CN109035189B - 基于柯西模糊函数的红外与弱可见光图像融合方法 - Google Patents
基于柯西模糊函数的红外与弱可见光图像融合方法 Download PDFInfo
- Publication number
- CN109035189B CN109035189B CN201810782395.3A CN201810782395A CN109035189B CN 109035189 B CN109035189 B CN 109035189B CN 201810782395 A CN201810782395 A CN 201810782395A CN 109035189 B CN109035189 B CN 109035189B
- Authority
- CN
- China
- Prior art keywords
- visible light
- image
- frequency component
- light image
- weak visible
- 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 10
- 230000000694 effects Effects 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 230000001054 cortical effect Effects 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 13
- 238000011084 recovery Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 206010046542 Urinary hesitation Diseases 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开一种基于柯西模糊函数的红外与弱可见光图像融合方法,首先利用改进的引导滤波来自适应增强提高弱可见光图像暗区域的可视性,然后利用NSST对红外和增强后的弱可见光图像进行多尺度分解得到红外图像和增强后的弱可见光图像的低频分量与高频分量;接着,利用直觉模糊集构建柯西隶属函数对红外图像和增强后的弱可见光图像的低频分量进行融合,并利用自适应的双通道脉冲发放皮层模型对红外图像和增强后的弱可见光图像的高频分量进行融合;最后利用非下采样剪切波逆变换对融合后的低频分量和高频分量进行重构,得到最终融合图像。本发明能够更加有效地提取图像的细节信息,并获得更好的融合效果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于柯西模糊函数的红外与弱可见光图像融合方法。
背景技术
基于小波变换的多尺度几何分析的方法对图像融合有着一定的贡献,但是由于小波框架只能构造水平、垂直和对角三个方向元素,因此它们自身仍存在着一些缺点。
在此理论基础上,K.Guo和G.Easley等人利用合成小波理论通过把几何和多尺度分析结合起来提出了剪切波(Shearlet)理论。虽然合成小波通过将小波中一维尺度变换因子变换成膨胀因子和剪切因子得到二维空间,通过变换得到的合成小波系统就可以构造任意方向的基元素,但是Shearlet变换理论不具有平移不变性。
NSST(Non-subsampled Shearlet Transform,非下采样剪切波变换NSST)理论中让标准的剪切波滤波器从伪极向坐标系统映射到Cartesian坐标系统,通过快速逆傅里叶变换FFT,进行二维卷积完成,从而避免了下采样操作,使其具有平移不变性,克服了伪Gibbs现象。虽然具有更灵活的结构、更高的计算效率和更理想的图像融合效果,但是实时性仍然达不到某些特殊需求的应用场景的要求。
发明内容
本发明针对低光照的情况下因可见光图像可视性较差所导致的融合图像对比度低和背景细节保留不充分等问题,提供一种基于柯西模糊函数的红外与弱可见光图像融合方法。
