CN108171678B - 一种基于方向权值经验模式分解的遥感图像融合方法 - Google Patents

一种基于方向权值经验模式分解的遥感图像融合方法 Download PDF

Info

Publication number
CN108171678B
CN108171678B CN201711408096.5A CN201711408096A CN108171678B CN 108171678 B CN108171678 B CN 108171678B CN 201711408096 A CN201711408096 A CN 201711408096A CN 108171678 B CN108171678 B CN 108171678B
Authority
CN
China
Prior art keywords
image
calculating
decomposition
fused
imf
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
Application number
CN201711408096.5A
Other languages
English (en)
Other versions
CN108171678A (zh
Inventor
梁灵飞
董永生
杨春蕾
鲍秋旭
刘中华
普杰信
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201711408096.5A priority Critical patent/CN108171678B/zh
Publication of CN108171678A publication Critical patent/CN108171678A/zh
Application granted granted Critical
Publication of CN108171678B publication Critical patent/CN108171678B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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 Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明首先运用方向权值经验模式分解方法对采集到的源图像进行多尺度分解，获得每幅源图像的多级尺度的高频内蕴模式分量，对各级分量按照权值规则进行融合处理，保留了所有源图像的细节信息和能量分布，最后反向重构获取融合图像。本发明有益效果：与传统经验模式分解相比，克服了运算速度慢和分解结果有暗斑和边缘重叠的问题。获得各级分量按照权值规则进行融合处理，可最大化的融合细节信息，减少非细节信息的影响，保留各分量的能量分布。

