CN106846289A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN106846289A CN106846289A CN201710034250.0A CN201710034250A CN106846289A CN 106846289 A CN106846289 A CN 106846289A CN 201710034250 A CN201710034250 A CN 201710034250A CN 106846289 A CN106846289 A CN 106846289A
- Authority
- CN
- China
- Prior art keywords
- low frequency
- light intensity
- polarization
- details
- area
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 44
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 11
- 238000013508 migration Methods 0.000 title abstract description 14
- 230000005012 migration Effects 0.000 title abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 abstract 1
- 238000005070 sampling Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 238000000844 transformation Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 32
- 238000011156 evaluation Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 241000736199 Paeonia Species 0.000 description 2
- 235000006484 Paeonia officinalis Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010049155 Visual brightness Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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。首先对源图像进行非下采样轮廓波变换(NSCT)的多尺度分解;其次,对分解所得低频分量进行显著性检测,并以显著性图像百分位数进行活动阈值分割,确定显著区;然后,将偏振特有低频显著区迁移到低频融合图像中,其余低频部分作为背景区以取大规则保留强度信息;高频分量利用相位一致性及其阈值分为边缘轮廓类和纹理细节类,并分别利用相位一致性和局部标准差对相应两类细节融合;最后,通过NSCT逆变换重构出最终融合图像。本发明能够将源图像显著亮暗特征和较多的细节信息有效地融合到一幅图像中,主要用于(但不限于)红外光强和偏振图像的融合。
Description
技术领域
本发明属于红外图像处理领域,尤其涉及以红外光强和偏振图像为对象的基于显著性迁移与细节分类的融合方法,具体为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。
背景技术
传统红外探测是以热感知形式成像,以热辐射差异区分物体,故所得光强图像具有较好的亮度特征和区域特征,但边缘、纹理细节信息缺乏;红外偏振成像能捕获场景偏振信息、抑制复杂背景,可探测出传统红外无法探测到的目标,其图像具有较多的结构和纹理细节信息,但整体亮度信息不突出,二者具有很强的互补性,将两类图像融合能有效提高红外探测和识别能力。
当前,基于多尺度分解和显著性检测的方法是红外光强与偏振图像融合的常用方法。多尺度分解方法将高低频信息剥离并分别融合,有利于源图像区域信息和细节的保留,然而,其过于依赖融合规则的选取,很容易消弱重要显著性亮暗信息;基于显著性检测的融合方法能凸显显著性亮目标或亮暗目标,对目标检测与识别等处理有利,但容易丢失细节信息。而当前结合多尺度分解的显著性检测融合方法多是在源图像中先进行显著性区域检测,将显著区和背景区在多尺度域中分别融合,这容易导致边缘模糊区域的误判而使定位不准或失真,且如果多尺度分解高频信息处理不当,则会导致边缘轮廓或纹理细节的弱化、甚至丢失。故这两类常用方法往往不能有效地将源图像中显著性亮暗特征与细节信息同时综合到一幅图像,特别是对于纹理、轮廓等细节信息较多的偏振图像的融合。
因此,如何在融合中既很好地突出源图像显著性亮暗目标,又能充分保留不同细节信息,对不同场景的静态或动态探测与识别等方面具有重要意义。
发明内容
本发明的目的在于解决当前红外光强与偏振图像融合方法不能将源图像中显著性亮暗特征与较多细节信息同时融合到一幅图像中,造成融合效果不佳的问题,提出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。该方法在NSCT域低频分量中利用R.Achanta等提出的显著性检测方法(简称AC)进行显著性检测,将偏振特有亮暗显著区迁移到低频融合图像中,以保留重要显著性亮暗特征;在NSCT域高频分量中利用相位一致性(PC)进行高频细节分类,并对不同类细节分别融合,以充分保留高频边缘轮廓和纹理细节信息,最终重构出亮暗特征显著、对比度较高、边缘轮廓明显和纹理细节较多的融合图像。
