CN105913408B - 一种基于双边滤波器的多聚焦图像融合方法 - Google Patents
一种基于双边滤波器的多聚焦图像融合方法 Download PDFInfo
- Publication number
- CN105913408B CN105913408B CN201610224996.3A CN201610224996A CN105913408B CN 105913408 B CN105913408 B CN 105913408B CN 201610224996 A CN201610224996 A CN 201610224996A CN 105913408 B CN105913408 B CN 105913408B
- Authority
- CN
- China
- Prior art keywords
- image
- source images
- layer
- algorithm
- weight
- 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 21
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 238000002156 mixing Methods 0.000 claims abstract description 25
- 230000002146 bilateral effect Effects 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 229910000673 Indium arsenide Inorganic materials 0.000 claims 4
- RPQDHPTXJYYUPQ-UHFFFAOYSA-N indium arsenide Chemical compound [In]#[As] RPQDHPTXJYYUPQ-UHFFFAOYSA-N 0.000 claims 4
- 230000004075 alteration Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 230000004927 fusion Effects 0.000 description 36
- 235000002566 Capsicum Nutrition 0.000 description 16
- 239000006002 Pepper Substances 0.000 description 16
- 241000722363 Piper Species 0.000 description 16
- 235000016761 Piper aduncum Nutrition 0.000 description 16
- 235000017804 Piper guineense Nutrition 0.000 description 16
- 235000008184 Piper nigrum Nutrition 0.000 description 16
- 238000007500 overflow downdraw method Methods 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于双边滤波器的多聚焦图像融合方法。本发明步骤:首先,将源图像进行分解,得到基本层与边缘层,然后,融合策略方面引入双边滤波算法分别确定基本层与边缘层的融合权值,以充分利用基本层与边缘层的空间连续性。最后将融合后的基本层与边缘层相加得到最终的融合图像。本发明提出的多聚焦图像融合方法在保留图像信息的同时具有较好的边缘保持效果,能取得良好的主观效果与较高的客观指标。
Description
技术领域
本发明属于图像处理技术领域,涉及图像融合技术,具体地说是一种基于双边滤波器的多聚焦图像融合方法。
背景技术
图像融合在图像处理和特征提取以及目标识别等计算机视觉应用中是一项很重要的技术。通过图像融合将同一场景的两幅或者多幅图像合成一幅新的图像,融合后的新图像能够整合各个图像的互补优势,提供场景更加全面、可靠的图像信息,从而有利于对场景和目标的识别和定位,同时也有利于机器感知。