Description

一种基于方向权值经验模式分解的遥感图像融合方法
技术领域
本发明涉及图像融合技术领域，具体地说是一种基于方向权值经验模式分解的遥感图像融合方法。
背景技术
目前，基于多分辨率、多尺度分解的融合算法，在图像融合中得到广泛应用。各国研究者提出Wavelet变换、Ridgelet变换、Curvelet变换、Contourlet变换和Bandelet变换等多种小波和超小波变换的处理方法，就是这方面的重要研究成果。但无论是基于那种小波，在图像融合中都存在一个问题：融合后的图像会在局部位置出现畸变。因此，工程界和数学界从未停止过探索更好的分解算法。
1999年，美国宇航局的Norden E.Huang教授发明了经验模式分解算法(EmpiricalMode Decomposition，EMD)，能将非稳定非线性信号按频率做自适应分解。二维经验模式分解是一维EMD分解算法在二维平面上的推广，可用于图像数据的分析和处理，通过将原始图像自适应的分解为有效数量的子图像，可以将图像从高频到低频的局部窄带细节信息内蕴模式分量分解出来，剩余分量表示图像的趋势。分解出来内蕴模式分量具有当前图像的纹理信息。但传统二维经验模式分解有两个缺陷：一是循环迭代次数太多，影响运算速度；分解得到的内蕴模式分量图像中有暗斑或边缘重叠。因此两缺陷严重影响了传统二维经验模式分解在图像处理领域中的应用。快速经验模式分解算法可有效解决传统二维经验模式分解的缺陷，又保留了传统二维经验模式分解自适应分解特性。但方向权值经验模式分解算法其应用还处于起步阶段，少有关于图像融合的讨论，基于方向权值经验模式分解算法的融合规则也少有具体实现，需深入探索。
综上，目前现有的融合技术应用于遥感图像融合，还存在一些不足：基于小波、超小波的融合图像会出现局部畸变，传统经验模式分解方法分解得到的内蕴模式分量图像暗斑或双边缘都对融合结果有很大的影响。
发明内容
本发明所要解决的技术问题是提供一种基于方向权值经验模式分解的遥感图像融合方法，解决传统经验模式分解方法出现局部畸变，导致融合效果不够理想等缺陷。
本发明为解决上述技术问题所采用的技术方案是：一种基于方向权值经验模式分解的遥感图像融合方法，包括以下步骤：
步骤一、运用方向权值经验模式分解算法将匹配好的待融合源图像分别进行相同级数的分解，得到源图像的多尺度多向的内蕴模式函数分量imfij和剩余分量ri其中i＝1,2,…,m，m为待融合图像的数量，j＝1,2,…,n，n为分解得到的内蕴模式函数分量imf的级数；
步骤二、将相同级的待融合图像的内蕴模式函数分量imfij和剩余分量ri进行融合处理，产生融合图像的第j级内模分量IMFj和剩余分量R；
步骤三、将IMFj和R反向重构得到融合图像I′：
Figure BDA0001520746970000021
优选的，本发明所述步骤一中对每个待融合图像进行分解的方法为：
(1)初始化：令r0＝I,j＝1，I表示的是源图像；
(2)根据分解层数，进行以下操作：
(a)令h0＝rj-1,i＝1，其中i表示内部第i次筛选，j为分解第j级内蕴模式分量；
(b)更新hi＝hi-1-mi-1,i＝i+1，其中mi-1为运用方向滤波器计算的hi-1的平均包络；
(c)重复步骤(b)直到hi的极值数小于3或i＝AI，则sj＝hi,imfj＝hi,j＝j+1，其中AI为规定的筛选次数；
(3)更新rj＝rj-1-sj；
(4)重复步骤(2)和(3)直到rj的极大值和极小值之和小于3。
优选的，本发明所述步骤(b)中运用方向滤波器计算hi-1的平均包络mi-1的方法为：
(1)提取hi-1的所有局部极值点，并统计极值点的个数l，计算滤波器窗口w，
Figure BDA0001520746970000022
其中M和N为输入源hi-1的像素大小；
(2)在窗口w下运用Riesz变换得到hi-1中所有点的局部方向，得到局部方向点集di-1；
(3)根据方向点集di-1当前点方向生成方向滤波器bdf，根据方向滤波器bdf计算当前点的局部方向权值均值，遍历所有数据点，计算得到平均包络mi-1。
优选的，本发明所述步骤(3)中方向滤波器bdf的生成方法为：
(a)由下式计算得到方向高斯滤波器filter(x,y,θ)：
Figure BDA0001520746970000031
x,y为当前点坐标，o、p的取值范围为
Figure BDA0001520746970000032
其中θ为方向点集当前点的方向，σ为高斯方差；
(b)由下式计算二值方向滤波器：
Figure BDA0001520746970000033
优选的，本发明所述步骤(3)中由方向滤波器bdf计算平均包络m的方法为：
(a)计算参数s1：
Figure BDA0001520746970000034
(b)计算参数s2：
Figure BDA0001520746970000035
(c)计算权值ω：
Figure BDA0001520746970000036
(d)计算平均包络m：
Figure BDA0001520746970000041
优选的，本发明所述步骤二中融合的方法为：
(1)计算局部均值lm(x,y)：
Figure BDA0001520746970000042
，f表示imfij和ri，u，v分别表示当前点(x,y)在x轴和y轴的位移；
(2)分别计算内蕴模式函数分量imfij和剩余分量ri的权值αi和α′i：
Figure BDA0001520746970000043
(3)融合：
Figure BDA0001520746970000044
