CN108122220A - 红外图像与微光图像融合系统及方法 - Google Patents

红外图像与微光图像融合系统及方法 Download PDF

Info

Publication number
CN108122220A
CN108122220A CN201711309609.7A CN201711309609A CN108122220A CN 108122220 A CN108122220 A CN 108122220A CN 201711309609 A CN201711309609 A CN 201711309609A CN 108122220 A CN108122220 A CN 108122220A
Authority
CN
China
Prior art keywords
images
lll
image
modules
infrared image
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
Application number
CN201711309609.7A
Other languages
English (en)
Other versions
CN108122220B (zh
Inventor
李慧奇
张阵
赵国如
宁运琨
王磊
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201711309609.7A priority Critical patent/CN108122220B/zh
Publication of CN108122220A publication Critical patent/CN108122220A/zh
Application granted granted Critical
Publication of CN108122220B publication Critical patent/CN108122220B/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 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
    • 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
    • G06T2207/20212—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 Processing (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供的红外图像与微光图像融合的系统及方法，对红外图像及微光图像进行侧抑制增强处理获取IR图像及LLL图像，对IR图像进行预处理获取局部图像T，将LLL图像和T图像进行加权与计算，获取LLL′图像，对LLL′图像进行处理，获取+LLL′图像，对IR图像进行处理，获取‑IR图像，‑IR图像进入ON模块的环绕区域，+LLL′图像进入ON模块的中心区域，获取融合后的图像，本发明采用仿生生物视觉ON‑OFF模型，将经过OFF系统的红外图像和经过ON系统的微光图像，分别输入到ON系统的抑制区和兴奋区，从而获得符合人眼视觉的、目标清晰的、背景细节丰富的融合图像。