为解决上述问题,本发明是通过以下技术方案实现的:
基于柯西模糊函数的红外与弱可见光图像融合方法,具体包括步骤如下:
步骤1、利用引导滤波对弱可见光图像进行分解,得到图像的基础层和细节层;再利用比例因子进行动态范围压缩和利用恢复因子来恢复整体对比度,得到增强后的弱可见光图像;
步骤2、采用非下采样剪切波变换分别对红外图像和增强后的弱可见光图像进行多尺度分解,分别得到红外图像和增强后的弱可见光图像的低频分量与高频分量;
步骤3、利用直觉模糊集构建柯西隶属函数对红外图像和增强后的弱可见光图像的低频分量进行融合,得到融合之后的低频分量;
步骤4、利用自适应的双通道脉冲发放皮层模型对红外图像和增强后的弱可见光图像的高频分量进行融合,得到融合之后的高频分量;
步骤5、对经过步骤3融合得到的低频分量和经过步骤4融合得到的高频分量,利用非下采样剪切波逆变换进行重构,得到最终融合图像。
上述步骤1中,增强后的弱可见光图像I为:
上述步骤3的具体步骤为:
步骤3.1、利用柯西模糊函数来构建红外图像的隶属函数和非隶属函数;
步骤3.2、根据直觉模糊集概念,得出犹豫度;其中犹豫度π(i,j)为:
π(i,j)=1-XIR(i,j)-YIR(i,j)
步骤3.3、对犹豫度采取加权平均的方式进行分配,分别得到红外图像和增强后的弱可见光图像的低频分量权值系数;其中
红外图像的低频分量权值系数X(i,j)为:
增强后的弱可见光图像的低频分量权值系数Y(i,j)为:
步骤3.4、根据红外图像和增强后的弱可见光图像在融合过程中的互补关系,得到融合之后的低频分量;其中融合得到的低频分量Low(i,j)为:
Low(i,j)=X(i,j)LowIR(i,j)+Y(i,j)LowI(i,j)
式中,LowIR(i,j)为红外图像的低频分量,LowI(i,j)为增强后的弱可见光图像的低频分量,XIR(i,j)为隶属函数,YIR(i,j)为非隶属函数。
上述步骤4的具体步骤为:
步骤4.1、将红外图像和增强后的弱可见光图像高频分量的改进的拉普拉斯能量和分别作为自适应双通道脉冲发放皮层模型的2个通道的反馈输入,去激活自适应双通道脉冲发放皮层模型的各个神经元;
步骤4.2、在激活自适应双通道脉冲发放皮层模型的各个神经元的过程中,利用像素点的平均梯度去调整自适应双通道脉冲发放皮层模型的2个通道的链接强度系数,以调整自适应双通道脉冲发放皮层模型的内部活动项中链接通道的权重,并将2个通道中神经元的内部活动项较大的那个通道即视为自适应双通道脉冲发放皮层模型的自适应选择通道,该自适应选择通道的神经元内部活动项和链接输入即为所需的神经元内部活动项和链接输入;
步骤4.3、根据步骤4.2所得到的神经元内部活动项和链接输入去确定融合图像的高频分量;其中融合图像的高频分量High(i,j)为:
式中,(i,j)表示像素空间位置,HighIR(i,j)为红外图像的高频分量,HighI(i,j)为增强后的弱可见光图像的高频分量,FIR(i,j)为红外图像高频分量的改进的拉普拉斯能量和,FI(i,j)为增强后弱可见光图像高频分量的改进的拉普拉斯能量和,βIR(i,j)为红外图像的链接强度系数,βI(i,j)为增强后弱可见光图像的链接强度系数,U(i,j)为神经元的内部活动项,L(i,j)为链接输入。
上述步骤4中,
红外图像的链接强度系数βIR(i,j)为:
增强后的弱可见光图像的链接强度系数βI(i,j)为:
式中,HighIR(i+m,j+n)为像素点(i+m,j+n)处的红外图像的高频分量,HighIR(i+m+1,j+n)为像素点(i+m+1,j+n)处的红外图像的高频分量,HighIR(i+m,j+n+1)为像素点(i+m,j+n+1)处的红外图像的高频分量,HighI(i+m,j+n)为像素点(i+m,j+n)处的增强后的弱可见光图像的高频分量,HighI(i+m+1,j+n)为像素点(i+m+1,j+n)处的增强后的弱可见光图像的高频分量,HighI(i+m,j+n+1)为像素点(i+m,j+n+1)处的增强后的弱可见光图像的高频分量,Ω为局部邻域内的窗口大小。
上述步骤4中,局部邻域内的窗口大小Ω为奇数。