本发明的有益效果是：本发明首先运用方向权值经验模式分解方法对采集到的源图像进行多尺度分解，获得每幅源图像的多级尺度的高频内蕴模式分量，对各级分量按照权值规则进行融合处理，保留了所有源图像的细节信息和能量分布，最后反向重构获取融合图像，具有以下优点：分解过程继承了传统经验模式分解的优点：完全由数据驱动，求取各级内蕴模式分量类似高频滤波过程，与小波，超小波相比，可获取更为丰富的细节信息，使得融合图像的质量得到提高，同时与传统经验模式分解相比，克服了运算速度慢和分解结果有暗斑和边缘重叠的问题。获得各级分量按照权值规则进行融合处理，可最大化的融合细节信息，减少非细节信息的影响，保留各分量的能量分布。本发明使得融合后图像的质量得到提高，对于遥感图像融合领域的应用具有重要意义和实用价值。
附图说明
图1为本发明基于方向权值经验模式分解的遥感图像融合方法流程示意图；
图2为传统经验模式分解和方向权值经验模式分解对Lena图像两级分解结果对比图；
图3为本发明融合效果与小波、超小波和插值经验模式分解的融合对比图。
图2中第一行为插值经验模式分解得到的第1、2级内蕴模式分量和剩余分量，第二行为单向经验模式分解得到的第1、2级内蕴模式分量和剩余分量，第三行为统计滤波经验模式分解得到的第1、2级内蕴模式分量和剩余分量，第四行为方向权值经验模式分解得到的第1、2级内蕴模式分量和剩余分量。
图3中第一行为待融合图像，第二行左为wavelet融合效果，右为curvelet融合效果，第二行左为经验模式分解融合效果，右为本发明融合效果。
具体实施方式
为了更好地理解本发明的技术方案，下面结合附图对本发明的实施方式进行详细的说明。
一种基于方向权值经验模式分解的遥感图像融合方法，包括以下步骤：
步骤一、运用方向权值经验模式分解算法将匹配好的待融合源图像分别进行相同级数的分解，得到源图像的多尺度多向的内蕴模式函数分量imfij和剩余分量ri其中i＝1,2,…,m，m为待融合图像的数量，j＝1,2,…,n，n为分解得到的内蕴模式函数分量imf的级数；
步骤二、将相同级的待融合图像的内蕴模式函数分量imfij和剩余分量ri进行融合处理，产生融合图像的第j级内模分量IMFj和剩余分量R；
步骤三、将IMFj和R反向重构得到融合图像I′：
Figure BDA0001520746970000051
进一步，所述步骤一中对每个待融合图像进行分解的方法为：
(1)初始化：令r0＝I,j＝1，I表示的是源图像；
(2)根据分解层数，进行以下操作：
(a)令h0＝rj-1,i＝1，其中i表示内部第i次筛选，j为分解第j级内蕴模式分量；
(b)更新hi＝hi-1-mi-1,i＝i+1，其中mi-1为运用方向滤波器计算的hi-1的平均包络；
(c)重复步骤(b)直到hi的极值数小于3或i＝AI，则sj＝hi,imfj＝hi,j＝j+1，其中AI为规定的筛选次数；
(3)更新rj＝rj-1-sj；
(4)重复步骤(2)和(3)直到rj的极大值和极小值之和小于3。
进一步，所述步骤(b)中运用方向滤波器计算hi-1的平均包络mi-1的方法为：
(1)提取hi-1的所有局部极值点，并统计极值点的个数l，计算滤波器窗口w，
Figure BDA0001520746970000061
其中M和N为输入源hi-1的像素大小；
(2)在窗口w下运用Riesz变换得到hi-1中所有点的局部方向，得到局部方向点集di-1；
(3)根据方向点集di-1当前点方向生成方向滤波器bdf，根据方向滤波器bdf计算当前点的局部方向权值均值，遍历所有数据点，计算得到平均包络mi-1。
进一步，所述步骤(3)中方向滤波器bdf的生成方法为：
(a)由下式计算得到方向高斯滤波器filter(x,y,θ)：
Figure BDA0001520746970000062
x,y为当前点坐标，o、p的取值范围为
Figure BDA0001520746970000063
其中θ为方向点集当前点的方向，σ为高斯方差；
(b)由下式计算二值方向滤波器：
Figure BDA0001520746970000064
进一步，所述步骤(3)中由方向滤波器bdf计算平均包络m的方法为：
(a)计算参数s1：
Figure BDA0001520746970000065
(b)计算参数s2：
Figure BDA0001520746970000071
(c)计算权值ω：
Figure BDA0001520746970000072
(d)计算平均包络m：
Figure BDA0001520746970000073
进一步，所述步骤二中融合的方法为：
(1)计算局部均值lm(x,y)：
Figure BDA0001520746970000074
，f表示imfij和ri，
u，v分别表示当前点(x,y)在x轴和y轴的位移；
(2)分别计算内蕴模式函数分量imfij和剩余分量ri的权值αi和α′i：
Figure BDA0001520746970000075
(3)融合：
Figure BDA0001520746970000076
为了验证本发明的有效性，使用遥感图像进行融合处理。
图3中第一行为待融合图像，第二行左为wavelet方法融合效果，右为curvelet方法融合效果，第二行左为经验模式分解融合效果，右为本发明融合效果。对比可见，超小波融合的图像出现局部畸变，不能最优的表示图像细节纹理信息，插值经验模式分解融合图像中对比度不强，细节信息清晰度不高。本发明的融合图像，细节清晰，无畸变，融合后信息保存完整，最优地表示图像细节纹理信息。为客观评价融合效果，这里选用下述评价指标来进行融合结果的客观评价。
平均梯度(Average Gradient，AG)：它反映图像F对微小细节反差和纹理变化特征表达能力的指标，也反映了图像的清晰度，平均梯度越大，图像越清晰。其计算公式为：
Figure BDA0001520746970000081
互信息(Mutual Information，MI)：源图像A、B和融合图像F间的互信息，定义为：