Description

红外图像与微光图像融合系统及方法
技术领域
本发明属于图像技术领域，尤其涉及红外图像与微光图像融合的系统及方法。
背景技术
红外图像由于是物体自身的辐射所产生的图像，可以“主动”地获取场景中的目标信息，并且能够很好地显示隐藏的热目标，受照明条件与恶劣天气的影响较小，但是同时由于成像原理的限制，红外图像对比度较低，空间相关性强，目标细节的反映能力也比较差，成像效果不符合人眼视觉习惯。
微光图像属于可见光范畴，尤其是在低照度下其内容信息相对红外图像而言更加丰富，可以更好的描述环境的细节信息，但是受到环境与距离的限制，天气不好的时候成像噪声非常大，尤其是对于目标与背景色度差异较小的情况下，容易丢失目标。
将红外和微光图像融合可以极大的方便探测者对两种图像的信息获取，而且还能保持各自的优势。红外和微光图像融合能够有效利用它们各自的特征部分信息，加强对场景的理解能力，突显目标，有助于探测隐蔽伪装的目标，可以提升夜间监测和夜间作战的能力。
申请号为201710300515.7提供的一种红外和夜视仪的光学图像融合系统及方法。该方法实际上并没有涉及到图像融合，是纯粹的光学系统。微光图像本来光强就十分微弱，如果再经多次反射，那么微光模块就几乎没有图像。
申请号为201410428909.7提供的一种红外与微光/可见光融合成像的方法及系统。该方法虽然涉及到图像融合，但是由于强制性的将红外图像中的目标图像缩放融合到微光图像中，获得的图像不符合人眼视觉习惯。
发明内容
本发明的目的在于提供一种红外图像与微光图像融合的方法及方法，旨在解决由于现有技术无法提供一种符合人眼视觉的、目标清晰的、背景细节丰富的红外图像与微光图像融合的系统及方法。
为实现上述目的，本发明采用下述技术方案：
一种红外图像与微光图像融合的系统，包括：
侧抑制增强模块，用于对红外图像进行侧抑制增强处理以获取IR图像；以及对微光图像进行侧抑制增强处理以获取LLL图像；
预处理模块，用于对所述IR图像进行预处理以获取包含目标的局部图像T；
加权与模块，用于将所述LLL图像和所述T图像进行加权与计算，以获取LLL′图像；
中心兴奋-环绕抑制的ON模块，用于对所述LLL′图像进行处理，以获取+LLL′图像；及
中心抑制-环绕兴奋的OFF模块，用于对所述IR图像进行处理，以获取-IR图像；
融合模块，用于将进入中心兴奋-环绕抑制的ON模块的环绕区域的所述-IR图像以及进入中心兴奋-环绕抑制的ON模块的中心区域的所述+LLL′图像进行融合。
在一些较佳的实施例中，所述侧抑制增强模块的抑制宽度为1。
在一些较佳的实施例中，所述预处理模块用于对所述IR图像采取阈值处理、二值化、开运算、闭运算以及图像分割处理以获取包含目标的局部图像T。
在一些较佳的实施例中，还包括输出模块，用于输出融合后的图像。
另外，本发明还提供了一种红外图像与微光图像融合的方法，所述方法包括下述步骤：
对红外图像进行侧抑制增强处理以获取IR图像；
对所述IR图像进行预处理以获取包含目标的局部图像T；
对微光图像进行侧抑制增强处理以获取LLL图像；
将所述LLL图像和所述T图像进行加权与计算，以获取LLL′图像；
所述LLL′图像进入中心兴奋-环绕抑制的ON模块的中心区域，以获取+LLL′图像；
所述IR图像进入中心抑制-环绕兴奋的OFF模块的中心区域，以获取-IR图像；
所述-IR图像进入中心兴奋-环绕抑制的ON模块的环绕区域，所述+LLL′图像进入中心兴奋-环绕抑制的ON模块的中心区域，以获取融合后的图像。
在一些较佳的实施例中，，在对所述IR图像进行预处理以获取包含目标的局部图像T的步骤中，所述预处理包括对所述IR图像采取阈值处理、二值化、开运算、闭运算以及图像分割处理。
在一些较佳的实施例中，还包括输出融合后的图像的步骤。
本发明提供的红外图像与微光图像融合的系统及方法，对红外图像及微光图像进行侧抑制增强处理分别获取IR图像及LLL图像，再对IR图像进行预处理以获取包含目标的局部图像T，再将所述LLL图像和所述T图像进行加权与计算，以获取LLL′图像，采用中心兴奋-环绕抑制的ON模块对所述LLL′图像进行处理，以获取+LLL′图像，采用中心抑制-环绕兴奋的OFF模块对所述IR图像进行处理，以获取-IR图像，所述-IR图像进入中心兴奋-环绕抑制的ON模块的环绕区域，所述+LLL′图像进入中心兴奋-环绕抑制的ON模块的中心区域，以获取融合后的图像，本发明提供的红外图像与微光图像融合的系统及方法，采用仿生生物视觉ON-OFF模型，将经过OFF系统的红外图像和经过ON系统的微光图像，分别输入到ON系统的抑制区和兴奋区，从而获得符合人眼视觉的、目标清晰的、背景细节丰富的融合图像。