与现有技术相比,本发明具有如下特点:
1、利用NSST对红外和增强后的弱可见光图像进行多尺度分解,并利用分解所得到的红外图像和增强后的弱可见光图像的低频分量与高频分量来实现图像融合,这样能够使融合图像较好的体现出来,不仅使细节信息更加突出,而且在一定程度上消除了目标周围的伪影;
2、利用直觉模糊集构建柯西隶属函数对红外图像和增强后的弱可见光图像的低频分量进行融合,这样能够更为合理的抽取保留了弱可见光图像的背景信息和红外图像的目标信息;
3、利用自适应的双通道脉冲发放皮层模型(ADSCM)对红外图像和增强后的弱可见光图像的高频分量进行融合,ADSCM模型考虑到人眼对边缘特征的敏感性,将平均梯度作为ADSCM的链接强度来自适应地选择相应的通道,这样能够更加有效地提取图像的细节信息,获得更好的融合效果;
4、利用改进的引导滤波来自适应增强提高弱可见光图像暗区域的可视性,这样能够大大提高了弱可见光图像的对比度及细节信息的清晰度。
附图说明
图1为基于柯西模糊函数的红外与弱可见光图像融合方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实例,并参照附图,对本发明进一步详细说明。
参见图1,一种基于柯西模糊函数的红外与弱可见光图像融合方法,其具体实施步骤如下:
步骤1)弱可见光图像的增强。具体包括下述步骤:
r为滤波器大小,ε为边缘保持度;log(·)为自然对数算子,为了防止对数值为负令ξ≥1。
步骤1.2)由于提取到图像的基础层具有较高的动态范围,因此通过比例因子β进行动态范围压缩,恢复因子γ来恢复整体对比度,从而使得基础层对比度降低,而保留细节层的信息。其具体步骤如下:
步骤1.2.1)通过设置目标基础对比度T从而得到β的计算公式:
步骤1.2.2)为了增强对比度,同时防止输出大于最大强度,从而得到γ的计算公式:
步骤1.2.3)通过步骤1.2.1和步骤1.2.2得到的图像:
步骤1.3)通过指数还原得到增强后的图像为:
步骤2)采用非下采样剪切波变换对红外和增强后的弱可见光图像进行多尺度分解;
步骤3)利用直觉模糊集构建柯西隶属函数对低频分量进行融合;具体包括下述步骤:
步骤3.1)利用柯西函数来构建红外图像IR的隶属函数XIR以及非隶属函数YIR:
式中(i,j)为像素坐标,μ为红外图像低频子带的均值,a1,a2,b1,b2为柯西函数调整参数。
步骤3.2)利用直觉模糊集概念并根据步骤3.1中得到的隶属函数和非隶属函数从而得出犹豫度π(i,j):
π(i,j)=1-XIR(i,j)-YIR(i,j)
步骤3.3)对犹豫度采取加权平均的方式进行分配,因此可以分别得到红外与弱可见光图像的低频分量权值系数。
红外图像的低频分量权值系数为:
弱可见光图像的低频分量权值系数为:
步骤3.4)根据红外图像与弱可见光图像融合过程中的互补关系,故得到最终的低频融合公式:
Low(i,j)=X(i,j)LowIR(i,j)+Y(i,j)LowI(i,j)
步骤4)利用ADSCM模型对高频分量进行融合;具体包括下述步骤:
针对传统单通道脉冲发放皮层模型SCM的不足,提出一种自适应的双通道脉冲发放皮层模型(ADSCM)。ADSCM模型考虑到人眼对边缘特征的敏感性,将平均梯度作为ADSCM的链接强度来自适应地选择相应的通道;将改进的拉普拉斯能量和(Sum ModifiedLaplacian,SML)作为其外部输入,并在脉冲输出阶段提出一种软限幅S型函数。其具体模型如下所示:
Fn 1(i,j)=Sn 1(i,j)
Fn 2(i,j)=Sn 2(i,j)
Un(i,j)=max{Fn 1(i,j)(1+β1(i,j)Ln(i,j)),Fn 2(i,j)(1+β2(i,j)Ln(i,j))}
θn(i,j)=gθn-1(i,j)+hYn-1(i,j)
式中,(i,j)表示像素空间位置,n是迭代次数,F(i,j)为接收到的信号,S(i,j)为神经元的反馈输入,L(i,j)为链接输入,VL表示幅度增益,W(i,j)是突触连接权值矩阵,β(i,j)为神经元间的链接强度,U(i,j)为神经元内部活动项,θ(i,j)为动态阈值,g和h分别表示为阈值的衰减系数和放大系数,E(i,j)为软限幅S型函数的点火输出幅度,Y(i,j)代表神经元输出结果。
