CN106384341B - 一种基于目标极化辐射特性的毫米波被动图像增强方法 - Google Patents

一种基于目标极化辐射特性的毫米波被动图像增强方法 Download PDF

Info

Publication number
CN106384341B
CN106384341B CN201610817207.7A CN201610817207A CN106384341B CN 106384341 B CN106384341 B CN 106384341B CN 201610817207 A CN201610817207 A CN 201610817207A CN 106384341 B CN106384341 B CN 106384341B
Authority
CN
China
Prior art keywords
target
image
nsct
millimeter wave
background
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
Application number
CN201610817207.7A
Other languages
English (en)
Other versions
CN106384341A (zh
Inventor
吴礼
任天宇
朱嘉祺
张竣昊
彭树生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201610817207.7A priority Critical patent/CN106384341B/zh
Publication of CN106384341A publication Critical patent/CN106384341A/zh
Application granted granted Critical
Publication of CN106384341B publication Critical patent/CN106384341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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 by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于目标极化辐射特性的毫米波被动图像增强方法。该方法意在处理具有极化辐射特性的毫米波被动图像I图与Q图，所述图像增强方法包括：特征目标提取，根据典型目标的毫米波极化辐射特性，在极化辐射图像Q图和I图中进行特征目标提取，分别得到各自的背景I'图和Q'图和目标I"图和Q"图；图像融合，将背景I'图和Q'图融合得到新背景F'图，将目标I"图和Q"图融合得到新目标F"图，最后将新背景F'图和新目标F"图融合得到最终的F图。本发明能够根据典型目标的极化辐射特性对特征目标进行有效提取，将多尺度变换图像处理技术运用于图像融合，充分利用毫米波被动图像中的极化信息，使极化信息集中化和丰富化，最终实现极化图像的增强效果。