附图说明
图1是本发明实施例一提供的红外图像与微光图像融合的方法的实现原理图；
图2示出了本发明实施例二提供的红外图像与微光图像融合的方法的实现原理图。
图3是本发明实施例二提供的红外图像与微光图像融合的方法的实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的红外图像与微光图像融合的方法10，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：侧抑制增强模块110、预处理模块120、加权与模块130、中心兴奋-环绕抑制的ON模块140、中心抑制-环绕兴奋的OFF模块150及融合模块160。
侧抑制增强模块110，用于对红外图像(Infrared Radiation,IR)进行侧抑制增强处理以获取IR图像以及对微光图像(Low light level,LLL)进行侧抑制增强处理以获取LLL图像。
在本发明提供的实施例中，侧抑制增强模块采用二维侧抑制模型，其数学模型为：
式中，eij为某点的输入；rij为该点的输出；l为抑制范围；为抑制系数。
可以理解，上述二维侧抑制模型的两个感受器单元(i,j)和(p,q)之间的距离越大，其相互作用的抑制量越小，相应的侧抑制系数越小；反之，侧抑制量越大，侧抑制系数越大。
在本发明提供的实施例中，在上述二维侧抑制模型中，两个感受器单元(i,j)和(p,q)之间的距离定义为欧几里德距离，即
在本发明提供的实施例中，侧抑制系数可以采用二维双曲线分布、高斯分布和双峰高斯分布。
在本发明提供的实施例中，二维双曲线分布的数学表达式为：
其中α为常数。
在本发明提供的实施例中，高斯分布的数学表达式为：
其中，β决定了高斯分布的峰值，μ为高斯分布中心，σ为高斯分布宽度。
在本发明提供的实施例中，双峰高斯分布的数学表达式为：
其中，β、β1、β2决定了双峰高斯的峰值，μ1、μ2为双峰高斯的两个中心，σ1σ2为双峰高斯的两个宽度。
在本发明提供的一较佳实施例中，选择双峰高斯分布作为侧抑制系数，并选取参数β＝1，β1＝β2＝2，σ1＝1，σ2＝1.6，μ1＝μ2＝0。为了能够满足实时处理，我们选择抑制宽度l＝1，即3×3矩阵作为抑制模板。
可以理解，通过采用侧抑制增强模块110可以实现对红外图像和微光图像进行增强，获得目标和背景得到突出的红外图像和微光图像。
预处理模块120用于对所述IR图像进行预处理以获取包含目标的局部图像T。
在本发明提供的实施例中，预处理模块120用于对所述IR图像采取阈值处理、二值化、开运算、闭运算以及图像分割处理以获取包含目标的局部图像T。
加权与模块130，用于将所述LLL图像和所述T图像进行加权与计算，以获取LLL′图像。
可以理解，将经过侧抑制增强的LLL图像和包含目标的局部图像T加权与计算(U)，获得带有目标信息的LLL′图像，即LLL'＝α1LLL+α2T其中，α1+α2＝1。
中心兴奋-环绕抑制的ON模块140用于对所述LLL′图像进行处理，以获取+LLL′图像。
可以理解，微光图像与红外图像相比，具有丰富的背景、细节信息，经过加权与模块130目标增强后LLL′图像具有一定的目标信息，将LLL′图像进入中心兴奋-环绕抑制的ON模块140的中心区域，可以获得增强后的背景和细节信息图像，即+LLL′图像。
中心抑制-环绕兴奋的OFF模块150用于对所述IR图像进行处理，以获取-IR图像。
可以理解，将经过侧抑制增强的红外图像进入中心抑制-环绕兴奋的OFF模块150的中心区域得到-IR图像，其背景和目标发生了反相，背景和目标对比度减少。
融合模块160用于将进入中心兴奋-环绕抑制的ON模块的环绕区域的所述-IR图像以及进入中心兴奋-环绕抑制的ON模块的中心区域的所述+LLL′图像进行融合。
可以理解，经过融合模块160后获取的图像增强了其中心区域的微光图像中的目标信息，而且保留了微光图像丰富的背景和细节信息。
在本发明提供的实施例中，本发明提供的红外图像与微光图像融合的系统10还包括输出模块170，用于输出融合后的图像。