步骤4.1)初始化参数:最开始时由于每个神经元处于熄火状态,即L0(i,j)=U0(i,j)=θ0(i,j)=Y0(i,j)=0。
步骤4.2)将红外图像和增强后的弱可见光图像高频分量的改进的拉普拉斯能量和(SML)来作为双通道脉冲发放皮层模型的两个通道的反馈输入FIR(i,j)和FI(i,j),来激活各个神经元。
采用SML作为ADSCM的外部输入。SML的定义如下:
SML=∑∑ML(i,j)
ML(i,j)=|A(i,j)-A(i-step,j)|+|A(i,j)-A(i+step,j)|+|A(i,j)-A(i,j-step)|+|A(i,j)-A(i,j+step)|+S+T
S=0.7{|A(i,j)-A(i-step,j-step)|+|A(i,j)-A(i+step,j+step)|}
T=0.7{|A(i,j)-A(i+step,j-step)|+|A(i,j)-A(i-step,j+step)|}
步骤4.3)计算平均梯度来作为ADSCM的链接强度,从而自适应地选择相应的通道。利用平均梯度自适应的设置链接强度系数,而链接强度系数体现了系数间的变化,并能调整神经元的内部活动项中链接通道的权重,最终得出了两通道各自的神经元的内部活动项UIR(i,j)和UI(i,j),并取两者中的最大值来作为最终的神经元内部活动项U(i,j)。
由于链接强度是根据每个像素点在3×3局部邻域内的平均梯度值而得到,因此链接强度系数可以根据像素点的平均梯度来自适应调整。
平均梯度定义如下:
g1(i,j)=[A(i,j)-A(i+1,j)]2
g2(i,j)=[A(i,j)-A(i,j+1)]2
式中g1(i,j)和g2(i,j)分别表时图像灰度值在水平和垂直方向上的变化。
步骤4.4)、由上次迭代所得出的FIR(i,j)和FI(i,j)来作为ADSCM的两通道各自的外部激励,并利用自适应的双通道脉冲发放皮层模型计算得出神经元的链接输入Ln(i,j)、神经元的内部活动项Un(i,j)、动态阈值θn(i,j)、点火输出幅度En(i,j)。
步骤4.5)迭代步骤4.4)直到所有神经元产生脉冲响应,然后选择融合后的高频系数,从而最终确定融合图像的高频分量High(i,j):
其中:
步骤5)对图像的融合低频分量和图像的融合高频分量利用NSST逆变换进行重构得到最终融合图像。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。
Claims (5)
1.基于柯西模糊函数的红外与弱可见光图像融合方法,其特征是,具体包括步骤如下:
步骤1、利用引导滤波对弱可见光图像进行分解,得到图像的基础层和细节层;再利用比例因子进行动态范围压缩和利用恢复因子来恢复整体对比度,得到增强后的弱可见光图像;
步骤2、采用非下采样剪切波变换分别对红外图像和增强后的弱可见光图像进行多尺度分解,分别得到红外图像和增强后的弱可见光图像的低频分量与高频分量;
步骤3、利用直觉模糊集构建柯西隶属函数对红外图像和增强后的弱可见光图像的低频分量进行融合,得到融合之后的低频分量;
步骤4、利用自适应的双通道脉冲发放皮层模型对红外图像和增强后的弱可见光图像的高频分量进行融合,得到融合之后的高频分量;
步骤4.1、将红外图像和增强后的弱可见光图像高频分量的改进的拉普拉斯能量和分别作为自适应双通道脉冲发放皮层模型的2个通道的反馈输入,去激活自适应双通道脉冲发放皮层模型的各个神经元;
步骤4.2、在激活自适应双通道脉冲发放皮层模型的各个神经元的过程中,利用像素点的平均梯度去调整自适应双通道脉冲发放皮层模型的2个通道的链接强度系数,以调整自适应双通道脉冲发放皮层模型的内部活动项中链接通道的权重,并将2个通道中神经元的内部活动项较大的那个通道即视为自适应双通道脉冲发放皮层模型的自适应选择通道,该自适应选择通道的神经元内部活动项和链接输入即为所需的神经元内部活动项和链接输入;