Figure BDA0001520746970000082
其中pABF(i,j,k)为图像A、B、F的归一化灰度联合直方图，pAB(i,j)为为图像A、B的归一化灰度联合直方图。互信息量体现了融合图像从原始图像中提取信息的多少，互信息量愈大，则提取的信息越多。
相关系数(CorrelationCoefficient，CC)：衡量融合图像F和理想图像R的相关程度。定义为：
Figure BDA0001520746970000083
μR、μF分别为F和R的均值。相关系数体现了融合图像F和标准参考图像R间相似性，相关系数愈大，则图像的接近度越好。
扭曲程度(Degree of Distortion，DD)：扭曲程度直接反应融合图像的失真程度，扭曲程度愈小，表示图像的失真程度愈小。
Figure BDA0001520746970000084
由表1数据可知，本文提出的融合算法客观指标均优于其它算法。
综上所述，本文提出的融合算法，其图像融合综合效果最好。
表1融合图像评估参数
Figure BDA0001520746970000085
Figure BDA0001520746970000091
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于方向权值经验模式分解的遥感图像融合方法，其特征在于：包括以下步骤：
步骤一、运用方向权值经验模式分解算法将匹配好的待融合源图像分别进行相同级数的分解，得到源图像的多尺度多向的内蕴模式函数分量imfij和剩余分量ri，其中i＝1,2,…,m，m为待融合图像的数量，j＝1,2,…,n，n为分解得到的内蕴模式函数分量imf的级数；对每个待融合图像进行分解的方法为：
(1)初始化：令r0＝I,j＝1，I表示的是源图像；
(2)根据分解层数，进行以下操作：
(a)令h0＝rj-1,k＝1，其中k表示内部第k次筛选，j为分解第j级内蕴模式分量；
(b)更新hk＝hk-1-mk-1,k＝k+1，其中mk-1为运用方向滤波器计算的hk-1的平均包络；
(c)重复步骤(b)直到hk的极值数小于3或k＝AI，则sj＝hk,imfj＝hk,j＝j+1，其中AI为规定的筛选次数；
(3)更新rj＝rj-1-sj；
重复步骤(2)和(3)直到rj的极大值和极小值之和小于3；
所述步骤(b)中运用方向滤波器计算hk-1的平均包络mk-1的方法为：
(b1)提取hk-1的所有局部极值点，并统计极值点的个数l，计算滤波器窗口w，
Figure FDA0003369680750000011
其中M和N为输入源hk-1的像素大小；
(b2)在窗口w下运用Riesz变换得到hk-1中所有点的局部方向，得到局部方向点集dk-1；
(b3)根据方向点集dk-1当前点方向生成方向滤波器bdfk-1，根据方向滤波器bdfk-1计算当前点的局部方向权值均值，遍历所有数据点，计算得到平均包络mk-1；
所述步骤(b3)中方向滤波器bdfk-1的生成方法为：
①由下式计算得到方向高斯滤波器filter：
Figure FDA0003369680750000021
(x,y)为当前点坐标，o、p的取值范围为
Figure FDA0003369680750000022
其中θ为方向点集当前点的方向，σ为高斯方差；
②由下式计算二值方向滤波器：
Figure FDA0003369680750000023
所述步骤(b3)中由方向滤波器bdfk-1计算平均包络mk-1的方法为：
①计算参数s1：
Figure FDA0003369680750000024
②计算参数s2：
Figure FDA0003369680750000025
③计算权值ωk-1：
Figure FDA0003369680750000026
④计算平均包络mk-1：
Figure FDA0003369680750000027
步骤二、将相同级的待融合图像的内蕴模式函数分量imfij和剩余分量ri进行融合处理，产生融合图像的第j级内模分量IMFj和剩余分量R；
步骤三、将IMFj和R反向重构得到融合图像I′：
Figure FDA0003369680750000031
2.根据权利要求1所述的一种基于方向权值经验模式分解的遥感图像融合方法，其特征在于：所述步骤二中融合的方法为：
(1)计算局部均值lm(x,y)：
Figure FDA0003369680750000032
f(x+u,y+v)表示imfij或ri在当前点(x,y)在x轴位移u和y轴位移v时点(x+u，y+v)处的值，u，v分别表示当前点(x,y)在x轴和y轴的位移；
(2)分别计算内蕴模式函数分量imfij和剩余分量ri的融合权值αij(x,y)和
Figure FDA0003369680750000033
Figure FDA0003369680750000034
(3)融合：
Figure FDA0003369680750000035
CN201711408096.5A 2017-12-22 2017-12-22 一种基于方向权值经验模式分解的遥感图像融合方法 Expired - Fee Related CN108171678B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711408096.5A CN108171678B (zh) 2017-12-22 2017-12-22 一种基于方向权值经验模式分解的遥感图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711408096.5A CN108171678B (zh) 2017-12-22 2017-12-22 一种基于方向权值经验模式分解的遥感图像融合方法

