CN108694709B - 一种图像融合方法及装置 - Google Patents
一种图像融合方法及装置 Download PDFInfo
- Publication number
- CN108694709B CN108694709B CN201710235879.1A CN201710235879A CN108694709B CN 108694709 B CN108694709 B CN 108694709B CN 201710235879 A CN201710235879 A CN 201710235879A CN 108694709 B CN108694709 B CN 108694709B
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- color image
- visible light
- target
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000007499 fusion processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 230000007123 defense Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 208000003164 Diplopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000029444 double vision Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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)
- Studio Devices (AREA)
Abstract
本发明适用于图像处理技术领域,提供了一种图像融合方法及装置,包括:获取可见光图像以及红外遥感原始数据;基于所述红外遥感原始数据,获取第一红外伪彩色图像;根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像;将所述第二红外伪彩色图像与所述可见光图像进行融合处理,得到目标融合图像。通过上述方法能够方便人们高效、准确的识别目标物体。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种图像融合方法及装置。
背景技术
可见光图像是物质世界客观对象的一种相似性的、生动性的描述或写真,是人类社会活动中最常用的信息载体。红外光线是太阳光线中众多不可见光线中的一种,热红外图像是由热红外热像仪收集、记录物体发出的红外辐射后经过转化得到的图像,利用红外光线获取的红外热图像被广泛的用于各个领域。由于图像传感器自身物理特性、成像机理和观察视角等各个方面的种种限制,单一的图像传感器往往不能够从场景中提取足够的信息,可见光图像和红外图像的融合就可以适应各种照度环境,增强场景理解,并具备一定的穿透能力。
现有的红外及可见光双视融合一般均是基于整幅图像的融合,虽然具备一定穿透力,但在复杂的环境中由于可见光场景的复杂性及温度的多样性,导致了人们无法轻松的从热红外图像的内容中准确地发现目标物体。
发明内容
有鉴于此,本发明实施例提供了一种图像融合方法及装置,以解决现有技术在复杂环境中无法轻松的从热红外图像的内容中准确地发现目标物体。
本发明实施例是这样实现的,一种图像融合方法,所述图像融合方法包括:
获取可见光图像以及红外遥感原始数据;
基于所述红外遥感原始数据,获取第一红外伪彩色图像;
根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像;
将所述第二红外伪彩色图像与所述可见光图像进行融合处理,得到目标融合图像。
本发明实施例的另一目的在于提供一种图像融合装置,所述图像融合装置包括:
图像数据获取单元,用于获取可见光图像以及红外遥感原始数据;
第一红外伪彩色图像获取单元,用于基于所述红外遥感原始数据,获取第一红外伪彩色图像;
第二红外伪彩色图像获取单元,用于根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像;