Description

一种基于目标极化辐射特性的毫米波被动图像增强方法
技术领域
本发明属于毫米波被动成像与图像处理相结合的交叉学科技术领域，具体涉及一种基于目标极化辐射特性的毫米波被动图像增强方法。
背景技术
毫米波辐射成像技术是利用毫米波辐射计来记录被测场景的辐射温度分布，并以灰度图像或伪彩色图像的形式表现出来。毫米波辐射计不发射电磁波，而是通过接收被测场景在毫米波段的电磁辐射，并将其转换为低频信号来表征被测场景中不同物体辐射能力的差异。与红外成像类似，毫米波辐射成像属于热成像技术，具有全天候工作能力。近年来，随着毫米波辐射成像技术的日益成熟，如何利用目标物体的极化信息成为了研究的重要方向。电磁波的极化是指用一个场矢量来描述空间中某个固定点所观测到的矢量波随时间变化的性质，体现在整个电磁波的频谱中。电磁波的极化是独立于电磁波幅度、相位、频率等参数的固有属性，当电磁波入射于目标时，目标对入射电磁波有着特定的变极化效应，其变换关系由入射波的频率、目标的自身属性等一系列因素决定。通过研究目标物体辐射信号中的极化信息，可以获得更多目标物体的信息。因而极化信息在目标检测、增强与目标识别方面都有着巨大的发展潜力。
被动式毫米波成像具有穿透性强，全天候工作等特点，但所成图像仍需进一步处理。对于毫米波被动成像方式和图像增强的方法较多，例如成萍，赵家群等在《基于特征增强的毫米波被动成像方法》中提出了一种特征增强的成像方法，该方法采用了成像与识别需求相结合的方案，通过选取成像目标函数的特征项来增强目标的点特征和区域特征，提高图像质量和识别度；李韧，杜慧茜，梅文博在《被动式毫米波成像图像的一种增强算法》中提出结合灰度阈值和非线性外推增强算法将其应用于毫米波被动图像，降低噪声，增强图像的高频部分，提高图像的清晰度；逯暄，肖泽龙等在《基于视觉显著性分析的毫米波辐射图像增强》中提出一种利用显著性模型来增强毫米波辐射图像的方法，该方法对图像进行频域滤波，通过设计截止频率保留目标边界并去除噪声与目标内部的纹理，突出目标的显著性达到图像增强效果。但上述方法都意在降低毫米波被动图像的噪声，提高图像对比度，凸显成像目标，缺少对目标极化辐射特性的研究，没有充分利用毫米波被动图像的极化信息。
发明内容
本发明的目的在于提供一种基于目标极化辐射特性的毫米波被动图像增强方法，以有效地利用目标的毫米波极化辐射特性，丰富毫米波被动图像的极化信息，达到图像增强效果。
实现本发明目的的技术解决方案为：一种基于目标极化辐射特性的毫米波被动图像增强方法，包括以下步骤：
步骤1、特征提取，对于由毫米波被动极化成像系统获取的原始极化图像I图与Q图，根据目标的毫米波辐射温度与极化角度之间的关系，选取随极化角度的不同辐射温度变化的物体作为目标，用Ostu阈值法分别对于I图和Q图进行特征目标提取，得到相应的背景I'图和Q'图以及目标I"图和Q"图；
步骤2、将背景I'图和背景Q'图使用非下采样轮廓波变换法NSCT进行图像融合得到新的背景F'图；
步骤3、将目标I"图和目标Q"图使用非下采样轮廓波变换法NSCT进行图像融合得到新的目标F"图；
步骤4、将步骤2中得到的背景F'图和步骤3中得到的目标F"图使用非下采样轮廓波变换法NSCT进行图像融合得到新图F。
进一步地，步骤1中所述Ostu阈值法，具体如下：
步骤1-1、计算图像的灰度概率分布pi；
步骤1-2、计算背景类和目标类各自出现的概率λ1和λ2，以及背景类和目标类对应的灰度均值μ1和μ2，从而求得背景类和目标类的间距以及背景类和目标类的分散度d1和d2；
步骤1-3、将灰度级t取值为[0,L-1]，计算阈值选取函数L为图像的灰度级；
步骤1-4、取出H(t)中的最大值，最佳阈值k就是相应的灰度级t；
步骤1-5、依据k值实现灰度图像的分割。
进一步地，步骤2、步骤3和步骤4中所述非下采样轮廓波变换法NSCT，具体如下：
步骤2-1、NSCT分解，把各个源图像分解为低频分量和高频分量；
步骤2-2、分量融合，采用不同的融合规则分别对各源图像分解的低频分量进行融合、高频分量进行融合；
步骤2-3、NSCT逆变换，对融合后的低频分量和高频分量作NSCT逆变换重构得到融合图像。
进一步地，步骤2-1中所述NSCT分解包括：
(1)先用非下采样金字塔NSP把源图像分解为低频分量和高频分量，即低通子带图像和高频分量即高通子带图像；
(2)再用非下采样方向滤波器组NSDFB把高频分量分解为多个方向的子带图像；
(3)最后用非下采样塔式滤波器对下一层进行分解，对该非下采样塔式滤波器做插值，用被插值后的塔式滤波器和图像作卷积。
进一步地，步骤2-2中所述分量融合，采用不同的融合规则分别对各源图像分解的低频分量进行融合、高频分量进行融合，融合规则具体如下：
