CN106846288A - 一种双模态红外图像差异特征指数测度的多算法融合方法 - Google Patents
一种双模态红外图像差异特征指数测度的多算法融合方法 Download PDFInfo
- Publication number
- CN106846288A CN106846288A CN201710034248.3A CN201710034248A CN106846288A CN 106846288 A CN106846288 A CN 106846288A CN 201710034248 A CN201710034248 A CN 201710034248A CN 106846288 A CN106846288 A CN 106846288A
- Authority
- CN
- China
- Prior art keywords
- image
- local
- fusion
- infrared
- difference characteristic
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 16
- 230000002902 bimodal effect Effects 0.000 title claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 230000010287 polarization Effects 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 238000010008 shearing Methods 0.000 claims abstract description 5
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 11
- 238000002156 mixing Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 101100457032 Homo sapiens MGST1 gene Proteins 0.000 description 1
- 102100026741 Microsomal glutathione S-transferase 1 Human genes 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20024—Filtering details
-
- 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)
- Image Processing (AREA)
Abstract
本发明公开了一种双模态红外图像差异特征指数测度的多算法融合方法,首先选择红外偏振与光强图像间差异特征类型,主要为亮度、细节、边缘和轮廓等;根据差异特征类型,选择局部能量取大、非下采样剪切波和多尺度引导滤波分别对源图像进行融合;分别计算两类图像的局部均值、局部拉普拉斯能量和局部标准差;利用两类图像的局部均值、局部能量拉普拉斯和局部标准差,计算各差异特征指数测度;构建差异特征指数测度协方差矩阵,计算协方差矩阵的特征值和特征向量,选择最大特征值对应的特征向量作为各算法权重,实现多算法融合同时保留红外偏振与光强图像的高亮度、多细节、清晰度高的边缘和轮廓特征的融合,显著提高多算法融合的融合效果。
Description
技术领域
本发明属于红外图像处理领域,具体为一种双模态红外图像差异特征指数测度的多算法融合方法。
背景技术
红外偏振与光强成像分别利用红外线的偏振和强度属性探测目标,两种模态图像具有很强的互补性,将其进行融合,能够更全面的描述目标信息,进一步增强系统的探测能力。然而红外偏振与光强图像间包括亮度、细节、边缘和轮廓等差异特征,单一融合算法很难实现多种差异特征融合,因此,将优势性能互补的不同融合算法相结合,有利于亮度、细节、边缘和轮廓等差异特征保留,减少信息损失,成为红外偏振与光强图像融合研究热点。
目前,红外偏振与光强图像多算法融合主要通过变换域间融合算法组合、多个融合算法结果以权重的形式相结合、通过设定目标函数将不同融合图像优化得到最终结果等类型实现亮度、细节、边缘与轮廓等差异特征融合。但是,当前多算法融合存在以下问题:(1)没有同时依据图像间亮度、细节、边缘和轮廓等多种差异特征选择算法,算法间互补性不强,如:非下采样剪切波与稀疏表示相结合主要考虑不同变换域间对细节特征融合上的互补性,不利于亮度、轮廓等特征融合;(2)缺乏可靠的融合算法权重确定依据,难以保证图像间各差异特征较完整地保留到融合图像中,如:以图像间某一差异特征(对比度、边缘或纹理等)为目标函数对多个融合结果优化或为权重依据得到最终结果,会造成图像间其它差异特征在融合中被严重削弱。因此,如何将红外偏振与光强图像的高亮度、多细节、清晰度高的边缘和轮廓特征同时保留到融合图像中是多算法融合方法急需解决的问题。