融合单元,用于将所述第二红外伪彩色图像与所述可见光图像进行融合处理,得到目标融合图像。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例通过获取可见光图像以及红外遥感原始数据,并基于所述红外遥感原始数据,获取第一红外伪彩色图像,再根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像,最后将所述第二红外伪彩色图像与所述可见光图像进行融合处理,得到目标融合图像,使得融合后的目标融合图像上反映目标物图像,方便人们高效、准确、清晰的识别目标物体,从而实现对目标物体进行精确判断。该方法可以广泛应用于边防、军事、公安、搜救及电力系统。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种图像融合方法的流程图;
图2是本发明实施例提供的另一种图像融合方法的流程图
图3是本发明实施例提供的一种图像融合装置的结构框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
图1示出了本发明第一实施例提供的一种图像融合方法的流程图,详述如下:
步骤S101,获取可见光图像以及红外遥感原始数据。
其中,可见光图像是指人眼可辨识的图像,可通过CCD摄像机获取可见光图像,通过用于红外遥感的传感器获取红外遥感原始数据。在本发明实施例中,同步获取可见光图像以及红外遥感原始数据。
步骤S102,基于所述红外遥感原始数据,获取第一红外伪彩色图像。
在本发明实施例中,可采用但不限于采用线性变换的方式将红外遥感数据转换为第一红外伪彩色图像。
可选地,所述步骤S102包括:
A1、基于所述红外遥感原始数据,获取每一个像素的灰度值。
A2、基于预设线性变换的规则,调整每一个像素的灰度值,从而获取第一红外伪彩色图像。
需要注意的是,本发明实施例中,获取到的可见光图像及红外图像采用相同颜色编码格式,例如,均采用RGB颜色编码格式,或者均采用YUV颜色编码格式。YUV是一种颜色编码方法(属于PAL),是PAL和SECAM模拟彩色电视制式采用的颜色空间。通过采用三管彩色摄影机或彩色CCD摄影机进行取像,然后把取得的彩色图像信号经分色、分别放大校正后得到RGB,再经过矩阵变换电路得到亮度信号Y和两个色差信号R-Y(即U)、B-Y(即V),最后发送端将亮度和色差三个信号分别进行编码,用同一信道发送出去。这种色彩的表示方法就是所谓的YUV色彩空间表示。采用YUV色彩空间的重要性是它的亮度信号Y和色度信号U、V是分离的。
步骤S103,根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像。
可选地,为获取目标图像,所述步骤S103包括:
B1、获取预设温度过滤参数的参数区间。
B2、基于所述参数区间,计算所述预设温度过滤参数对应的像素点阈值。其中,所述像素点阈值为像素点的灰度阈值
B3、基于所述像素点阈值,过滤所述第一红外伪彩色图像的像素点,获取第二红外伪彩图像。
具体地,在本发明实施例中,预设温度过滤参数的参数区间可以根据拍摄目标物由用户自己设定,例如,当目标物是人,则预设温度过滤参数的参数区间可以是人体体温范围,36摄氏度至38摄氏度。根据所述参数区间,计算所述预设温度过滤参数对应的像素点阈值,即,计算像素点对应的灰度阈值,基于像素点的灰度阈值,按预设需求过滤所述第一红外伪彩色图像的像素点,获取第二红外伪彩图像,即获取符合目标物温度区间的红外伪彩图像。
可选地,在本发明实施例中,当所述像素点阈值为像素点的灰度阈值时,所述B3包括:
B31、基于所述像素点的灰度阈值,将所述第一红外伪彩色图像中,将不满足所述灰度阈值的像素点过滤后的图像作为第二红外伪彩色图像。
B32、基于所述像素点的灰度阈值,将所述第一红外伪彩色图像中,将满足所述灰度阈值的像素点过滤后的图像作为第二红外伪彩色图像。
在本发明实施例中,通过获取预设温度过滤参数的参数区间,再基于该参数区间计算所述预设温度过滤参数对应的像素点的灰度阈值,最后基于所述灰度阈值,按预设需求过滤所述第一红外伪彩色图像的像素点,即将不符合目标物温度的区域过滤,从而获取第二红外伪彩图像,极大的缩小了待处理的红外图像的范围,可提高处理效率。
步骤S104,将所述第二红外伪彩色图像与所述可见光图像进行融合处理,得到目标融合图像。
可选地,为了能够准确发现目标物,在所述步骤S104之前,包括:
C1、基于所述第二红外伪彩图像进行目标识别,并提取红外目标图像。例如,当目标物为人时,目标识别即为人形识别。
具体地,目标识别是在第二红外伪彩色图像上识别目标物。当目标物为人时,对第二红外伪彩色图像进行人形识别。人形识别技术是指利用人体成像的一定特征,通过对图形图像的处理,最终在成像空间发现识别和定位人形目标的技术。进一步地,人形识别的实现过程包括目标检测、边界提取、人形目标匹配和人形目标识别等过程。在本发明实施例中,人形识别采用现有的人形识别技术,在此不做限定。
此时,所述步骤S104,包括:
将所述红外目标图像与所述可见光图像进行融合处理,得到目标融合图像。