本发明是采用如下的技术方案实现的: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,包括以下步骤:
S1:对输入同一场景已配准的红外光强和偏振图像分别进行NSCT两层分解,得到红外光强和偏振图像的低频分量和第1层4个方向与第2层8个方向高频分量;
S2:对S1中红外光强和偏振图像的低频分量分别进行AC显著性检测,并对得到的显著性图分别进行百分位数活动阈值分割,获得光强显著区SI和偏振显著区SP;
S3:针对S1中两类低频分量和S2中光强显著区SI和偏振显著区SP,提取偏振低频特有亮暗显著区,其余低频部分(其余低频部分为低频分量、光强显著区SI和偏振显著区之和SP减去偏振低频特有亮暗显著区后剩余的部分)作为背景区按绝对值取大融合,得到低频融合图像,并将偏振低频特有亮暗显著区迁移到该低频融合图像中;
S4:对S1中两类图像所有方向高频分量分别进行PC分类,将高频分量分为边缘轮廓类和纹理细节类;
S5:利用相位一致性和局部标准差分别对S4中所有方向高频分量的两类细节进行融合,得到1层4个方向和2层8个方向的融合高频图像;
S6:对S3中得到的低频融合图像和S5中得到的所有方向高频融合图像进行NSCT逆变换,得到最终融合图像,保存并输出结果。
本发明与现有技术相比具有以下优点:
1.本发明将源图像显著性亮暗特征和细节信息用显著性迁移方法和细节分类方法分别处理,能同时保留源图像中显著性亮暗特征和较多的细节信息;
2.利用AC显著性检测等处理在低频中实现偏振特有显著区的迁移融合,使融合不仅能够迁移源图像重要亮暗特征,也能突出融合图像对比度,并能避开直接在空间域中显著性区域融合的边缘效应和失真,减少红外光强和偏振图像边缘、纹理信息的丢失;
3.将高频信息分类为边缘轮廓类和纹理细节类,两类高频细节分别融合能减少融合后边缘轮廓消弱或纹理细节丢失的现象,有利于结构和纹理细节较多的偏振信息的保留。
附图说明
图1为本发明的融合流程框图。
图2至图5为4组不同场景红外光强与偏振源图像和不同方法融合图像,其中:
图2中(a)、(b)分别为Bradley M.Ratliff等人拍摄的人车场景红外光强图像和偏振度图像,此场景区域亮度差异较大;
图3中(a)、(b)分别为J.Scott Tyo等人拍摄的野外树林场景红外光强图像和偏振度图像,此场景纹理细节较多;
图4中(a)、(b)分别为申请人拍摄的双车场景红外光强图像和偏振度图像,此场景整体亮度较均匀;
图5中(a)、(b)分别为申请人拍摄的门树场景红外光强图像和偏振度图像,此场景域纹理信息和强度信息差异都较大;
图2至图5每组场景的(c)~(h)分别为K均值奇异值分解(KSVD)、加权平均(WA)、NSCT、顶帽变换(Tophat)和小波包变换(WPT)及本发明方法共6种方法融合结果图像。
图6为上述六种方法融合结果的融合指标评价折线图,其中横坐标为融合方法,纵坐标为指标值的对数映射形式。
具体实施方式
按照图1的融合流程框图,以图2至图5共4组场景红外光强和偏振图像的融合为例进行实验说明,则本发明具体实施步骤为:
S1:对输入同一场景已配准的红外光强和偏振图像分别进行NSCT两层分解,得到红外光强和偏振图像的低频分量和第1层4个方向与第2层8个方向高频分量;
S2:对S1中红外光强和偏振图像的低频分量分别进行AC显著性检测,并对得到的显著性图分别进行百分位数活动阈值分割,获得光强显著区SI和偏振显著区SP,具体步骤如下:
S21:低频分量的AC显著性检测:用不同大小窗口均值滤波器对S1中两类低频分量分别进行滤波,以区域中心像素与区域像素均值之间欧式距离作为低频分量的显著性度量。像素位置(x,y)处的显著性值为:Ft(x,y)=d(c(x,y),st(x,y))(2),其中,Ft(x,y)即为区域中心像素c(x,y)与区域像素均值st(x,y)之间的欧式距离,t={M/2,M/4,M/8}表示M/2、M/4或M/8三种尺寸区域窗口中的任意一种,M为二维图像长宽的最小尺寸值。
S22:低频显著性区域提取:以S21中所得显著性图的95%粒度百分位数活动阈值进行分割,具体计算为:假定二维图像共有N个像素,将所有像素从小到大排列,然后计算P(此处为95)百分位数(即阈值T)指数(j+m):其中j为整数部分,m为小数部分,则P百分位数(阈值T)为:T=X(j)+m×(X(j+1)-X(j))(4),其中X(j)为排序后第j个数的值,获得光强显著区SI和偏振显著区SP。
S3:针对S1中两类低频分量和S2中光强显著区SI和偏振显著区SP,提取偏振低频特有亮暗显著区,其余低频部分作为背景区按绝对值取大融合,得到低频融合图像,并将偏振低频特有亮暗显著区迁移到该低频融合图像中,具体步骤如下:
S31:利用逻辑“与”运算提取S2中光强显著区SI和偏振显著区SP的共有显著区SC,并去掉显著区SC中面积小于10像素的显著区,防止噪声影响,得区域图SCP;
S32:从S31中的区域图SCP中提取两低频分量像素强度差异小于差异值最大值的一半的区域,得区域图SCPMIN;
S33:提取与光强图像差异较大的偏振低频特有亮暗显著区SPP=SP-SCPMIN,并将此部分直接迁移到低频融合图中,其余部分作为背景区以绝对值取大规则进行融合。
S4:对S1中两类图像所有方向高频分量分别进行PC分类,将高频信息分为边缘轮廓类和纹理细节类,具体如下:
S41:相位一致性分类规则及参数设置:本发明采用Kovesi提出的改进的相位一致性方法,其表达式为:
其中,符号表示当内部表达式为正时取本身值,否则取0,An、φn分别为第n分量振幅和相位;为噪声能量,其中为最小尺度滤波器的响应振幅,m为相邻滤波器组的缩放因子,k为比例因子,取m=2,k=3;为滤波器频带加权函数,c为滤波器频带阈值,g用于控制转移函数的平滑性,分别取0.6和10,其中N为滤波器尺度,一般取3;ε为一小量,取0.001。
图像的PC计算常采用基于对数Gabor滤波的局部能量转化的方法计算,滤波方向数设为6个方向,以上参数设定不变。
S42:基于PC的高频细节分类:设定某方向两待融合高频分量分别为IA和IB,分别计算两分量相应的相位一致性,记为PCA和PCB,设定条件“PCA(x,y)>th或PCB(x,y)>th”记为ξ,其补集记为 则为细节分类的相位一致性阈值。
具体分类为:当某方向高频分量的相位一致性满足ξ条件时,对应的高频部分为边缘轮廓细节类,所对应的的区域记为SE;当满足时对应高频部分为纹理细节类,对应区域记为ST。
S5:利用相位一致性和局部标准差分别对S4中所有方向高频分量的两类细节进行融合,得到1层4个方向和2层8个方向的融合高频图像,具体如下:
记局部标准差为σR,R为3×3窗口,令fh为高频融合图像,则高频融合规则为:
S6:对S3中得到的低频融合图像和S5中得到的所有方向高频融合图像进行NSCT逆变换,得到最终融合图像,保存并输出结果。
主观评价:由图2至图5中的融合结果图可以看出本发明方法不仅获得了较多红外光强图像的亮度信息,偏振图像的纹理信息和显著性亮暗区域都得到了很好保留,无论从视觉亮度、对比度,还是纹理细节、边缘轮廓等方面都优于其它方法,对4组具有主要不同差异特征(见附图说明)场景的图像都得到了较好融合。结合融合结果的其它方法比较如下:
a.KSVD算法融合结果容易丢失重要细节信息,4组场景融合图像纹理细节部分均被不同程度平滑掉而丢失,而图3野外树林场景树的细节较多,细节损失最为严重,树林已经不能识别。
b.WA算法对很多场景会导致整体亮度信息不高,尤其会降低目标和背景的对比度,如此方法4组场景融合图像亮暗对比度均不高,而对于红外光强和偏振图像亮度差异较大的图2人车场景和图5门树场景比较明显,亮暗区域与整体背景平均灰度值差别不大。
c.NSCT算法对细节表示较好,从4组融合图中也可看出源图像的边缘轮廓及纹理细节保留较多,但融合结果中显著亮暗区域较暗,从而一定程度上降低了目标识别精度,如图2中石柱上的石球、图3中的两个亮车、图5的门底边等均不显著。
d.Tophat算法融合能较好保留源图像亮目标,但由于其处理过程并非显著目标的迁移,使融合对比度不高,且其融合结果的纹理密集区域不易识别,如图3场景的树林处融合较为模糊等。
e.WPT算法融合对纹理细节表示较精细,如图3野外树林场景融合保留纹理细节较多;而对相对平滑区融合相对较差,如图2人车场景车前玻璃处出现了失真,图5门树场景的门区域等仍较暗。
客观评价:表1至表4中所选指标能充分反映融合图像信息量、亮度、对比度等特征及轮廓、纹理细节等的保留与迁移。从各评价数据来看,本发明方法对不同场景IE、STD、MEAN和CON指标都是最高的,对MI、QW和QE三个指标出现了偏离,但综合来看,本发明方法在客观评价上也有较好的效果,这也能从图6中的折线图比较中看出来。
偏离的情况如:a.图2人车场景本发明方法MI和QE指标不是最高,但分别仅比WA算法和NSCT算法有微小差异,这是因为此场景中车前玻璃、雨刷、人、石球等亮暗区域信息较多,本发明方法对这些亮暗特征的迁移使细节稍有损失,但由于高频的分类融合,实际细节损失并不多,却反而有利于突出亮暗信息,提高目标探测与识别率。
b.图3野外树林场景和图4双车场景本发明方法QW与QE指标不占优势,而NSCT方法在QW和QE指标上有较好的体现,这与其本身多层级、多方向精细分解与重构的特点有关,本发明融合方法虽然也用到NSCT,但有对偏振显著性目标迁移的过程,对于边缘轮廓较清晰或细节较多的场景,边缘细节的结构相似性较NSCT必然会有所降低,但对源图像整体信息的迁移较多,如两组场景的MI指标较其它方法都最高。
c.图5门树场景本发明方法MI指标与最大值之间相差较大,这是因为源红外光强图像的亮门窗部分和偏振图像的亮纹理部分等在空间上分布较分散,因此,在迁移显著性区域时,会丢掉相应区域的其它源图像信息,但对于融合结果,显著性区域的保留符合人眼视觉认知,并方便目标识别等方面处理应用。
整体来看,本发明方法在亮度、目标与背景对比度、对源图像轮廓和细节的表达及信息迁移方面均有较好的效果。
表1至表4为4组场景上述六种方法融合结果评价指标的比较,所选7种指标分别为:信息熵(IE)、标准偏差(STD)、均值(MEAN)、对比度(CON)、互信息(MI)和基于结构相似性的Piella的两个指标QW和QE。
表1人车场景融合评价指标
表2野外树林场景融合评价指标
表3双车场景融合评价指标
表4门树场景融合评价指标
Claims (1)
1.一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,其特征在于包括以下步骤:
S1:对输入同一场景已配准的红外光强和偏振图像分别进行NSCT两层分解,得到红外光强和偏振图像的低频分量和第1层4个方向与第2层8个方向高频分量;
S2:对S1中红外光强和偏振图像的低频分量分别进行AC显著性检测,并对得到的显著性图分别进行百分位数活动阈值分割,获得光强显著区和偏振显著区;
S3:针对S1中两类低频分量和S2中光强显著区和偏振显著区,提取偏振低频特有亮暗显著区,其余低频部分作为背景区按绝对值取大融合,得到低频融合图像,并将偏振低频特有亮暗显著区迁移到该低频融合图像中;
S4:对S1中两类图像所有方向高频分量分别进行PC分类,将高频分量分为边缘轮廓类和纹理细节类;