目前出现了很多图像融合算法,主要分为基于空间域的图像融合与基于变换域的图像融合。基于空间域的方法主要依据图像像素的空间特征信息对图像进行融合处理。由于单像素无法表示图像空间特征信息,一般采用分块的方法。这种方法对于区域细节丰富的图像有较好的处理效果,但是对平坦区域的处理容易造成误判,产生严重的块效应。基于变换域的方法是将图像进行某种变换,然后进行融合处理。例如小波变换有良好的时域和频域局部特性以及多分辨特性;曲线波(curvelet)变换能够很好的对封闭曲线进行逼近;轮廓波(contourlet)变换继承了曲线波变换的各向异性尺度关系;剪切波(shearlet)变换在频率域上具有紧支撑性,局部特性较好等。基于变换域的方法很大程度上可以解决空间域算法中块效应的问题,但因为多尺度下对应融合系数的来源不一致而产生伪 Gibbs 现象,使图像边缘出现虚假轮廓,纹理等人工效应。
为了更好的解决融合图像的块效应与模糊问题,多尺度分解图像融合算法不断的提出。虽然这些算法能够解决融合图像的块效应,很好的保护源图像的细节,但是没有考虑到图像的空间一致性使得融合图像亮度跟颜色的失真。为了充分利用图像空间关系,基于最优化的图形融合算法以及基于马尔科夫随机场的图像融合算法得以提出,这些算法通过能量函数估计空间平滑,边缘均衡和像素值的加权平均融合不同的图像。但是这些算法需要迭代很多次来找到全局最优解,因此效率很低。
发明内容
本发明针对上述已有技术的缺点,提出了一种基于双边滤波器的多聚焦图像融合方法,该方法体现了源图像中的空间细节特征,具有良好的边缘保持特性,失真小,为融合图像提供了更加丰富的信息。
本发明通过以下方案实现:
步骤一、对源图像 进行单尺度图像分解,得到基本层图像和中间层图像;
步骤二、由基本层图像和中间层图像得到边缘层图像,即;
步骤三、对基本层图像进一步处理,得到基本层与边缘层用于融合的权重与;
步骤四、利用权重与,对基本层图像与边缘层图像相加得到最终融合图像;
步骤五、利用遗传算法对求权重用到的双边滤波器参数和进行优化。
本发明与现有图像融合方法相比,具有如下优点:
1、本发明利用高通滤波器和双边滤波器将原始输入图像进行分解,简单且快速地将图像分为基本层与边缘层。更重要的是,将双边滤波用于确定基本层与边缘层的权重,从而加强了相邻像素之间的空间一致性来代替传统的权重最优化,从而具有良好的边缘保持特性,失真小;
2、本发明提出的算法具有较强的鲁棒性,针对各种输入源,且具有较小的时间空间复杂度,使其能够用于实时性。
附图说明
图1是本发明像融合流程图;
图2是优化选择双边滤波参数的流程图;
图3是优化选择双边滤波参数的染色体编码;
图4是多聚焦图像的源图像和本发明与现有五种融合方法对多聚焦Clock图像进行融合的结果图;
图5是多聚焦图像的源图像和本发明与现有五种融合方法对多聚焦Clock图像进行融合的结果的局部放大图;
图6是多聚焦图像的源图像和本发明与现有五种融合方法对多聚焦Lab图像进行融合的结果图;
图7是多聚焦图像的源图像和本发明与现有五种融合方法对多聚焦Lab图像进行融合的结果的局部放大图;
图8是多聚焦图像的源图像和本发明与现有五种融合方法对多聚焦Book图像进行融合的结果图;
图9是多聚焦图像的源图像和本发明与现有五种融合方法对多聚焦Book图像进行融合的结果的局部放大图;
图10是多聚焦图像的源图像和本发明与现有五种融合方法对多聚焦Pepper图像进行融合的结果图;
图11是多聚焦图像的源图像和本发明与现有五种融合方法对多聚焦Pepper图像进行融合的结果的局部放大图;
图12是多聚焦图像的源图像和本发明与现有五种融合方法对多聚焦Grayset图像进行融合的结果图;
图13是多聚焦图像的源图像和本发明与现有五种融合方法对多聚焦Grayset图像进行融合的结果的局部放大图。
具体实施方式
结合图1,根据本发明的一个方面,本发明的具体实现步骤如下:
步骤一、对源图像进行单尺度图像分解,得到基本层图像和中间层图像:
1)将第幅源图像通过拉普拉斯高通滤波器进行滤波,得到第幅源图像的滤波图像:
;
2)通过对滤波图像的绝对值进行低通滤波得到源图像的基本层,如下式所示:
,
式中表示低通滤波器的滤波函数,滤波窗口大小为,且与均设为5;
3)将源图像本身作为双边滤波的引导图像,对源图像进行双边滤波得到中间层图像,第个输入图像的中间层图像如下式所示:
,
式中为滤波半径,为标准差参数。
步骤二、由基本层图像和中间层图像得到边缘层图像,即。
步骤三、对基本层图像进一步处理,得到基本层与边缘层用于融合的权重与:
1)通过基本层得到源图像的权重层,如下式所示:
,
式中为第幅源图像中第个像素点的细节反映水平;
2)将权重层与源图像作为双边滤波的输入,得到基本层对应的权重,其中作为引导图像,为输入图像,如下式所示:
,
式中为双边滤波器参数;