在本发明实施例中,通过对步骤S103获取的符合目标物温度区间的第二红外伪彩图像进行智能识别,并提取目标物的红外目标图像,并将红外目标图像与可见光图像进行融合处理,得到目标融合图像,从而方便人们准确认定目标物。
可选地,为得到目标融合图像,所述步骤S104,包括:
D1、计算所述第二红外伪彩色图像与所述可见光图像的图像配准参数。
D2、根据所述图像配准参数计算所述红外目标图像的调整尺寸以及平面坐标。
D3、基于所述红外目标图像的调整尺寸以及平面坐标,将所述红外目标图像叠加至所述可见光图像的相应位置,得到目标融合图像。
具体地,图像配准是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程。图像配准方法包括基于灰度信息法、变换域法以及基于特征法,本发明实施例中,采用上述任一种图像配准方法计算图像配准参数,在此不做限定。
本发明第一实施例中,通过获取可见光图像以及红外遥感原始数据,并基于所述红外遥感原始数据,获取第一红外伪彩色图像,再根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像,即,即获取符合目标物温度区间的红外伪彩图像,基于所述第二红外伪彩图像进行目标识别,并提取红外目标图像,最后将所述红外目标图像与所述可见光图像进行融合处理,得到目标融合图像,使得融合后的目标融合图像上反映目标物图像,方便人们高效、准确、清晰的识别目标物体,从而实现对目标物体进行精确判断。该方法可以广泛应用于边防、军事、公安、搜救及电力系统。
实施例二:
图2示出了本发明第二实施例提供的一种图像融合方法的流程图,详述如下:
步骤S201,获取可见光图像以及红外遥感原始数据。
步骤S202,基于所述红外遥感原始数据,获取第一红外伪彩色图像。
步骤S203,根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像。
本实施例中,步骤S201至步骤S203的具体步骤参见实施例一步骤S101至步骤S103,在此不再赘述。
步骤S204,基于所述第二红外伪彩图像进行目标识别,并提取红外目标图像。例如,当目标物为人时,目标识别即为人形识别。
具体地,目标识别是在第二红外伪彩色图像上识别目标物。当目标物为人时,对第二红外伪彩色图像进行人形识别。人形识别技术是指利用人体成像的一定特征,通过对图形图像的处理,最终在成像空间发现识别和定位人形目标的技术。进一步地,人形识别的实现过程包括目标检测、边界提取、人形目标匹配和人形目标识别等过程。在本发明实施例中,人形识别采用现有的人形识别技术,在此不做限定。
步骤S205,采用基于特征的图像匹配算法,计算所述红外目标图像与所述可见光图像的图像配准参数。
具体地,基于特征的匹配方法的共同之处是首先要对待配准的图像进行预处理,也就是图像分割和特征提取的过程,再利用提取得到的特征完成两幅图像特征之间的匹配,通过特征的匹配关系建立图像之间的配准映射关系。由于图像中有很多种可以利用的特征,因而产生了多种基于特征的方法。常用到的图像特征有:特征点(包括角点、高曲率点等)直线段、边缘、轮廓、闭合区域、特征结构以及统计特征如矩不变量、重心等等。
可选地,本发明实施例中,所述步骤S205具体包括:
E1、将所述可见光图像与所述第二红外伪彩色图像分别转换为灰度图像。
E2、基于Hessian矩阵,检测所述可见光图像的灰度图像以及所述第二红外伪彩色图像的灰度图像的斑点类特征点。
E3、基于Hessian行列式值获取候选特征点,并获取所述候选特征点的位置。所述位置为特征点的坐标值,包括具体地,获取预设像素点灰度值,基于所述预设像素点灰度值,过滤掉所述Hessian行列式值低的像素,保留所述Hessian行列式值高的像素。
E5、对保留的像素进行图像匹配,并按预设匹配阈值过滤误匹配。其中,图像匹配是采用欧氏距离对图像进行暴力匹配,依次找出所述可见光图像的灰度图像与所述第二红外伪彩色图像的灰度图像中,相似度最高的两个特征向量,并将他们连线。
E6、基于相似度最高的两个特征向量,获取配准参数。
步骤S206,根据所述图像配准参数计算所述红外目标图像的调整尺寸以及平面坐标。
步骤S207,基于所述红外目标图像的调整尺寸以及平面坐标,将所述红外目标图像叠加至所述可见光图像的相应位置,得到目标融合图像。
本发明第二实施例中,通过获取可见光图像以及红外遥感原始数据,并基于所述红外遥感原始数据,获取第一红外伪彩色图像,再根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像,即,即获取符合目标物温度区间的红外伪彩图像,基于所述第二红外伪彩图像进行目标识别,并提取红外目标图像,采用基于特征的图像匹配算法,计算所述红外目标图像与所述可见光图像的图像配准参数,然后根据所述图像配准参数计算所述红外目标图像的调整尺寸以及平面坐标,最后基于所述红外目标图像的调整尺寸以及平面坐标,将所述红外目标图像叠加至所述可见光图像的相应位置,得到目标融合图像,使得融合后的目标融合图像上反映目标物图像,方便人们高效、准确、清晰的识别目标物体,从而实现对目标物体进行精确判断。该方法可以广泛应用于边防、军事、公安、搜救及电力系统。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例三:
对应于上文实施例所述的图像融合方法,图3示出了本发明实施例提供的图像融合装置的结构框图,为了便于说明,仅示出了与本发明实施例相关的部分。
参照图3,该图像融合装置包括:图像数据获取单元31,第一红外伪彩色图像获取单元32,第二红外伪彩色图像获取单元33,融合单元34,其中:
图像数据获取单元31,用于获取可见光图像以及红外遥感原始数据。其中,可见光图像是指人眼可辨识的图像,可通过CCD摄像机获取可见光图像,通过用于红外遥感的传感器获取红外遥感原始数据。在本发明实施例中,同步获取可见光图像以及红外遥感原始数据。
第一红外伪彩色图像获取单元32,用于基于所述红外遥感原始数据,获取第一红外伪彩色图像。
在本发明实施例中,可采用但不限于采用线性变换的方式将红外遥感数据转换为第一红外伪彩色图像。
需要注意的是,本发明实施例中,获取到的可见光图像及红外图像采用相同颜色编码格式,例如,均采用RGB颜色编码格式,或者均采用YUV颜色编码格式。YUV是一种颜色编码方法(属于PAL),是PAL和SECAM模拟彩色电视制式采用的颜色空间。通过采用三管彩色摄影机或彩色CCD摄影机进行取像,然后把取得的彩色图像信号经分色、分别放大校正后得到RGB,再经过矩阵变换电路得到亮度信号Y和两个色差信号R-Y(即U)、B-Y(即V),最后发送端将亮度和色差三个信号分别进行编码,用同一信道发送出去。这种色彩的表示方法就是所谓的YUV色彩空间表示。采用YUV色彩空间的重要性是它的亮度信号Y和色度信号U、V是分离的。
第二红外伪彩色图像获取单元33,用于根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像。
可选地,所述第二红外伪彩色图像获取单元33包括:
参数获取模块,用于获取预设温度过滤参数的参数区间。
像素点阈值计算模块,用于基于所述参数区间,计算所述预设温度过滤参数对应的像素点阈值。
第二红外伪彩图像获取模块,用于基于所述像素点阈值,过滤所述第一红外伪彩色图像的像素点,获取第二红外伪彩图像。
在本发明实施例中,通过获取预设温度过滤参数的参数区间,再基于该参数区间计算所述预设温度过滤参数对应的像素点的灰度阈值,最后基于所述灰度阈值,按预设需求过滤所述第一红外伪彩色图像的像素点,即将不符合目标物温度的区域过滤,从而获取第二红外伪彩图像,极大的缩小了待处理的红外图像的范围,可提高处理效率。
融合单元34,用于将所述第二红外伪彩色图像与所述可见光图像进行融合处理,得到目标融合图像。
可选地,所述图像融合装置还包括:
图像提取单元,用于基于所述第二红外伪彩图像进行目标识别,并提取红外目标图像。
具体地,目标识别是在第二红外伪彩色图像上识别目标物。当目标物为人时,对第二红外伪彩色图像进行人形识别。人形识别技术是指利用人体成像的一定特征,通过对图形图像的处理,最终在成像空间发现识别和定位人形目标的技术。进一步地,人形识别的实现过程包括目标检测、边界提取、人形目标匹配和人形目标识别等过程。在本发明实施例中,人形识别采用现有的人形识别技术,在此不做限定。
此时,所述融合单元34,还用于将所述红外目标图像与所述可见光图像进行融合处理,得到目标融合图像。
在本发明实施例中,通过对符合目标物温度区间的第二红外伪彩图像进行智能识别,并提取目标物的红外目标图像,并将红外目标图像与可见光图像进行融合处理,得到目标融合图像,从而方便人们准确认定目标物。
可选地,所述融合单元34包括:
配准参数计算模块,用于计算所述第二红外伪彩色图像与所述可见光图像的图像配准参数。
调整模块,用于根据所述图像配准参数计算所述红外目标图像的调整尺寸以及平面坐标。
融合模块,用于基于所述红外目标图像的调整尺寸以及平面坐标,将所述红外目标图像叠加至所述可见光图像的相应位置,得到目标融合图像。
具体地,图像配准是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程。图像配准方法包括基于灰度信息法、变换域法以及基于特征法,本发明实施例中,采用上述任一种图像配准方法计算图像配准参数,在此不做限定。
可选地,所述配准参数计算模块还用于采用基于特征的图像匹配算法,计算所述第二红外伪彩色图像与所述可见光图像的图像配准参数。