(1)低频融合规则：加权法，令两幅源图经NSCT分解后得到的两个低频分量的权值分别为ω1和ω2，并且使得ω1+ω2＝1，ω1和ω2的大小由低频分量的信息量大小决定；
(2)高频融合规则：显著性，通过计算高频分量中各个像素点的灰度距离总值来确定显著性权重，融合时选取高频分量中显著性权重大的区域。
进一步地，步骤2-3中所述NSCT逆变换为NSCT分解的逆过程，即将NSCT分解的过程反向进行实现高频分量和低频分量重构，得到融合图。
本发明与现有技术相比，其显著优点为：(1)在基于目标极化辐射特性的基础上，实现目标与背景的有效分离，充分保留目标的极化信息；(2)根据目标的极化辐射特性对特征目标进行有效提取，采用非下采样轮廓波变换(NSCT)对图像进行融合，保证极化信息的有效结合，使得毫米波被动图像中的极化信息集中化和丰富化，最终实现极化图像的增强效果。
附图说明
图1是本发明基于目标极化辐射特性的毫米波被动图像增强方法的流程图。
图2是背景I'图和背景Q'图融合过程的流程图。
图3是源极化图像I图和Q图，其中(a)是I图，(b)是Q图。
图4是I图分离的目标I"图和背景I'图，其中(a)是目标I"图，(b)是背景I'图。
图5是Q图分离的目标Q"图和背景Q'图，其中(a)是目标Q"图，(b)是背景Q'图。
图6是融合后的目标F"图和背景F'图，其中(a)是目标F"图，(b)是背景F'图。
图7是目标F"图和背景F'图融合得到的最终结果F图。
具体实施方式
结合图1，本发明基于目标极化辐射特性的毫米波被动图像增强方法，包括以下步骤：
步骤1、特征提取，对于由毫米波被动极化成像系统获取的原始极化图像I图与Q图，根据目标的毫米波辐射温度与极化角度之间的关系，选取随极化角度的不同辐射温度变化的物体作为目标，用Ostu阈值法分别对于I图和Q图进行特征目标提取，得到相应的背景I'图和Q'图以及目标I"图和Q"图；所述Ostu阈值法，具体如下：
步骤1-1、计算图像的灰度概率分布pi；
步骤1-2、计算背景类和目标类各自出现的概率λ1和λ2，以及背景类和目标类对应的灰度均值μ1和μ2，从而求得背景类和目标类的间距以及背景类和目标类的分散度d1和d2；
步骤1-3、将灰度级t取值为[0,L-1]，计算阈值选取函数L为图像的灰度级；
步骤1-4、取出H(t)中的最大值，最佳阈值k就是相应的灰度级t；
步骤1-5、依据k值实现灰度图像的分割。
步骤2、将背景I'图和背景Q'图使用非下采样轮廓波变换法NSCT进行图像融合得到新的背景F'图；
步骤3、将目标I"图和目标Q"图使用非下采样轮廓波变换法NSCT进行图像融合得到新的目标F"图；
步骤4、将步骤2中得到的背景F'图和步骤3中得到的目标F"图使用非下采样轮廓波变换法NSCT进行图像融合得到新图F。
结合图2，所述使用非下采样轮廓波变换法NSCT进行图像融合，具体如下：
步骤2-1、NSCT分解，把各个源图像分解为低频分量和高频分量；所述NSCT分解包括：
(1)先用非下采样金字塔NSP把源图像分解为低频分量和高频分量，即低通子带图像和高频分量即高通子带图像；
(2)再用非下采样方向滤波器组NSDFB把高频分量分解为多个方向的子带图像；
(3)最后用非下采样塔式滤波器对下一层进行分解，对该非下采样塔式滤波器做插值，用被插值后的塔式滤波器和图像作卷积。
步骤2-2、分量融合，采用不同的融合规则分别对各源图像分解的低频分量进行融合、高频分量进行融合；融合规则具体如下：
(1)低频融合规则：加权法，令两幅源图经NSCT分解后得到的两个低频分量的权值分别为ω1和ω2，并且使得ω1+ω2＝1，ω1和ω2的大小由低频分量的信息量大小决定；
(2)高频融合规则：显著性，通过计算高频分量中各个像素点的灰度距离总值来确定显著性权重，融合时选取高频分量中显著性权重大的区域。
步骤2-3、NSCT逆变换，对融合后的低频分量和高频分量作NSCT逆变换重构得到融合图像；所述NSCT逆变换为NSCT分解的逆过程，即将NSCT分解的过程反向进行实现高频分量和低频分量重构，得到融合图。
下面结合具体实施例对本发明做进一步详细描述。
实施例1
结合图1，本发明基于目标极化辐射特性的毫米波被动图像增强方法，步骤如下：
第一步，特征提取，对于使用毫米波被动极化成像系统获取的源极化图像I图(如图3(a))与Q图(如图3(b))，根据目标的毫米波辐射温度与极化角度之间的关系，选取随极化角度的不同辐射温度变化明显的物体作为目标，用Ostu阈值法分别对于I图和Q图进行特征目标提取，得到相应的背景I'图和Q'图以及目标I"图和Q"图，具体步骤如下：
①计算图像的灰度概率分布pi；
②计算背景类和目标类各自出现的概率λ1和λ2，以及它们对应的灰度均值μ1和μ2，从而求得两类的间距并且求出每一个类的分散度d1和d2；
③将灰度级t取值为[0,L-1]，计算阈值选取函数