3)将权重层与源图像作为双边滤波的输入,得到边缘层对应的权重,其中作为引导图像,为输入图像,如下式所示:
,
式中为双边滤波器参数。
步骤四、利用权重与,对基本层图像与边缘层图像相加得到最终融合图像:
1)求取基本层的融合图像:;
2)求取边缘层的融合图像:;
3)将基本层融合图像与边缘层融合图像相加得到最终的融合图像:。
步骤五、利用遗传算法对求权重用到的双边滤波器参数和进行优化:
1)编码
对于高斯半径采用二进制编码,对标准差参数采用实数编码,将这两种编码排列在一起,其染色体的组成如说明书附图中图3所示;
2)交叉和变异
采用经典的均匀交叉(Uniform Crossover)和基本位变异操作;
3)适应度函数
适应度函数的选择关系到融合后的图像质量,以得到的最终融合图像的互信息量(),边缘强度(),空间结构相似度()为标准来确定适应度函数的基本原则,最终的适应度函数可表示为三个指标的加权组合,其中,
,
式中表示图像R、F灰度的联合概率密度分布,和分别表示图像 、 中灰度的概率密度分布,
,
式中 、 为图像宽和高,为像素点的值,为sobel算子矩阵,为其转置,为3×3矩阵,
,
式中和分别为从源图像和到融合图像的边缘信息保留值,权值和通常为一个关于边缘强度的函数,适应度函数如下式所示:
,
式中的加权系数,考虑到三个指标的值差异较大,选择来降低三个指标的数值差距;
4)选择
根据各个个体的适应度值计算选择概率,如下式所示:
,
根据计算出的概率分布,结合采用轮盘赌和精英选择法,满足条件则选入下一代,形成新种群;
5)终止条件
表1 遗传算法的参数设置
收敛的条件设为:达到最大允许迭代次数或者收敛容许误差小于给定阈值时终止,具体参数设置如上表所示,当算法满足设定的收敛判断条件时,算法终止。
本发明的效果可以通过仿真实验具体说明:
1.实验条件
本文算法的测试环境为:Intel(R) Core(TM)i5-2500K CPU @ 3.3GHz 3.29GHz,2.99GB的内存,Matlab 2012a。选取了左聚焦和右聚焦图像进行融合,即上述的幅源图像的等于2,大小为512x512。第一组是Clock图像,如图4(a)和4(b),其中图4(a)是Clock图像左聚焦源图像,图4(b)是Clock图像右聚焦源图像;第二组是Lab图像,如图6(a)和6(b),其中图6(a)是Lab图像左聚焦源图像,图6(b)是Lab图像右聚焦源图像;第三组是Book图像,如图8(a)和8(b),其中图8(a)是Book图像左聚焦源图像,图8(b)是Book图像右聚焦源图像;第四组是Pepper图像,如图10(a)和10(b),其中图10(a)是Pepper图像左聚焦源图像,图10(b)是Pepper图像右聚焦源图像;第五组是Grayset图像,如图12(a)和12(b),其中图12(a)是Grayset图像左聚焦源图像,图12(b)是Grayset图像右聚焦源图像。
2.实验内容
图4(c)为基于块分割和离散余弦变换结合算法对Clock图像融合结果图,图4(d)为基于非采样轮廓波的算法对Clock图像融合结果图,图4(e)为基于双树复小波变换的算法对Clock图像融合结果图,图4(f)为基于移不变小波算法对Clock图像融合结果图,图4(g)为基于多尺度导引滤波的图像融合对Clock图像结果图,图4(h)为本发明算法对Clock图像融合结果图。
图5(a)为基于块分割和离散余弦变换结合算法对Clock图像融合结果的局部放大图,图5(b)为基于非采样轮廓波的算法对Clock图像融合结果的局部放大图,图5(c)为基于双树复小波变换的算法对Clock图像融合结果的局部放大图,图5(d)为基于移不变小波算法对Clock图像融合结果的局部放大图,图5(e)为基于多尺度导引滤波的图像融合对Clock图像结果的局部放大图,图5(f)为本发明算法对Clock图像融合结果的局部放大图。
图6(c)为基于块分割和离散余弦变换结合算法对Lab融合结果图,图6(d)为基于非采样轮廓波的算法对Lab融合结果图,图6(e)为基于双树复小波变换的算法对Lab融合结果图,图6(f)为基于移不变小波算法对Lab融合结果图,图6(g)为基于多尺度导引滤波的图像融合对Lab图像结果图,图6(h)为本发明算法对Lab融合结果图。
图7(a)为基于块分割和离散余弦变换结合算法对Lab图像融合结果的局部放大图,图7(b)为基于非采样轮廓波的算法对Lab图像融合结果的局部放大图,图7(c)为基于双树复小波变换的算法对Lab图像融合结果的局部放大图,图7(d)为基于移不变小波算法对Lab图像融合结果的局部放大图,图7(e)为基于多尺度导引滤波的图像融合对Lab图像结果的局部放大图,图7(f)为本发明算法对Lab图像融合结果的局部放大图。