本发明第三实施例中,通过获取可见光图像以及红外遥感原始数据,并基于所述红外遥感原始数据,获取第一红外伪彩色图像,再根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像,即,即获取符合目标物温度区间的红外伪彩图像,基于所述第二红外伪彩图像进行目标识别,并提取红外目标图像,最后将所述红外目标图像与所述可见光图像进行融合处理,得到目标融合图像,使得融合后的目标融合图像上反映目标物图像,方便人们高效、准确、清晰的识别目标物体。从而实现对目标物体进行精确判断。该装置可以广泛应用于边防、军事、公安、搜救及电力系统。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (4)
1.一种图像融合方法,其特征在于,所述图像融合方法包括:
同步获取可见光图像以及红外遥感原始数据;
基于所述红外遥感原始数据,获取第一红外伪彩色图像;
根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像;
将所述第二红外伪彩色图像与所述可见光图像进行融合处理,得到目标融合图像;
在所述将所述第二红外伪彩色图像与所述可见光图像进行融合处理,得到目标融合图像之前,包括:
基于所述第二红外伪彩图像进行目标识别,并提取红外目标图像;
所述将所述第二红外伪彩色图像与所述可见光图像进行融合处理,得到目标融合图像,包括:
计算所述第二红外伪彩色图像与所述可见光图像的图像配准参数;
根据所述图像配准参数计算所述红外目标图像的调整尺寸以及平面坐标;
基于所述红外目标图像的调整尺寸以及平面坐标,将所述红外目标图像叠加至所述可见光图像的相应位置,得到目标融合图像;
所述计算所述第二红外伪彩色图像与所述可见光图像的图像配准参数,具体包括:
将所述可见光图像与所述第二红外伪彩色图像分别转换为灰度图像;
基于Hessian矩阵,检测所述可见光图像的灰度图像以及所述第二红外伪彩色图像的灰度图像的斑点类特征点;
基于Hessian行列式值获取候选特征点,并获取所述候选特征点的位置,所述位置为特征点的坐标值,包括具体地,获取预设像素点灰度值,基于所述预设像素点灰度值,过滤掉所述Hessian行列式值低的像素,保留所述Hessian行列式值高的像素;
对保留的像素进行图像匹配,并按预设匹配阈值过滤误匹配,其中,图像匹配是采用欧氏距离对图像进行暴力匹配,依次找出所述可见光图像的灰度图像与所述第二红外伪彩色图像的灰度图像中,相似度最高的两个特征向量,并将他们连线;
基于相似度最高的两个特征向量,获取配准参数。
2.如权利要求1所述的图像融合方法,其特征在于,所述根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像,包括:
获取预设温度过滤参数的参数区间;
基于所述参数区间,计算所述预设温度过滤参数对应的像素点阈值;
基于所述像素点阈值,过滤所述第一红外伪彩色图像的像素点,获取第二红外伪彩图像。
3.一种图像融合装置,其特征在于,所述图像融合装置包括:
图像数据获取单元,用于同步获取可见光图像以及红外遥感原始数据;
第一红外伪彩色图像获取单元,用于基于所述红外遥感原始数据,获取第一红外伪彩色图像;
第二红外伪彩色图像获取单元,用于根据预设温度过滤参数的参数区间,对所述第一红外伪彩色图像进行过滤处理,获取第二红外伪彩色图像;
融合单元,用于将所述第二红外伪彩色图像与所述可见光图像进行融合处理,得到目标融合图像;
图像提取单元,用于基于所述第二红外伪彩图像进行目标识别,并提取红外目标图像;
所述融合单元包括:
配准参数计算模块,用于计算所述第二红外伪彩色图像与所述可见光图像的图像配准参数;
调整模块,用于根据所述图像配准参数计算所述红外目标图像的调整尺寸以及平面坐标;
融合模块,用于基于所述红外目标图像的调整尺寸以及平面坐标,将所述红外目标图像叠加至所述可见光图像的相应位置,得到目标融合图像;
所述配准参数计算模块还用于采用基于特征的图像匹配算法,计算所述第二红外伪彩色图像与所述可见光图像的图像配准参数,具体包括:
将所述可见光图像与所述第二红外伪彩色图像分别转换为灰度图像;
基于Hessian矩阵,检测所述可见光图像的灰度图像以及所述第二红外伪彩色图像的灰度图像的斑点类特征点;
基于Hessian行列式值获取候选特征点,并获取所述候选特征点的位置,所述位置为特征点的坐标值,包括具体地,获取预设像素点灰度值,基于所述预设像素点灰度值,过滤掉所述Hessian行列式值低的像素,保留所述Hessian行列式值高的像素;
对保留的像素进行图像匹配,并按预设匹配阈值过滤误匹配,其中,图像匹配是采用欧氏距离对图像进行暴力匹配,依次找出所述可见光图像的灰度图像与所述第二红外伪彩色图像的灰度图像中,相似度最高的两个特征向量,并将他们连线;
基于相似度最高的两个特征向量,获取配准参数。
4.如权利要求3所述的图像融合装置,其特征在于,所述第二红外伪彩色图像获取单元包括:
参数获取模块,用于获取预设温度过滤参数的参数区间;
像素点阈值计算模块,用于基于所述参数区间,计算所述预设温度过滤参数对应的像素点阈值;
第二红外伪彩图像获取模块,用于基于所述像素点阈值,过滤所述第一红外伪彩色图像的像素点,获取第二红外伪彩图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710235879.1A CN108694709B (zh) | 2017-04-12 | 2017-04-12 | 一种图像融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710235879.1A CN108694709B (zh) | 2017-04-12 | 2017-04-12 | 一种图像融合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108694709A CN108694709A (zh) | 2018-10-23 |
CN108694709B true CN108694709B (zh) | 2021-06-29 |
Family
ID=63843572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710235879.1A Active CN108694709B (zh) | 2017-04-12 | 2017-04-12 | 一种图像融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108694709B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111837155A (zh) * | 2018-12-17 | 2020-10-27 | 深圳市大疆创新科技有限公司 | 图像处理方法及设备 |
CN109978926B (zh) * | 2018-12-29 | 2021-05-25 | 深圳市行知达科技有限公司 | 一种图像自动融合方法、装置及终端设备 |
CN111291885B (zh) * | 2020-01-20 | 2023-06-09 | 北京百度网讯科技有限公司 | 近红外图像的生成方法、生成网络的训练方法和装置 |
CN113874909A (zh) * | 2020-04-03 | 2021-12-31 | 深圳市大疆创新科技有限公司 | 图像处理方法及设备、摄像装置、可移动设备、计算机可读存储介质 |
CN111861951B (zh) * | 2020-06-01 | 2024-01-23 | 浙江双视科技股份有限公司 | 基于红外光和可见光的双波段监测方法、装置及系统 |
CN111738970A (zh) * | 2020-06-19 | 2020-10-02 | 无锡英菲感知技术有限公司 | 图像融合方法、装置及计算机可读存储介质 |
CN111753753A (zh) * | 2020-06-28 | 2020-10-09 | 北京市商汤科技开发有限公司 | 图像识别方法及装置、电子设备和存储介质 |
CN112001910A (zh) * | 2020-08-26 | 2020-11-27 | 中国科学院遗传与发育生物学研究所 | 一种自动识别植株穗数的方法、装置、电子设备和存储介质 |
CN112529987B (zh) * | 2020-09-14 | 2023-05-26 | 武汉高德智感科技有限公司 | 一种手机终端红外图像和可见光图像融合方法及系统 |
CN112884688B (zh) * | 2021-02-03 | 2024-03-29 | 浙江大华技术股份有限公司 | 一种图像融合方法、装置、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9171361B2 (en) * | 2010-04-23 | 2015-10-27 | Flir Systems Ab | Infrared resolution and contrast enhancement with fusion |
CN101714251B (zh) * | 2009-12-22 | 2013-04-10 | 上海电力学院 | 一种红外与可见光伪彩色图像融合及增强方法 |
CN102305664A (zh) * | 2011-05-19 | 2012-01-04 | 中国农业大学 | 热像测温和故障定位巡视系统 |
CN102789640B (zh) * | 2012-07-16 | 2015-12-16 | 中国科学院自动化研究所 | 一种将可见光全色图像与红外遥感图像进行融合的方法 |