发明内容
本发明为解决现有红外偏振与光强图像多算法融合不能同时保留源图像的高亮度、多细节、清晰度高的边缘和轮廓等特征上的问题,造成融合效果差的问题,提出一种双模态红外图像差异特征指数测度的多算法融合方法,根据差异特征类型选择算法,提高各融合算法间的互补性;建立了指数型差异特征测度,准确度量了差异特征幅值;以差异特征指数测度为基础,通过对差异特征测度去相关处理确定算法权重,明确各算法融合结果在最终融合图像中的比重,防止过多损失图像特征、过饱和,最终实现多算法融合同时保留红外偏振与光强图像的高亮度、多细节、清晰度高的边缘和轮廓等特征的融合,显著提高多算法融合的融合效果。
本发明是采用如下的技术方案实现的:一种双模态红外图像差异特征指数测度的多算法融合方法,包括以下步骤:
S1:选择红外偏振与光强图像间差异特征,选择的差异特征包括亮度、细节、边缘和轮廓;
S2:利用局部能量取大算法(MEV)融合两类图像间亮度差异特征;利用非下采样剪切波融合算法(NSST)实现对两类图像间细节差异特征融合;采用多尺度引导滤波算法(MGST)融合两类图像间边缘和轮廓差异特征;
S3:采用滑动窗分别计算红外偏振与光强图像的局部均值、局部拉普拉斯能量和局部标准差;
S4:分别计算各差异特征指数测度:
式中ΔTBS、ΔTES和ΔTDS分别为亮度差异特征指数测度、细节差异特征指数测度、轮廓和边缘差异特征指数测度,为红外光强图像局部均值,为红外偏振图像局部均值,为红外偏振图像局部拉普拉斯能量值,红外光强图像局部拉普拉斯能量值,δPI为红外偏振与光强图像联合标准差值,为红外偏振图像局部标准差,为红外光强图像局部标准差;
S5:构建亮度差异特征、细节差异特征及边缘和轮廓差异特征指数测度协方差矩阵,计算协方差矩阵的特征值和特征矢量,将最大特征值对应的特征矢量作为融合权重;
S6:利用S5中确定的融合权重对S2中三种融合结果加权求和,得到最终融合图像。
本发明与现有技术相比具有以下优点:
(1)本发明提出一种差异特征幅值度量方法——差异特征指数测度。根据各差异特征指数测度大小决定各算法参与融合的权重,客观、准确的反映了各算法融合结果在最终融合图像中所占比例,实现了融合图像保留源图像的高亮度、多细节、清晰度高的边缘和轮廓等特征。
(2)根据红外偏振与光强图像间差异特征类型,选择参与融合的算法,使各融合算法的互补性和目的性更强,实现了多算法融合方法同时融合红外偏振与光强图像的高亮度、多细节、清晰度高的边缘和轮廓等特征。
附图说明
图1为本发明的流程图。
图2为简单场景下红外偏振度图像和红外光强图像,P1为红外偏振度图像,I1为红外光强图像。
图3为复杂场景下红外偏振度图像和红外光强图像,P2为红外偏振度图像,I2为红外光强图像。
图4为NSST、NSST-SWT-PCA、MEV-MGST-NSST加权平均和本发明的融合方法对图2的融合图像,(a)为NSST融合图像,(b)为MEV-MGST-NSST加权平均融合图像,(c)为NSST-SWT-PCA融合图像,(d)为本发明融合图像。
图5为NSST、NSST-SWT-PCA、MEV-MGST-NSST加权平均和本发明的融合方法对图3的融合图像,(a)为NSST融合图像,(b)为MEV-MGST-NSST加权平均融合图像,(c)为NSST-SWT-PCA融合图像,(d)为本发明融合图像。
图6为图4得到的融合图像分别与红外偏振图像和红外光强图像的差值图,(c)为红外偏振图像,(c1)为NSST融合图像与图(d)差值图,(c2)为MEV-MGST-NSST融合图像与图(d)差值图,(c3)为NSST-SWT-PCA加权平均融合图像与图(d)差值图,(c4)为本发明融合图像与图(d)差值图,(d)为红外光强图像,(d1)为NSST融合图像与图(c)差值图,(d2)为MEV-MGST-NSST加权平均融合图像与图(c)差值图,(d3)NSST-SWT-PCA为融合图像与图(c)差值图,(d4)为本发明融合图像与图(c)差值图。
图7为图5得到的融合图像分别与红外偏振图像和红外光强图像的差值图,(c)为红外偏振图像,(c1)为NSST融合图像与图(d)差值图,(c2)为MEV-MGST-NSST加权平均融合图像与图(d)差值图,(c3)为NSST-SWT-PCA融合图像与图(d)差值图,(c4)为本发明融合图像与图(d)差值图,(d)为红外光强图像,(d1)为NSST融合图像与图(c)差值图,(d2)为MEV-MGST-NSST加权平均融合图像与图(c)差值图,(d3)为NSST-SWT-PCA融合图像与图(c)差值图,(d4)为本发明融合图像与图(c)差值图。
具体实施方式