图8(c)为基于块分割和离散余弦变换结合算法对Book融合结果图,图8(d)为基于非采样轮廓波的算法对Book融合结果图,图8(e)为基于双树复小波变换的算法对Book融合结果图,图8(f)为基于移不变小波算法对Book融合结果图,图8(g)为基于多尺度导引滤波的图像融合对Book图像结果图,图8(h)为本发明算法对Book融合结果图。
图9(a)为基于块分割和离散余弦变换结合算法对Book图像融合结果的局部放大图,图9(b)为基于非采样轮廓波的算法对Book图像融合结果的局部放大图,图9(c)为基于双树复小波变换的算法对Book图像融合结果的局部放大图,图9(d)为基于移不变小波算法对Book图像融合结果的局部放大图,图9(e)为基于多尺度导引滤波的图像融合对Book图像结果的局部放大图,图9(f)为本发明算法对Book图像融合结果的局部放大图。
图10(c)为基于块分割和离散余弦变换结合算法对Pepper融合结果图,图10(d)为基于非采样轮廓波的算法对Pepper融合结果图,图10(e)为基于双树复小波变换的算法对Pepper融合结果图,图10(f)为基于移不变小波算法对Pepper融合结果图,图10(g)为基于多尺度导引滤波的图像融合对Pepper图像结果图,图10(h)为本发明算法对Pepper融合结果图。
图11(a)为基于块分割和离散余弦变换结合算法对Pepper图像融合结果的局部放大图,图11(b)为基于非采样轮廓波的算法对Pepper图像融合结果的局部放大图,图11(c)为基于双树复小波变换的算法对Pepper图像融合结果的局部放大图,图11(d)为基于移不变小波算法对Pepper图像融合结果的局部放大图,图11(e)为基于多尺度导引滤波的图像融合对Pepper图像结果的局部放大图,图11(f)为本发明算法对Pepper图像融合结果的局部放大图。
图12(c)为基于块分割和离散余弦变换结合算法对Grayset融合结果图,图12(d)为基于非采样轮廓波的算法对Grayset融合结果图,图12(e)为基于双树复小波变换的算法对Grayset融合结果图,图12(f)为基于移不变小波算法对Grayset融合结果图,图12(g)为基于多尺度导引滤波的图像融合对Grayset图像结果图,图12(h)为本发明算法对Grayset融合结果图。
图13(a)为基于块分割和离散余弦变换结合算法对Grayset图像融合结果的局部放大图,图13(b)为基于非采样轮廓波的算法对Grayset图像融合结果的局部放大图,图13(c)为基于双树复小波变换的算法对Grayset图像融合结果的局部放大图,图13(d)为基于移不变小波算法对Grayset图像融合结果的局部放大图,图13(e)为基于多尺度导引滤波的图像融合对Grayset图像结果的局部放大图,图13(f)为本发明算法对Grayset图像融合结果的局部放大图。
3.实验结果
本发明的融合方法与基于块分割和离散余弦变换结合算法,基于非采样轮廓波的融合算法,基于双树复小波变换的融合算法,基于移不变小波融合算法以及基于多尺度导引滤波的图像融合算法在五组多聚焦图像上的客观评价指标如表2所示。
表2 不同算法的客观指标对比
互信息量():互信息量越大,意味着融合图像从原图像中继承的信息就越多,融合效果越理想。
边缘强度():边缘强度值越大表示融合图像越多的保留了源图像边缘信息,融合的效果越好。
空间结构相似度():值越大表示融合图像越多的保留了源图像中的边缘,方差等结构化信息。
从表2数据可见:在性能指标上,本发明方法在互信息量,边缘强度,空间结构相似度三个指标上,多数情况下要比另外五个对比算法好,优势更加突出,并且差异还比较明显。从实验结果表明,本发明方法在保留光谱信息的同时具有较好的边缘保持效果,失真小,取得了良好的主观效果与较高的客观指标。
Claims (2)
1.一种基于双边滤波器的多聚焦图像融合方法,所述方法至少包括以下步骤:
步骤一、对源图像In进行单尺度图像分解,得到基本层图像Bn和中间层图像En;
步骤二、由基本层图像Bn和中间层图像En得到边缘层图像Dn,即Dn=|Bn-En|;
步骤三、对基本层图像Bn进一步处理,得到基本层与边缘层用于融合的权重与
步骤四、利用权重与对基本层图像Bn与边缘层图像Dn相加得到最终融合图像;
步骤五、利用遗传算法对求权重用到的双边滤波器参数r1,ε1,δ1和r2,ε2,δ2进行优化;
步骤一具体包括:
1)将第n幅源图像In通过拉普拉斯高通滤波器进行滤波,得到第n幅源图像In的滤波图像Hn:
2)通过对滤波图像Hn的绝对值进行低通滤波得到源图像In的基本层,如下式所示:
Bn=|Hn|×g(rg,σg),
式中g(rg,σg)表示低通滤波器的滤波函数,滤波窗口大小为(2rg+1)(2rg+1),且rg与σg均设为5;
3)将源图像In本身作为双边滤波的引导图像,对源图像In进行双边滤波得到中间层图像En,第n个输入图像的中间层图像En如下式所示:
En=BFr,ε,σ(In,In),
式中r为滤波半径,(ε,δ)为标准差参数;
步骤三具体包括:
1)通过基本层Bn得到源图像的权重层Pn,如下式所示:
式中为第n幅源图像中第k个像素点的细节反映水平;
2)将权重层Pn与源图像In作为双边滤波的输入,得到基本层对应的权重,其中In作为引导图像,Pn为输入图像,如下式所示:
式中r1,ε1,δ1为双边滤波器参数;
3)将权重层Pn与源图像In作为双边滤波的输入,得到边缘层对应的权重,其中In作为引导图像,Pn为输入图像,如下式所示:
式中r2,ε2,δ2为双边滤波器参数;
步骤四具体包括:
1)求取基本层的融合图像
2)求取边缘层的融合图像
3)将基本层融合图像与边缘层融合图像相加得到最终的融合图像F:
2.根据权利要求1所述的一种基于双边滤波器的多聚焦图像融合方法,其特征在于双边滤波器参数优化的过程,至少还包括:
参数优化是对求权重过程中所用到的两个双边滤波器的参数r1,ε1,δ1和r2,ε2,δ2进行优化,利用遗传算法寻找最优的双边滤波器参数:
1)编码
对于高斯半径r采用二进制编码,对标准差参数ε,δ采用实数编码,将这两种编码排列在一起,具体排列方式为01-r1-0ε1δ101-r2-0ε2δ2;
2)交叉和变异
采用经典的均匀交叉(Uniform Crossover)和基本位变异操作;
3)适应度函数
适应度函数的选择关系到融合后的图像质量,以得到的最终融合图像的互信息量MI,边缘强度Edge,空间结构相似度QABF为标准来确定适应度函数的基本原则,最终的适应度函数Fit可表示为三个指标的加权组合,如下式所示:
Fit=αMI+βEdge+λQabf,
式中的加权系数0<(α,β)<1,0<λ<10,考虑到三个指标的值差异较大,选择α=0.5,β=0.2,λ=5来降低三个指标的数值差距;
4)选择
根据各个个体的适应度值计算选择概率,如下式所示:
根据计算出的概率分布,结合采用轮盘赌和精英选择法,满足条件则选入下一代,形成新种群;
5)终止条件
收敛的条件设为:达到最大允许迭代次数或者收敛容许误差小于给定阈值时终止,具体参数如下:
GA种群数量为20;GA交叉率为0.85;GA变异率为0.01;精英数量为5;最大容许迭代次数为500;适应度函数参数为0.5、0.2、5;
当算法满足设定的收敛判断条件时,算法终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610224996.3A CN105913408B (zh) | 2016-04-12 | 2016-04-12 | 一种基于双边滤波器的多聚焦图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610224996.3A CN105913408B (zh) | 2016-04-12 | 2016-04-12 | 一种基于双边滤波器的多聚焦图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913408A CN105913408A (zh) | 2016-08-31 |
CN105913408B true CN105913408B (zh) | 2019-03-01 |
Family
ID=56746016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610224996.3A Expired - Fee Related CN105913408B (zh) | 2016-04-12 | 2016-04-12 | 一种基于双边滤波器的多聚焦图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913408B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803093A (zh) * | 2016-12-06 | 2017-06-06 | 同济大学 | 一种基于叶片纹理特征和iOS平台的植物物种识别方法 |