④取出H(t)中的最大值，最佳阈值k就是相应的灰度级t；
⑤依据k值实现灰度图像的分割。
第二步，将背景I'图(如图4(b))和背景Q'图(如图5(b))使用非下采样轮廓波变换法(NSCT)进行图像融合得到新的背景F'图(如图6(b))；
(1)NSCT分解，如图2所示，首先将特征目标提取后的背景I'图和背景Q'图通过NSCT变换法进行分解，即先运用非下采样金字塔(NSP)对背景I'图进行分解，得到一个低频近似图像dI'与一个高频细节图像，再用非下采样方向滤波器组(NSDFB)对高频细节图像进行分解，得到多个方向的高频子带图像gI'，分解后的子带图像大小与源图像相同；同理，运用非下采样金字塔(NSP)对背景Q'图进行分解，得到一个低频近似图像dQ'与一个高频细节图像，再用非下采样方向滤波器组(NSDFB)对高频细节图像进行分解，得到多个方向的高频子带图像gQ'，分解后的子带图像大小与源图像相同；
(2)图像融合，低频分量使用加权法进行融合，令背景I'图和背景Q'图经NSCT分解后得到的两个低频分量的权值分别为ωI'和ωQ'，并且使得ωI'+ωQ'＝1，因为均为背景图，低频信息量相差不大，故选取ωI'＝ωQ'＝0.5，计算得到新的低频子带dF'。高频分量使用显著性准则融合，计算各子带图像频率域的显著性权重分布，并依据显著性权重分布选取gI'和gQ'相对应的各高频子带中的显著性区域，计算得到新的高频子带gF'；
(3)NSCT逆变换，NSCT的反变换过程为NSCT变换的逆过程，经过NSCT逆变换将新的高频子带gF'与低频子带dF'重构成新的背景F'图。
第三步，将目标I"图(如图4(a))和目标Q"图(如图5(a))使用非下采样轮廓波变换法(NSCT)进行图像融合得到新的目标F"图(如图6(a))；
(1)NSCT分解，首先将特征目标提取后的目标I"图和目标Q"图通过NSCT变换法进行分解，即先运用非下采样金字塔(NSP)对目标I"图进行分解，得到一个低频近似图像dI"与一个高频细节图像，再用非下采样方向滤波器组(NSDFB)对高频细节图像进行分解，得到多个方向的高频子带图像gI"，分解后的子带图像大小与源图像相同；同理，运用非下采样金字塔(NSP)对目标Q"图进行分解，得到一个低频近似图像dQ"与一个高频细节图像，再用非下采样方向滤波器组(NSDFB)对高频细节图像进行分解，得到多个方向的高频子带图像gQ"，分解后的子带图像大小与源图像相同；
(2)图像融合，低频分量使用加权法进行融合，令目标I"图和目标Q"图经NSCT分解后得到的两个低频分量的权值分别为ωI"和ωQ"，并且使得ωI"+ωQ"＝1，因为均为目标图，低频信息量相差不大，故选取ωI"＝ωQ"＝0.5，计算得到新的低频子带dF"。高频分量使用显著性准则融合，计算各子带图像频率域的显著性权重分布，并依据显著性权重分布选取gI"和gQ"相对应的各高频子带中的显著性区域，计算得到新的高频子带gF"；
(3)NSCT逆变换，NSCT的反变换过程为NSCT变换的逆过程，经过NSCT逆变换将新的高频子带dF"与低频子带gF"重构成新的目标F"图。
第四步，将第二步中得到的背景F'图(如图6(b))和第三步中得到的目标F"图(如图6(a))使用非下采样轮廓波变换法(NSCT)进行图像融合得到新图F(如图7)。
(1)NSCT分解，首先将特征目标提取后的背景F'图和目标F"图通过NSCT变换法进行分解，即先运用非下采样金字塔(NSP)对目标I"图进行分解，得到一个低频近似图像dF'与一个高频细节图像，再用非下采样方向滤波器组(NSDFB)对高频细节图像进行分解，得到多个方向的高频子带图像gF'，分解后的子带图像大小与源图像相同；同理，运用非下采样金字塔(NSP)对目标F"图进行分解，得到一个低频近似图像dF"与一个高频细节图像，再用非下采样方向滤波器组(NSDFB)对高频细节图像进行分解，得到多个方向的高频子带图像gF"，分解后的子带图像大小与源图像相同；
(2)图像融合，低频分量使用加权法进行融合，令背景F'图和目标F"图经NSCT分解后得到的两个低频分量的权值分别为ωF'和ωF"，并且使得ωF'+ωF"＝1，因为目标图信息量要大于背景图，故选取ωF'＝0.3，ωF"＝0.7，计算得到新的低频子带dF。高频分量使用显著性准则融合，计算各子带图像频率域的显著性权重分布，并依据显著性权重分布选取gF'和gF"相对应的各高频子带中的显著性区域，计算得到新的高频子带gF；
(3)NSCT逆变换，NSCT的反变换过程为NSCT变换的逆过程，经过NSCT逆变换将新的高频子带dF与低频子带gF重构成新的F图。
本发明根据目标的极化辐射特性对特征目标进行有效提取，将多尺度变换图像处理技术运用于图像融合，充分利用了毫米波被动图像中的极化信息，使极化信息集中化和丰富化，最终实现了极化图像的增强效果。