参照图1的流程图,以图2和图3所示红外偏振与光强图像为研究对象,进行实验。
一种双模态红外图像差异特征指数测度的多算法融合方法,包括以下步骤:
S1:通过对红外偏振与光强图像间亮度、结构和纹理等特征进行对比分析,本例中选择的红外偏振与光强图像间差异特征主要类型为:亮度、细节、边缘和轮廓差异特征;
S2:依据图像局部能量能够较好提取图像的亮度特征,选择局部能量取大融合算法融合S1中亮度差异特征;根据非下采样剪切波变换能够很好提取图像细节特征的特性,选取非下采样剪切波算法融合S1中细节差异特征;根据以边缘保持滤波和金字塔分解为核心的多尺度引导滤波变换具有保持图像边缘和轮廓的特性,选择多尺度引导滤波算法融合S1中的边缘和轮廓差异特征;本例中多尺度引导滤波算法的融合规则为:低频子带图像加权平均,高频子带图像绝对值取大,三种融合算法融合图像分别为F1、F2和F3。
S3:分别计算红外偏振与光强图像的局部均值、局部拉普拉斯能量、局部标准差,具体步骤如下:
S31:采用3×3的滑动窗口计算图像局部均值,LBS为图像局部均值。
S32:计算图像的局部拉普拉斯能量,公式如下:
式中ω为拉普拉斯能量模板,LEOL为图像的拉普拉斯能量。
S33:采用3×3的滑动窗口计算图像局部标准差,LDS为图像局部标准差;同时计算红外偏振与光强图像间局部联合标准差,δXY为图像局部联合标准差,公式如下:
式中X和Y表示图像,μX和μY为图像局部均值,m和n为滑动窗口尺寸。
S4:计算红外偏振与光强图像间亮度差异特征指数测度、细节差异特征指数测度、边缘和轮廓差异特征指数测度,如式
S5:计算三种融合算法权重,其步骤如下:
S51:构建差异特征指数测度协方差矩阵,如下式:式中Y=[ΔTBSΔTESΔTDS],为Y的转置,C为差异特征指数测度矢量的协方差矩阵。
S52:计算协方差矩阵特征值和特征向量。
S53:取协方差矩阵最大特征值对应的矢量作为三种融合算法权重。
S6:计算最终融合图像:
式中和分别为最大特征值对应特征矢量的第一、第二和第三个值。
图4和图5可以看出本发明方法融合图像质量明显优于NSST、NSST-SWT-PCA和MEV-MGST-NSST加权平均方法融合图像,整体视觉效果最好,同时保留了红外偏振与光强图像高亮度区域以及多细节、具有清晰度高的边缘和轮廓特征的部分。如:图4(d)中车头的边缘和背景中的植物和建筑的亮度、细节和轮廓最为清晰,整体视觉效果最好;图5(d)中车的侧窗和前窗很好的保留了红外偏振与光强图像间的亮度、轮廓差异特征。
为了更加直观的说明本发明融合方法较其它两种方法在保留源图像的亮度、细节、边缘和轮廓特征上的优势,将融合后的图像与源图像作差,从图6和图7中可以看到本发明方法融合图像保留了红外光强图像的亮度、轮廓特征和红外偏振图像的细节和边缘特征,其它融合方法的融合图像信息损失较多,对亮度、细节、边缘和轮廓差异特征融合效果相对较差,如:图6(d1)~图6(d3)和图7(d1)~图7(d3)的亮度同源红外光强图像相比存在较大差异,说明其它三种融合算法在融合中过多损失了红外光强图像的亮度特征;图6(c1)~图6(c3)和图7(c1)~图7(c3)中的车轮边缘、侧面车窗轮廓、及背景中建筑物和树木的边缘和细节同源红外偏振图像相比存在较大差异,过多损失了红外偏振图像的细节、边缘和轮廓特征;
本发明用灰度均值(U)、空间频率(SF)、标准差(ST)和相关性差异(RAB/F)作为融合方法评价标准,灰度均值反映了图像亮度的大小,值越大说明图像越亮;空间频率反映了图像信息的丰富程度,值越大说明图像包含的细节越多;标准差反映了图像边缘和轮廓特征,值越大说明图像边缘和轮廓越清晰;RAB/F反映了图像间的相似程度,值越大说明融合图像同源图像越相似。从表1和表2中可以看到,本发明融合图像灰度均值最高,且图像无过饱和现象,说明本发明方法融合图像保留了源图像间亮度差异特征;本发明方法融合图像的空间频率和标准差指标最高,说明融合图像包含的细节最多,边缘和轮廓最为清晰,且相关性差异和指标均明显高于其它三种融合算法,说明本发明方法同时保留了红外偏振与光强图像间亮度、细节、边缘和轮廓等差异特征,明显减少了信息损失,这与差值图所反映的情况一致;客观评价可以得出,本发明方法在提高融合图像视觉效果、减少两类图像信息损失上具有较强的优势。
表1 P1和I1融合图像评价指标
表2 P2和I2融合图像评价指标
Claims (2)
1.一种双模态红外图像差异特征指数测度的多算法融合方法,其特征在于包括以下步骤:
S1:选择红外偏振与光强图像间差异特征,选择的差异特征包括亮度、细节、边缘和轮廓;
S2:利用局部能量取大算法融合两类图像间亮度差异特征;利用非下采样剪切波融合算法实现对两类图像间细节差异特征融合;采用多尺度引导滤波算法融合两类图像间边缘和轮廓差异特征;
S3:采用3×3滑动窗分别计算红外偏振与光强图像的局部均值、局部拉普拉斯能量和局部标准差;