本发明提供的红外图像与微光图像融合的系统，采用仿生生物视觉ON-OFF模型，将经过OFF系统的红外图像和经过ON系统的微光图像，分别输入到ON系统的抑制区和兴奋区，从而获得符合人眼视觉的、目标清晰的、背景细节丰富的融合图像。
在本发明实施例中，该红外图像与微光图像融合的方法的各模块可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。各红外图像与微光图像融合的方法的具体实施方式可参考上述实施例的描述，在此不再赘述。
实施例二：
图2示出了本发明实施例二提供的红外图像与微光图像融合的方法的实现原理图，为了便于说明，仅示出了与本发明实施例相关的部分。
其中：LLL(Low light level)表示为微光图像；IR(Infrared Radiation)表示为红外图像；LTE(Lateral inhibition Enhancement)表示为侧抑制增强；T(target)
表示为目标图像；表示为加权与；表示为中心兴奋-环绕抑制的ON系统；表示为中心抑制-环绕兴奋的OFF系统。
请参阅图3，为本发明提供的红外图像与微光图像融合的方法步骤流程图20，详述如下：
在步骤S201中，对红外图像进行侧抑制增强处理以获取IR图像。
在本发明提供的实施例中，侧抑制增强模块采用二维侧抑制模型，其数学模型为：
式中，eij为某点的输入；rij为该点的输出；l为抑制范围；为抑制系数。
可以理解，上述二维侧抑制模型的两个感受器单元(i,j)和(p,q)之间的距离越大，其相互作用的抑制量越小，相应的侧抑制系数越小；反之，侧抑制量越大，侧抑制系数越大。
在本发明提供的实施例中，在上述二维侧抑制模型中，两个感受器单元(i,j)和(p,q)之间的距离定义为欧几里德距离，即
在本发明提供的实施例中，侧抑制系数可以采用二维双曲线分布、高斯分布和双峰高斯分布。
在本发明提供的实施例中，二维双曲线分布的数学表达式为：
其中α为常数
在本发明提供的实施例中，高斯分布的数学表达式为：
其中，β决定了高斯分布的峰值，μ为高斯分布中心，σ为高斯分布宽度。
在本发明提供的实施例中，双峰高斯分布的数学表达式为：
其中，β、β1、β2决定了双峰高斯的峰值，μ1、μ2为双峰高斯的两个中心，σ1σ2为双峰高斯的两个宽度。
在本发明提供的一较佳实施例中，选择双峰高斯分布作为侧抑制系数，并选取参数β＝1，β1＝β2＝2，σ1＝1，σ2＝1.6，μ1＝μ2＝0。
在本发明提供的一较佳实施例中，选择双峰高斯分布作为侧抑制系数，为了能够满足实时处理，我们选择抑制宽度l＝1，即3×3矩阵作为抑制模板。
可以理解，通过上述步骤可以实现对红外图像和微光图像进行增强，获得目标和背景得到突出的红外图像和微光图像。
在步骤S202中，对所述IR图像进行预处理以获取包含目标的局部图像T。
作为本发明一较佳实施例，预处理包括对所述IR图像采取阈值处理、二值化、开运算、闭运算以及图像分割处理以获取包含目标的局部图像T。
在步骤S203中，将所述LLL图像和所述T图像进行加权与计算，以获取LLL′图像。
可以理解，将经过侧抑制增强的LLL图像和包含目标的局部图像T加权与计算(U)，获得带有目标信息的LLL′图像，即LLL'＝α1LLL+α2T其中，α1+α2＝1。
在步骤S204中，所述LLL′图像进入中心兴奋-环绕抑制的ON模块的中心区域，以获取+LLL′图像。
可以理解，微光图像与红外图像相比，具有丰富的背景、细节信息，经过加权与计算后得到的目标增强的LLL′图像具有一定的目标信息，将LLL′图像进入中心兴奋-环绕抑制的ON模块140的中心区域，可以获得增强后的背景和细节信息图像，即+LLL′图像。
在步骤S205中，所述IR图像进入中心抑制-环绕兴奋的OFF模块的中心区域，以获取-IR图像。
可以理解，将经过侧抑制增强的红外图像进入中心抑制-环绕兴奋的OFF模块150的中心区域得到-IR图像，其背景和目标发生了反相，背景和目标对比度减少。
在步骤S206中，所述-IR图像进入中心兴奋-环绕抑制的ON模块的环绕区域，所述+LLL′图像进入中心兴奋-环绕抑制的ON模块的中心区域，以获取融合后的图像。
可以理解，经过融合后获取的图像增强了其中心区域的微光图像中的目标信息，而且保留了微光图像丰富的背景和细节信息。
本发明提供的红外图像与微光图像融合的方法10还包括输出融合后的图像的步骤。