Claims (6)

1.一种基于目标极化辐射特性的毫米波被动图像增强方法，其特征在于，包括以下步骤：
步骤1、特征提取，对于由毫米波被动极化成像系统获取的原始极化图像I图与Q图，根据目标的毫米波辐射温度与极化角度之间的关系，选取随极化角度的不同辐射温度变化的物体作为目标，用Ostu阈值法分别对于I图和Q图进行特征目标提取，得到相应的背景I'图和Q'图以及目标I"图和Q"图；
步骤2、将背景I'图和背景Q'图使用非下采样轮廓波变换法NSCT进行图像融合得到新的背景F'图；
步骤3、将目标I"图和目标Q"图使用非下采样轮廓波变换法NSCT进行图像融合得到新的目标F"图；
步骤4、将步骤2中得到的背景F'图和步骤3中得到的目标F"图使用非下采样轮廓波变换法NSCT进行图像融合得到新图F。
2.根据权利要求1所述的基于目标极化辐射特性的毫米波被动图像增强方法，其特征在于，步骤1中所述Ostu阈值法，具体如下：
步骤1-1、计算图像的灰度概率分布pi；
步骤1-2、计算背景类和目标类各自出现的概率λ1和λ2，以及背景类和目标类对应的灰度均值μ1和μ2，从而求得背景类和目标类的间距以及背景类和目标类的分散度d1和d2；
步骤1-3、将灰度级t取值为[0,L-1]，计算阈值选取函数L为图像的灰度级；
步骤1-4、取出H(t)中的最大值，最佳阈值k就是相应的灰度级t；
步骤1-5、依据k值实现灰度图像的分割。
3.根据权利要求1所述的基于目标极化辐射特性的毫米波被动图像增强方法，其特征在于，步骤2、步骤3和步骤4中所述非下采样轮廓波变换法NSCT，具体如下：
步骤2-1、NSCT分解，把各个源图像分解为低频分量和高频分量；
步骤2-2、分量融合，采用不同的融合规则分别对各源图像分解的低频分量进行融合、高频分量进行融合；
步骤2-3、NSCT逆变换，对融合后的低频分量和高频分量作NSCT逆变换重构得到融合图像。
4.根据权利要求3所述的基于目标极化辐射特性的毫米波被动图像增强方法，其特征在于，步骤2-1中所述NSCT分解包括：
(1)先用非下采样金字塔NSP把源图像分解为低频分量和高频分量，即低通子带图像和高通子带图像；
(2)再用非下采样方向滤波器组NSDFB把高频分量分解为多个方向的子带图像；
(3)最后用非下采样塔式滤波器对下一层进行分解，对该非下采样塔式滤波器做插值，用被插值后的塔式滤波器和图像作卷积。
5.根据权利要求3所述的基于目标极化辐射特性的毫米波被动图像增强方法，其特征在于，步骤2-2中所述分量融合，采用不同的融合规则分别对各源图像分解的低频分量进行融合、高频分量进行融合，融合规则具体如下：
(1)低频融合规则：加权法，令两幅源图经NSCT分解后得到的两个低频分量的权值分别为ω1和ω2，并且使得ω1+ω2＝1，ω1和ω2的大小由低频分量的信息量大小决定；
(2)高频融合规则：显著性，通过计算高频分量中各个像素点的灰度距离总值来确定显著性权重，融合时选取高频分量中显著性权重大的区域。
6.根据权利要求3所述的基于目标极化辐射特性的毫米波被动图像增强方法，其特征在于，步骤2-3中所述NSCT逆变换为NSCT分解的逆过程，即将NSCT分解的过程反向进行实现高频分量和低频分量重构，得到融合图。
CN201610817207.7A 2016-09-12 2016-09-12 一种基于目标极化辐射特性的毫米波被动图像增强方法 Active CN106384341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610817207.7A CN106384341B (zh) 2016-09-12 2016-09-12 一种基于目标极化辐射特性的毫米波被动图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610817207.7A CN106384341B (zh) 2016-09-12 2016-09-12 一种基于目标极化辐射特性的毫米波被动图像增强方法