S5:利用相位一致性和局部标准差分别对S4中所有方向高频分量的两类细节进行融合,得到1层4个方向和2层8个方向的融合高频图像;
S6:对S3中得到的低频融合图像和S5中得到的所有方向高频融合图像进行NSCT逆变换,得到最终融合图像,保存并输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710034250.0A CN106846289B (zh) | 2017-01-17 | 2017-01-17 | 一种红外光强与偏振图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710034250.0A CN106846289B (zh) | 2017-01-17 | 2017-01-17 | 一种红外光强与偏振图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846289A true CN106846289A (zh) | 2017-06-13 |
CN106846289B CN106846289B (zh) | 2019-08-23 |
Family
ID=59124526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710034250.0A Expired - Fee Related CN106846289B (zh) | 2017-01-17 | 2017-01-17 | 一种红外光强与偏振图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846289B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194870A (zh) * | 2017-05-24 | 2017-09-22 | 北京大学深圳研究生院 | 一种基于显著性物体检测的图像场景重构方法 |
CN108681696A (zh) * | 2018-04-28 | 2018-10-19 | 河海大学 | 融合多特征降维和迁移学习的红外目标稳健性识别方法 |
CN109242888A (zh) * | 2018-09-03 | 2019-01-18 | 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 |
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 |
CN109636766A (zh) * | 2018-11-28 | 2019-04-16 | 南京理工大学 | 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 |
CN110147824A (zh) * | 2019-04-18 | 2019-08-20 | 微梦创科网络科技(中国)有限公司 | 一种图像的自动分类方法及装置 |
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 |
CN110232694A (zh) * | 2019-06-12 | 2019-09-13 | 安徽建筑大学 | 一种红外偏振热像阈值分割方法 |
CN111489319A (zh) * | 2020-04-17 | 2020-08-04 | 电子科技大学 | 基于多尺度双边滤波和视觉显著性的红外图像增强方法 |
CN111667517A (zh) * | 2020-06-05 | 2020-09-15 | 北京环境特性研究所 | 基于小波包变换的红外偏振信息融合方法和装置 |
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 |
CN113421206A (zh) * | 2021-07-16 | 2021-09-21 | 合肥工业大学 | 一种基于红外偏振成像的图像增强方法 |
CN116295446A (zh) * | 2023-05-22 | 2023-06-23 | 中国人民解放军国防科技大学 | 一种偏振多尺度分解的无人机视觉匹配导航方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007010206A1 (en) * | 2005-07-18 | 2007-01-25 | Isis Innovation Limited | Method and computer program for spatial compounding of images |
CN103530853A (zh) * | 2013-10-17 | 2014-01-22 | 中北大学 | 红外光强图像和红外偏振图像增强融合方法 |
CN104392440A (zh) * | 2014-11-17 | 2015-03-04 | 天津师范大学 | 一种基于多尺度分析的异源融合图像互补性计算方法 |
CN104835113A (zh) * | 2015-04-30 | 2015-08-12 | 北京环境特性研究所 | 一种基于超分辨率图像重建的偏振图像融合方法 |
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 |
CN106204510A (zh) * | 2016-07-08 | 2016-12-07 | 中北大学 | 一种基于结构相似度约束的红外偏振与光强图像融合方法 |
-
2017