S4:分别计算各差异特征指数测度:
式中ΔTBS、ΔTES和ΔTDS分别为亮度差异特征指数测度、细节差异特征指数测度、轮廓和边缘差异特征指数测度,为红外光强图像局部均值,为红外偏振图像局部均值,为红外偏振图像局部拉普拉斯能量值,红外光强图像局部拉普拉斯能量值,δPI为红外偏振与光强图像联合标准差值,为红外偏振图像局部标准差,为红外光强图像局部标准差;
S5:构建亮度差异特征、细节差异特征及边缘和轮廓差异特征指数测度协方差矩阵,计算协方差矩阵的特征值和特征矢量,将最大特征值对应的特征矢量作为融合权重;
S6:利用S5中确定的融合权重对S2中三种融合结果加权求和,得到最终融合图像。
2.根据权利要求1所述的一种双模态红外图像差异特征指数测度的多算法融合方法,其特征在于S2中多尺度引导滤波算法低频采用加权平均、高频采用绝对值取大的融合规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710034248.3A CN106846288B (zh) | 2017-01-17 | 2017-01-17 | 一种双模态红外图像差异特征指数测度的多算法融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710034248.3A CN106846288B (zh) | 2017-01-17 | 2017-01-17 | 一种双模态红外图像差异特征指数测度的多算法融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846288A true CN106846288A (zh) | 2017-06-13 |
CN106846288B CN106846288B (zh) | 2019-09-06 |
Family
ID=59123317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710034248.3A Expired - Fee Related CN106846288B (zh) | 2017-01-17 | 2017-01-17 | 一种双模态红外图像差异特征指数测度的多算法融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846288B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886489A (zh) * | 2017-12-04 | 2018-04-06 | 新疆大学 | 基于剪切波变换及引导滤波技术提高医学图像质量的方法 |
CN108830888A (zh) * | 2018-05-24 | 2018-11-16 | 中北大学 | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 |
CN110084771A (zh) * | 2019-03-11 | 2019-08-02 | 中北大学 | 一种基于集值映射的双模态红外图像分块多算法优化融合方法 |
CN110223264A (zh) * | 2019-04-26 | 2019-09-10 | 中北大学 | 基于直觉可能性集的图像差异特征属性融合有效度分布构造及合成方法 |
CN111445430A (zh) * | 2020-03-31 | 2020-07-24 | 中北大学 | 基于差异特征幅值区间融合有效度分布的双模态红外图像融合算法选择方法 |
CN115631123A (zh) * | 2022-11-22 | 2023-01-20 | 北京航空航天大学 | 仿生视觉融合的恶劣环境成像装置及方法 |
CN116503704A (zh) * | 2023-06-27 | 2023-07-28 | 长春理工大学 | 一种强背景下目标偏振探测系统及其探测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722864A (zh) * | 2012-05-18 | 2012-10-10 | 清华大学 | 一种图像增强方法 |
CN104268847A (zh) * | 2014-09-23 | 2015-01-07 | 西安电子科技大学 | 一种基于交互非局部均值滤波的红外与可见光图像融合方法 |
CN104408700A (zh) * | 2014-11-21 | 2015-03-11 | 南京理工大学 | 基于形态学和pca的轮廓波红外与可见光图像融合方法 |
CN104504673A (zh) * | 2014-12-30 | 2015-04-08 | 武汉大学 | 基于nsst的可见光与红外图像融合方法及系统 |