CN106548467B (zh) * | 2016-10-31 | 2019-05-14 | 广州飒特红外股份有限公司 | 红外图像和可见光图像融合的方法及装置 |
-
2017
- 2017-04-12 CN CN201710235879.1A patent/CN108694709B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108694709A (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108694709B (zh) | 一种图像融合方法及装置 | |
CN111062905B (zh) | 一种基于显著图增强的红外和可见光融合方法 | |
WO2019134536A1 (zh) | 基于神经网络模型的人脸活体检测 | |
CN111062378B (zh) | 图像处理方法、模型训练方法、目标检测方法及相关装置 | |
CN108024107B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN106056594A (zh) | 一种基于双光谱的可见光图像提取系统与方法 | |
CN106845388B (zh) | 基于复杂场景的移动终端掌纹感兴趣区域的提取方法 | |
JP2017005389A (ja) | 画像認識装置、画像認識方法及びプログラム | |
WO2023024697A1 (zh) | 图像拼接方法和电子设备 | |
CN111837155A (zh) | 图像处理方法及设备 | |
CN105869115B (zh) | 一种基于kinect2.0的深度图像超分辨率方法 | |
CN111339831A (zh) | 一种照明灯控制方法和系统 | |
CN108090428A (zh) | 一种人脸识别方法及其系统 | |
CN110420011A (zh) | 一种具有血谱光学图像成像功能的摄像机 | |
CN111199159A (zh) | 基于增强现实的文字翻译及显示方法、装置和电子设备 | |
CN113298177B (zh) | 夜间图像着色方法、装置、介质和设备 | |
CN107623831A (zh) | 一种昼夜全彩楼宇可视电话成像装置 | |
CN114782502B (zh) | 一种多光谱多传感器协同处理方法及装置、存储介质 | |
JP4990960B2 (ja) | 物体識別装置、物体識別方法、および物体識別プログラム | |
CN116309224A (zh) | 图像融合方法、装置、终端及计算机可读存储介质 | |
CN107194340B (zh) | 利用计算机视觉搜索登山遇险人员的方法及系统 | |
CN108076365B (zh) | 人体姿势识别装置 | |
CN111833384B (zh) | 一种可见光和红外图像快速配准方法及装置 | |
Aguilera et al. | A novel SIFT-like-based approach for FIR-VS images registration | |
CN108133204B (zh) | 一种手体识别方法、装置、设备及计算机可读存储介质 |
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 | ||
CP03 | Change of name, title or address |
Address after: B501, Building F2, TCL Science Park, No. 1001, Zhongshanyuan Road, Shuguang Community, Xili Street, Nanshan District, Shenzhen City, Guangdong Province, 518000 Patentee after: LAUNCH DIGITAL TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 518000 Third Floor, Fengyun Building, Galaxy, No. 5 Xinxi Road, North District, Nanshan High-tech Park, Shenzhen City, Guangdong Province Patentee before: LAUNCH DIGITAL TECHNOLOGY Co.,Ltd. Country or region before: China |
|
CP03 | Change of name, title or address |