- 2017-01-17 CN CN201710034250.0A patent/CN106846289B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007010206A1 (en) * | 2005-07-18 | 2007-01-25 | Isis Innovation Limited | Method and computer program for spatial compounding of images |
CN103530853A (zh) * | 2013-10-17 | 2014-01-22 | 中北大学 | 红外光强图像和红外偏振图像增强融合方法 |
CN104392440A (zh) * | 2014-11-17 | 2015-03-04 | 天津师范大学 | 一种基于多尺度分析的异源融合图像互补性计算方法 |
CN104835113A (zh) * | 2015-04-30 | 2015-08-12 | 北京环境特性研究所 | 一种基于超分辨率图像重建的偏振图像融合方法 |
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 |
CN106204510A (zh) * | 2016-07-08 | 2016-12-07 | 中北大学 | 一种基于结构相似度约束的红外偏振与光强图像融合方法 |
Non-Patent Citations (3)
Title |
---|
G. BHATNAGAR等: "A novel image fusion framework for night-vision navigation", 《SIGNAL, IMAGE AND VIDEO PROCESSING (2015)》 * |
S. ANITHA等: "A Novel Multimodal Medical Image Fusion Approach based on Phase Congruency and Directive Contrast in NSCT Domain", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》 * |
郭玲,杨斌: "基于视觉显著性的红外与可见光图像融合", 《计算机科学》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194870B (zh) * | 2017-05-24 | 2020-07-28 | 北京大学深圳研究生院 | 一种基于显著性物体检测的图像场景重构方法 |
CN107194870A (zh) * | 2017-05-24 | 2017-09-22 | 北京大学深圳研究生院 | 一种基于显著性物体检测的图像场景重构方法 |
CN108681696A (zh) * | 2018-04-28 | 2018-10-19 | 河海大学 | 融合多特征降维和迁移学习的红外目标稳健性识别方法 |
CN109242888A (zh) * | 2018-09-03 | 2019-01-18 | 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 |
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 |
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 |
CN109636766A (zh) * | 2018-11-28 | 2019-04-16 | 南京理工大学 | 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 |
CN110147824A (zh) * | 2019-04-18 | 2019-08-20 | 微梦创科网络科技(中国)有限公司 | 一种图像的自动分类方法及装置 |
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 |
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 |
CN110232694A (zh) * | 2019-06-12 | 2019-09-13 | 安徽建筑大学 | 一种红外偏振热像阈值分割方法 |
CN110232694B (zh) * | 2019-06-12 | 2021-09-07 | 安徽建筑大学 | 一种红外偏振热像阈值分割方法 |
CN111489319A (zh) * | 2020-04-17 | 2020-08-04 | 电子科技大学 | 基于多尺度双边滤波和视觉显著性的红外图像增强方法 |
CN111667517A (zh) * | 2020-06-05 | 2020-09-15 | 北京环境特性研究所 | 基于小波包变换的红外偏振信息融合方法和装置 |
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 |
CN113421206A (zh) * | 2021-07-16 | 2021-09-21 | 合肥工业大学 | 一种基于红外偏振成像的图像增强方法 |
CN113421206B (zh) * | 2021-07-16 | 2022-11-15 | 合肥工业大学 | 一种基于红外偏振成像的图像增强方法 |