CN106780420B (zh) * | 2016-12-08 | 2019-05-24 | 无锡赛默斐视科技有限公司 | 基于图像引导滤波器的彩色图像融合算法 |
CN107680070B (zh) * | 2017-09-15 | 2020-08-11 | 电子科技大学 | 一种基于原始图像内容的分层权重图像融合方法 |
CN108230282A (zh) * | 2017-11-24 | 2018-06-29 | 洛阳师范学院 | 一种基于agf的多聚焦图像融合方法及系统 |
CN108564559B (zh) * | 2018-03-14 | 2021-07-20 | 北京理工大学 | 一种基于两尺度聚焦图的多聚焦图像融合方法 |
CN108830819B (zh) * | 2018-05-23 | 2021-06-18 | 青柠优视科技(北京)有限公司 | 一种深度图像与红外图像的图像融合方法及装置 |
CN112703530B (zh) * | 2018-11-15 | 2024-05-28 | 深圳市欢太科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN110648302B (zh) * | 2019-10-08 | 2022-04-12 | 太原科技大学 | 基于边缘增强引导滤波的光场全聚焦图像融合方法 |
CN114331937B (zh) * | 2021-12-27 | 2022-10-25 | 哈尔滨工业大学 | 基于反馈迭代调节的低光照条件下多源图像融合方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036481A (zh) * | 2014-06-26 | 2014-09-10 | 武汉大学 | 一种基于深度信息提取的多聚焦图像融合方法 |
CN104200452A (zh) * | 2014-09-05 | 2014-12-10 | 西安电子科技大学 | 基于谱图小波变换的红外与可见光图像融合方法及其装置 |
CN105279746A (zh) * | 2014-05-30 | 2016-01-27 | 西安电子科技大学 | 一种基于双边滤波的多曝光图像融合方法 |
CN105654448A (zh) * | 2016-03-29 | 2016-06-08 | 微梦创科网络科技(中国)有限公司 | 一种基于双边滤波及权值重建的图像融合方法及系统 |
-
2016
- 2016-04-12 CN CN201610224996.3A patent/CN105913408B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279746A (zh) * | 2014-05-30 | 2016-01-27 | 西安电子科技大学 | 一种基于双边滤波的多曝光图像融合方法 |
CN104036481A (zh) * | 2014-06-26 | 2014-09-10 | 武汉大学 | 一种基于深度信息提取的多聚焦图像融合方法 |
CN104200452A (zh) * | 2014-09-05 | 2014-12-10 | 西安电子科技大学 | 基于谱图小波变换的红外与可见光图像融合方法及其装置 |
CN105654448A (zh) * | 2016-03-29 | 2016-06-08 | 微梦创科网络科技(中国)有限公司 | 一种基于双边滤波及权值重建的图像融合方法及系统 |
Non-Patent Citations (3)
Title |
---|
Image fusion with guided filtering;Shutao Li等;《IEEE Transactions on Image Processing》;20130731;第22卷(第7期);第2865-2867页 |
Kalman Filtering Parameter Optimization Techniques Based on Genetic Algorithm;Jianguo Yan等;《Proceedings of the IEEE International Conference on Automation and Logistics》;20080930;第1719页 |
基于双边滤波的多尺度图像融合;吴川;《计算机工程与应用》;20140731;第51卷(第1期);第33页 |
Also Published As