CN104809734A (zh) * | 2015-05-11 | 2015-07-29 | 中国人民解放军总装备部军械技术研究所 | 一种基于引导滤波的红外图像与可见光图像融合的方法 |
CN105139367A (zh) * | 2015-07-27 | 2015-12-09 | 中国科学院光电技术研究所 | 一种基于非下采样剪切波的可见光偏振图像融合方法 |
CN105719263A (zh) * | 2016-01-22 | 2016-06-29 | 昆明理工大学 | 基于nsct域底层视觉特征的可见光和红外图像融合算法 |
-
2017
- 2017-01-17 CN CN201710034248.3A patent/CN106846288B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722864A (zh) * | 2012-05-18 | 2012-10-10 | 清华大学 | 一种图像增强方法 |
CN104268847A (zh) * | 2014-09-23 | 2015-01-07 | 西安电子科技大学 | 一种基于交互非局部均值滤波的红外与可见光图像融合方法 |
CN104408700A (zh) * | 2014-11-21 | 2015-03-11 | 南京理工大学 | 基于形态学和pca的轮廓波红外与可见光图像融合方法 |
CN104504673A (zh) * | 2014-12-30 | 2015-04-08 | 武汉大学 | 基于nsst的可见光与红外图像融合方法及系统 |
CN104809734A (zh) * | 2015-05-11 | 2015-07-29 | 中国人民解放军总装备部军械技术研究所 | 一种基于引导滤波的红外图像与可见光图像融合的方法 |
CN105139367A (zh) * | 2015-07-27 | 2015-12-09 | 中国科学院光电技术研究所 | 一种基于非下采样剪切波的可见光偏振图像融合方法 |
CN105719263A (zh) * | 2016-01-22 | 2016-06-29 | 昆明理工大学 | 基于nsct域底层视觉特征的可见光和红外图像融合算法 |
Non-Patent Citations (3)
Title |
---|
J.H. ADU 等: "Image fusion based on nonsubsampled contourlet transform for infrared and visible light image", 《INFRARED PHYSICS & TECHNOLOGY》 * |
N. DHENGRE等: "Multimodal Biomedical Image Fusion: Use of log-Gabor and Guided filters with Non-subsampled Contourlet Transform", 《2015 THIRD INTERNATIONAL CONFERENCE ON IMAGE INFORMATION PROCESSING (ICIIP)》 * |
安富 等: "模糊逻辑与特征差异驱动的红外偏振图像融合模型", 《红外技术》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886489A (zh) * | 2017-12-04 | 2018-04-06 | 新疆大学 | 基于剪切波变换及引导滤波技术提高医学图像质量的方法 |
CN108830888B (zh) * | 2018-05-24 | 2021-09-14 | 中北大学 | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 |
CN108830888A (zh) * | 2018-05-24 | 2018-11-16 | 中北大学 | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 |
CN110084771A (zh) * | 2019-03-11 | 2019-08-02 | 中北大学 | 一种基于集值映射的双模态红外图像分块多算法优化融合方法 |
CN110084771B (zh) * | 2019-03-11 | 2022-07-05 | 中北大学 | 一种基于集值映射的双模态红外图像分块多算法优化融合方法 |
CN110223264B (zh) * | 2019-04-26 | 2022-03-25 | 中北大学 | 基于直觉可能性集的图像差异特征属性融合有效度分布构造及合成方法 |
CN110223264A (zh) * | 2019-04-26 | 2019-09-10 | 中北大学 | 基于直觉可能性集的图像差异特征属性融合有效度分布构造及合成方法 |