本发明提供的红外图像与微光图像融合的方法，采用仿生生物视觉ON-OFF模型，将经过OFF系统的红外图像和经过ON系统的微光图像，分别输入到ON系统的抑制区和兴奋区，从而获得符合人眼视觉的、目标清晰的、背景细节丰富的融合图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
本发明提供的红外图像与微光图像融合的系统及方法，对红外图像及微光图像进行侧抑制增强处理分别获取IR图像及LLL图像，再对IR图像进行预处理以获取包含目标的局部图像T，再将所述LLL图像和所述T图像进行加权与计算，以获取LLL′图像，采用中心兴奋-环绕抑制的ON模块对所述LLL′图像进行处理，以获取+LLL′图像，采用中心抑制-环绕兴奋的OFF模块对所述IR图像进行处理，以获取-IR图像，所述-IR图像进入中心兴奋-环绕抑制的ON模块的环绕区域，所述+LLL′图像进入中心兴奋-环绕抑制的ON模块的中心区域，以获取融合后的图像，本发明提供的红外图像与微光图像融合的系统及方法，采用仿生生物视觉ON-OFF模型，将经过OFF系统的红外图像和经过ON系统的微光图像，分别输入到ON系统的抑制区和兴奋区，从而获得符合人眼视觉的、目标清晰的、背景细节丰富的融合图像。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种红外图像与微光图像融合的系统，其特征在于，包括：
侧抑制增强模块，用于对红外图像进行侧抑制增强处理以获取IR图像；以及对微光图像进行侧抑制增强处理以获取LLL图像；
预处理模块，用于对所述IR图像进行预处理以获取包含目标的局部图像T；
加权与模块，用于将所述LLL图像和所述T图像进行加权与计算，以获取LLL′图像；
中心兴奋-环绕抑制的ON模块，用于对所述LLL′图像进行处理，以获取+LLL′图像；及
中心抑制-环绕兴奋的OFF模块，用于对所述IR图像进行处理，以获取-IR图像；
融合模块，用于将进入中心兴奋-环绕抑制的ON模块的环绕区域的所述-IR图像以及进入中心兴奋-环绕抑制的ON模块的中心区域的所述+LLL′图像进行融合。
2.如权利要求1所述的红外图像与微光图像融合的系统，其特征在于，所述侧抑制增强模块的抑制宽度为1。
3.如权利要求1所述的红外图像与微光图像融合的系统，其特征在于，所述预处理模块用于对所述IR图像采取阈值处理、二值化、开运算、闭运算以及图像分割处理以获取包含目标的局部图像T。
4.如权利要求1所述的红外图像与微光图像融合的系统，其特征在于，还包括输出模块，用于输出融合后的图像。
5.一种红外图像与微光图像融合的方法，其特征在于，所述方法包括下述步骤：
对红外图像进行侧抑制增强处理以获取IR图像；
对所述IR图像进行预处理以获取包含目标的局部图像T；
对微光图像进行侧抑制增强处理以获取LLL图像；
将所述LLL图像和所述T图像进行加权与计算，以获取LLL′图像；
所述LLL′图像进入中心兴奋-环绕抑制的ON模块的中心区域，以获取+LLL′图像；
所述IR图像进入中心抑制-环绕兴奋的OFF模块的中心区域，以获取-IR图像；
所述-IR图像进入中心兴奋-环绕抑制的ON模块的环绕区域，所述+LLL′图像进入中心兴奋-环绕抑制的ON模块的中心区域，以获取融合后的图像。
6.如权利要求1所述的红外图像与微光图像融合的方法，其特征在于，在对所述IR图像进行预处理以获取包含目标的局部图像T的步骤中，所述预处理包括对所述IR图像采取阈值处理、二值化、开运算、闭运算以及图像分割处理。
7.如权利要求1所述的红外图像与微光图像融合的方法，其特征在于，还包括输出融合后的图像的步骤。
CN201711309609.7A 2017-12-11 2017-12-11 红外图像与微光图像融合系统及方法 Active CN108122220B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711309609.7A CN108122220B (zh) 2017-12-11 2017-12-11 红外图像与微光图像融合系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711309609.7A CN108122220B (zh) 2017-12-11 2017-12-11 红外图像与微光图像融合系统及方法