Publication number | Publication date |
---|---|
CN105913408A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913408B (zh) | 一种基于双边滤波器的多聚焦图像融合方法 | |
CN107154023B (zh) | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 | |
CN110191299B (zh) | 一种基于卷积神经网络的多重帧插值方法 | |
Tang et al. | Pixel convolutional neural network for multi-focus image fusion | |
Wang et al. | Learning super-resolution jointly from external and internal examples | |
Hole et al. | Application of genetic algorithm for image enhancement and segmentation | |
CN110189286B (zh) | 一种基于ResNet的红外与可见光图像融合方法 | |
CN104067311A (zh) | 数字化妆 | |
CN108921942B (zh) | 对图像进行2d转制3d的方法及装置 | |
CN111488938B (zh) | 一种基于两步可切换归一化深度神经网络的图像匹配方法 | |
CN113313663B (zh) | 基于零样本学习的多聚焦图像融合方法 | |
Lei et al. | NITES: A non-parametric interpretable texture synthesis method | |
Li et al. | Image super-resolution reconstruction based on multi-scale dual-attention | |
Liu et al. | WSDS-GAN: A weak-strong dual supervised learning method for underwater image enhancement | |
Tang et al. | HTC-Net: A hybrid CNN-transformer framework for medical image segmentation | |
Oza et al. | Semi-supervised image-to-image translation | |
Li et al. | FA-GAN: A feature attention GAN with fusion discriminator for non-homogeneous dehazing | |
Wang et al. | Single neuron segmentation using graph-based global reasoning with auxiliary skeleton loss from 3D optical microscope images | |
CN115330759B (zh) | 一种基于豪斯多夫距离计算距离损失的方法及装置 | |
CN107705274A (zh) | 一种基于数学形态学多尺度的微光与红外图像融合方法 | |
CN110298807A (zh) | 基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法 | |
CN110569763A (zh) | 一种用于细粒度人脸识别的眼镜去除方法 | |
CN115375579A (zh) | 基于多支路金字塔大核卷积网络的海上图像去雾方法 | |
Cao et al. | A new method for image super-resolution with multi-channel constraints | |
Wang et al. | Single image super-resolution via adaptive dictionary pair learning for wireless capsule endoscopy image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20190301 |