination date: 20161017 |
|
CF01 | Termination of patent right due to non-payment of annual fee |