Publications (2)

Publication Number Publication Date
CN106384341A CN106384341A (zh) 2017-02-08
CN106384341B true CN106384341B (zh) 2019-11-15

Family

ID=57935599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610817207.7A Active CN106384341B (zh) 2016-09-12 2016-09-12 一种基于目标极化辐射特性的毫米波被动图像增强方法

Country Status (1)

Country Link
CN (1) CN106384341B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108389158A (zh) * 2018-02-12 2018-08-10 河北大学 一种红外和可见光的图像融合方法
CN109165569B (zh) * 2018-08-03 2022-05-13 南京理工大学 基于ba算法的被动毫米波图像极化信息显示方法
CN109242888B (zh) * 2018-09-03 2021-12-03 中国科学院光电技术研究所 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法
CN109544494B (zh) * 2018-11-12 2021-08-17 北京航空航天大学 一种人体安检中被动毫米波图像与可见光图像的融合方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680182A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于nsct和判别字典学习的极化sar分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009079644A2 (en) * 2007-12-18 2009-06-25 Brijot Imaging Systems, Inc. Software methodology for autonomous concealed object detection and threat assessment

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680182A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于nsct和判别字典学习的极化sar分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Research on Image Fusion for Visual and PMMW Images Using NSCT and Region Detection;Shi Tang等;《3rd International Conference on Multimedia Technology》;20131231;796-804 *
基于改进模糊算法和相对熵的遥感图像增强;杨波等;《激光杂志》;20141231;第35卷(第2期);37,38,41 *

Also Published As

Publication number Publication date
CN106384341A (zh) 2017-02-08

Similar Documents

Publication Publication Date Title
CN106384341B (zh) 一种基于目标极化辐射特性的毫米波被动图像增强方法
CN103020933B (zh) 一种基于仿生视觉机理的多源图像融合方法
CN104268833A (zh) 基于平移不变剪切波变换的图像融合新方法
CN104486562B (zh) 基于固定积分时间的嵌入式红外图像超帧处理方法
CN109886908A (zh) 红外图像与可见光图像融合方法
Wen et al. An effective network integrating residual learning and channel attention mechanism for thin cloud removal
Li et al. Infrared-visible image fusion method based on sparse and prior joint saliency detection and LatLRR-FPDE
Ai et al. An improved SRGAN based ambiguity suppression algorithm for SAR ship target contrast enhancement
Wu et al. DCFusion: A dual-frequency cross-enhanced fusion network for infrared and visible image fusion
Ren et al. Multiresolution fusion of Pan and MS images based on the Curvelet transform
CN110084774B (zh) 一种增强的梯度传递和总变差最小化融合图像的方法
Wang et al. Infrared weak-small targets fusion based on latent low-rank representation and DWT
Wang et al. Multi-sensor Image Fusion Algorithm Based on Multiresolution Analysis.
CN102982563A (zh) 一种基于光学轮廓波变换的图像压缩方法
CN107633496B (zh) 一种利用高频信息引导的基于稀疏表示的图像融合方法
Zhang et al. Multi-modal image fusion via sparse representation and multi-scale anisotropic guided measure
Zhou et al. CAFNET: Cross-attention fusion network for infrared and low illumination visible-light image
Aljarrah et al. Improved Residual Dense Network for Large Scale Super-Resolution via Generative Adversarial Network
Hui et al. Image fusion based on complex wavelets and region segmentation
Chong et al. Comparative analysis of different fusion rules for SAR and multi-spectral image fusion based on NSCT and IHS transform
Zhang et al. Multisensor Infrared and Visible Image Fusion via Double Joint Edge Preservation Filter and Nonglobally Saliency Gradient Operator
Yi et al. An Infrared and Visible Image Fusion Method Based on Adaptive Weight Learning
Chen et al. SFCFusion: Spatial-Frequency Collaborative Infrared and Visible Image Fusion
Yamawaki et al. Hyperspectral Reconstruction Using Auxiliary Rgb Learning From A Snapshot Image
Mohan et al. MULTI-FOCUS IMAGE FUSION METHOD WITH QSHIFTN-DTCWT AND MODIFIED PCA IN FREQUENCY PARTITION DOMAIN.

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