Publications (2)

Publication Number Publication Date
CN108171678A CN108171678A (zh) 2018-06-15
CN108171678B true CN108171678B (zh) 2021-12-31

Family

ID=62523661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711408096.5A Expired - Fee Related CN108171678B (zh) 2017-12-22 2017-12-22 一种基于方向权值经验模式分解的遥感图像融合方法

Country Status (1)

Country Link
CN (1) CN108171678B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110611821B (zh) * 2019-10-14 2021-06-25 安徽大学 一种改善低码率视频编码器图像质量的技术方案

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682439A (zh) * 2012-01-15 2012-09-19 河南科技大学 基于多向经验模式分解的医学图像融合方法
CN103810677A (zh) * 2014-01-16 2014-05-21 河南科技大学 基于超经验模式分解的遥感图像增强方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201201230D0 (en) * 2012-01-25 2012-03-07 Univ Delft Tech Adaptive multi-dimensional data decomposition

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682439A (zh) * 2012-01-15 2012-09-19 河南科技大学 基于多向经验模式分解的医学图像融合方法
CN103810677A (zh) * 2014-01-16 2014-05-21 河南科技大学 基于超经验模式分解的遥感图像增强方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Texture segmentation using directional empirical mode decomposition;Zhongxuan Liu，等;《IEEE》;20050418;全文 *
方向EMD分解与其在纹理分割中的应用;刘忠轩等;《中国科学E辑》;20050324(第02期);第1-11页 *
经验模式分解(EMD)及其应用;徐晓刚等;《电子学报》;20090515(第03期);全文 *

Also Published As

Publication number Publication date
CN108171678A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
CN105069807B (zh) 一种基于图像处理的冲压工件缺陷检测方法
CN110796625B (zh) 一种基于组稀疏表示和加权全变分的图像压缩感知重构方法
CN101950414A (zh) 自然图像非局部均值去噪方法
CN103093441A (zh) 基于变换域的非局部均值和双变量模型的图像去噪方法
CN103413283B (zh) 一种基于二维emd和改进局部能量的多聚焦图像融合方法
CN114429151A (zh) 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统
CN104657951A (zh) 图像乘性噪声移除方法
CN112927169B (zh) 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法
CN110930339A (zh) 基于nsct域的航空及遥感图像去雾方法
CN114862692A (zh) 一种基于标准化流理论的三维点云去噪方法
Elmi et al. A robust edge detection technique based on Matching Pursuit algorithm for natural and medical images
CN105590296A (zh) 一种基于双字典学习的单帧图像超分辨率复原方法
CN108171678B (zh) 一种基于方向权值经验模式分解的遥感图像融合方法
CN108876711B (zh) 一种基于图像特征点的草图生成方法、服务器及系统
CN108171741B (zh) 一种基于自适应多向经验模式分解的图像纹理分解方法
CN103810677B (zh) 基于超经验模式分解的遥感图像增强方法
CN103955893A (zh) 基于可分离全变差模型的图像去噪方法
Liu et al. An improved combination of image denoisers using spatial local fusion strategy
CN117788322A (zh) 一种基于稀疏transformer结构的高光谱图像去噪方法
TWI460667B (zh) 模糊指紋影像重建方法
CN112801894B (zh) 一种使用迭代滤波处理的深度图像修复方法
Zhang A denoising approach via wavelet domain diffusion and image domain diffusion
Kamalakshi et al. Persistent homology residual learning of deep convolution neural network for block match three dimension de-noising algorithm
CN111369452A (zh) 大区域图像局部破损点优化提取方法
CN119180815B (zh) 一种基于特征立方和模糊检测双重识别的窗帘布料缺陷识别方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180615

Assignee: Luoyang Lingxiang computer technology development Co.,Ltd.

Assignor: HENAN University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2023980038894

Denomination of invention: A Remote Sensing Image Fusion Method Based on Direction Weight Empirical Mode Decomposition

Granted publication date: 20211231

License type: Common License

Record date: 20230804

EE01 Entry into force of recordation of patent licensing contract
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211231

CF01 Termination of patent right due to non-payment of annual fee