Publications (2)

Publication Number Publication Date
CN108122220A true CN108122220A (zh) 2018-06-05
CN108122220B CN108122220B (zh) 2021-11-30

Family

ID=62228935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711309609.7A Active CN108122220B (zh) 2017-12-11 2017-12-11 红外图像与微光图像融合系统及方法

Country Status (1)

Country Link
CN (1) CN108122220B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120028A (zh) * 2018-11-13 2019-08-13 中国科学院深圳先进技术研究院 一种仿生响尾蛇红外和微光图像彩色融合方法及装置
CN115861359A (zh) * 2022-12-16 2023-03-28 兰州交通大学 一种水面漂浮垃圾图像自适应分割提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2194503A1 (en) * 2008-10-27 2010-06-09 Guangzhou SAT Infrared Technology Co., Ltd. Method and device for infrared and visible image fusion
CN105447838A (zh) * 2014-08-27 2016-03-30 北京计算机技术及应用研究所 一种红外与微光/可见光融合成像的方法及系统
CN105631922A (zh) * 2015-12-21 2016-06-01 南京理工大学 基于Vega的红外与微光视频的同步仿真方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2194503A1 (en) * 2008-10-27 2010-06-09 Guangzhou SAT Infrared Technology Co., Ltd. Method and device for infrared and visible image fusion
CN105447838A (zh) * 2014-08-27 2016-03-30 北京计算机技术及应用研究所 一种红外与微光/可见光融合成像的方法及系统
CN105631922A (zh) * 2015-12-21 2016-06-01 南京理工大学 基于Vega的红外与微光视频的同步仿真方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
倪国强: "基于响尾蛇双模式细胞机理的可见光/红外图像彩色融合技术的优势和前景展望", 《北京理工大学学报》 *
王岭雪: "基于侧抑制特性的夜视图像彩色融合方法研究", 《北京理工大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120028A (zh) * 2018-11-13 2019-08-13 中国科学院深圳先进技术研究院 一种仿生响尾蛇红外和微光图像彩色融合方法及装置
CN115861359A (zh) * 2022-12-16 2023-03-28 兰州交通大学 一种水面漂浮垃圾图像自适应分割提取方法

Also Published As

Publication number Publication date
CN108122220B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
Li et al. Haze visibility enhancement: A survey and quantitative benchmarking
CN108133470A (zh) 红外图像与微光彩色图像融合系统及方法
CN109272455A (zh) 基于弱监督生成对抗网络的图像去雾方法
CN110910486A (zh) 室内场景光照估计模型、方法、装置、存储介质以及渲染方法
CN112001868A (zh) 基于生成对抗性网络的红外和可见光图像融合方法及系统
CN110008846B (zh) 一种图像处理方法
CN108510451A (zh) 一种基于双层卷积神经网络的重建车牌的方法
CN115063329A (zh) 低光照环境下的可见光和红外图像融合增强方法及系统
Fang et al. Effective Single Underwater Image Enhancement by Fusion.
CN109993103A (zh) 一种基于点云数据的人体行为识别方法
CN106373086A (zh) 一种基于增强现实的戒指2d在线实时试戴方法及系统
Swami et al. Candy: Conditional adversarial networks based fully end-to-end system for single image haze removal
Sharma et al. Nighttime stereo depth estimation using joint translation-stereo learning: Light effects and uninformative regions
CN106127104A (zh) 一种Android平台下基于人脸关键点的预测系统及其方法
CN105469428B (zh) 一种基于形态学滤波和svd的弱小目标检测方法
CN108122220A (zh) 红外图像与微光图像融合系统及方法
CN111753671A (zh) 一种现实场景的人群计数方法
Kim et al. Cross fusion-based low dynamic and saturated image enhancement for infrared search and tracking systems
Zhao et al. Image dehazing based on haze degree classification
Zhang et al. Outdoor illumination estimation via all convolutional neural networks
Marnissi et al. Thermal image enhancement using generative adversarial network for pedestrian detection
Sneha et al. A Neural Radiance Field-Based Architecture for Intelligent Multilayered View Synthesis
Li et al. Cross-domain learning for underwater image enhancement
Zou et al. Correlation-and-correction fusion attention network for occluded pedestrian detection
CN115063428B (zh) 一种基于深度强化学习的空间暗弱小目标检测方法

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