CN116295446A (zh) * | 2023-05-22 | 2023-06-23 | 中国人民解放军国防科技大学 | 一种偏振多尺度分解的无人机视觉匹配导航方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106846289B (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846289B (zh) | 一种红外光强与偏振图像融合方法 | |
Zhang et al. | A categorization of multiscale-decomposition-based image fusion schemes with a performance study for a digital camera application | |
Vanmali et al. | Visible and NIR image fusion using weight-map-guided Laplacian–Gaussian pyramid for improving scene visibility | |
Blum et al. | An Overview of lmage Fusion | |
Bhat et al. | Multi-focus image fusion techniques: a survey | |
Adu et al. | Image fusion based on nonsubsampled contourlet transform for infrared and visible light image | |
Yang et al. | Multifocus image fusion based on NSCT and focused area detection | |
Zhu et al. | Multiscale infrared and visible image fusion using gradient domain guided image filtering | |
CN108921809B (zh) | 整体原则下基于空间频率的多光谱和全色图像融合方法 | |
Bhatnagar et al. | An image fusion framework based on human visual system in framelet domain | |
Singh et al. | Review of various image fusion algorithms and image fusion performance metric | |
Zhang et al. | Efficient fusion scheme for multi-focus images by using blurring measure | |
Zhao et al. | Infrared and visible image fusion algorithm based on saliency detection and adaptive double-channel spiking cortical model | |
Duan et al. | Infrared and visible image fusion using multi-scale edge-preserving decomposition and multiple saliency features | |
CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
Patel et al. | A review on infrared and visible image fusion techniques | |
Junwu et al. | An infrared and visible image fusion algorithm based on LSWT-NSST | |
Li et al. | Two-layer average-to-peak ratio based saliency detection | |
Wang et al. | Saliency detection using mutual consistency-guided spatial cues combination | |
CN104992426B (zh) | 一种用于明场显微成像的多层图像融合算法 | |
Zeng et al. | Review of image fusion algorithms for unconstrained outdoor scenes | |
Roy et al. | A scheme for edge-based multi-focus color image fusion | |
Xiaoxu et al. | Image dehazing base on two-peak channel prior | |
Li et al. | Infrared and visible image fusion method based on principal component analysis network and multi-scale morphological gradient | |
PL | A study on various image processing techniques |
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: 20190823 Termination date: 20220117 |