CN111445430A (zh) * | 2020-03-31 | 2020-07-24 | 中北大学 | 基于差异特征幅值区间融合有效度分布的双模态红外图像融合算法选择方法 |
CN111445430B (zh) * | 2020-03-31 | 2022-03-29 | 中北大学 | 基于差异特征幅值区间融合有效度分布的双模态红外图像融合算法选择方法 |
CN115631123A (zh) * | 2022-11-22 | 2023-01-20 | 北京航空航天大学 | 仿生视觉融合的恶劣环境成像装置及方法 |
CN115631123B (zh) * | 2022-11-22 | 2023-03-03 | 北京航空航天大学 | 仿生视觉融合的恶劣环境成像装置及方法 |
CN116503704A (zh) * | 2023-06-27 | 2023-07-28 | 长春理工大学 | 一种强背景下目标偏振探测系统及其探测方法 |
CN116503704B (zh) * | 2023-06-27 | 2023-09-05 | 长春理工大学 | 一种强背景下目标偏振探测系统及其探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106846288B (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846288B (zh) | 一种双模态红外图像差异特征指数测度的多算法融合方法 | |
CN101783012B (zh) | 一种基于暗原色的自动图像去雾方法 | |
CN103942769B (zh) | 一种卫星遥感影像融合方法 | |
CN106897972A (zh) | 一种白平衡与暗原色的自适应直方图水下图像增强方法 | |
CN104408700A (zh) | 基于形态学和pca的轮廓波红外与可见光图像融合方法 | |
CN105654433A (zh) | 基于改进多尺度Retinex的彩色图像增强方法 | |
CN107403134B (zh) | 基于局部梯度三边的图域多尺度红外弱小目标检测方法 | |
CN106056559A (zh) | 基于暗通道先验的非均匀光场水下目标探测图像增强方法 | |
CN109035172A (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
CN107358585A (zh) | 基于分数阶微分及暗原色先验的雾天图像增强方法 | |
CN105046653A (zh) | 一种视频雨滴去除方法及系统 | |
CN103020919A (zh) | 基于非局部Lee的极化SAR相干斑噪声抑制方法 | |
CN104732499A (zh) | 基于多尺度多方向的视网膜图像增强算法 | |
CN103136733B (zh) | 基于多尺度图像分割和颜色传递的遥感图像彩色增强方法 | |
CN114782298B (zh) | 一种具有区域注意力的红外与可见光图像融合方法 | |
CN103971354A (zh) | 低分辨率红外图像重建高分辨率红外图像的方法 | |
CN102915523A (zh) | 一种改进的小波变换遥感影像融合方法及其融合系统 | |
CN103971345B (zh) | 一种基于改进双边滤波的图像去噪方法 | |
CN105761292A (zh) | 一种基于颜色转移和修正的图像着色方法 | |
CN115984323A (zh) | 基于空频域均衡的双级融合rgbt跟踪算法 | |
Bhutto et al. | An enhanced image fusion algorithm by combined histogram equalization and fast gray level grouping using multi-scale decomposition and gray-PCA | |
Zhou et al. | Underwater image enhancement method based on color correction and three-interval histogram stretching | |
CN106530277A (zh) | 一种基于小波方向相关系数的图像融合方法 | |
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 | |
CN112634217A (zh) | 一种sar图像区域变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20190906 Termination date: 20220117 |