步骤4.3、根据步骤4.2所得到的神经元内部活动项和链接输入去确定融合图像的高频分量;其中融合图像的高频分量High(i,j)为:
式中,(i,j)表示像素空间位置,HighIR(i,j)为红外图像的高频分量,HighI(i,j)为增强后的弱可见光图像的高频分量,FIR(i,j)为红外图像高频分量的改进的拉普拉斯能量和,FI(i,j)为增强后弱可见光图像高频分量的改进的拉普拉斯能量和,βIR(i,j)为红外图像的链接强度系数,βI(i,j)为增强后弱可见光图像的链接强度系数,U(i,j)为神经元的内部活动项,L(i,j)为链接输入;
步骤5、对经过步骤3融合得到的低频分量和经过步骤4融合得到的高频分量,利用非下采样剪切波逆变换进行重构,得到最终融合图像。
3.权利要求1所述基于柯西模糊函数的红外与弱可见光图像融合方法,其特征是,步骤3的具体步骤为:
步骤3.1、利用柯西模糊函数来构建红外图像的隶属函数和非隶属函数;
步骤3.2、根据直觉模糊集概念,得出犹豫度;其中犹豫度π(i,j)为:
π(i,j)=1-XIR(i,j)-YIR(i,j)
步骤3.3、对犹豫度采取加权平均的方式进行分配,分别得到红外图像和增强后的弱可见光图像的低频分量权值系数;其中
红外图像的低频分量权值系数X(i,j)为:
增强后的弱可见光图像的低频分量权值系数Y(i,j)为:
步骤3.4、根据红外图像和增强后的弱可见光图像在融合过程中的互补关系,得到融合之后的低频分量;其中融合得到的低频分量Low(i,j)为:
Low(i,j)=X(i,j)LowIR(i,j)+Y(i,j)LowI(i,j)
式中,LowIR(i,j)为红外图像的低频分量,LowI(i,j)为增强后的弱可见光图像的低频分量,XIR(i,j)为隶属函数,YIR(i,j)为非隶属函数。
4.权利要求1所述基于柯西模糊函数的红外与弱可见光图像融合方法,其特征是,步骤4中,
红外图像的链接强度系数βIR(i,j)为:
增强后的弱可见光图像的链接强度系数βI(i,j)为:
式中,HighIR(i+m,j+n)为像素点(i+m,j+n)处的红外图像的高频分量,HighIR(i+m+1,j+n)为像素点(i+m+1,j+n)处的红外图像的高频分量,HighIR(i+m,j+n+1)为像素点(i+m,j+n+1)处的红外图像的高频分量,HighI(i+m,j+n)为像素点(i+m,j+n)处的增强后的弱可见光图像的高频分量,HighI(i+m+1,j+n)为像素点(i+m+1,j+n)处的增强后的弱可见光图像的高频分量,HighI(i+m,j+n+1)为像素点(i+m,j+n+1)处的增强后的弱可见光图像的高频分量,Ω为局部邻域内的窗口大小。
5.权利要求1所述基于柯西模糊函数的红外与弱可见光图像融合方法,其特征是,步骤4中,局部邻域内的窗口大小Ω为奇数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810782395.3A CN109035189B (zh) | 2018-07-17 | 2018-07-17 | 基于柯西模糊函数的红外与弱可见光图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810782395.3A CN109035189B (zh) | 2018-07-17 | 2018-07-17 | 基于柯西模糊函数的红外与弱可见光图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035189A CN109035189A (zh) | 2018-12-18 |
CN109035189B true CN109035189B (zh) | 2021-07-23 |
Family
ID=64643349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810782395.3A Active CN109035189B (zh) | 2018-07-17 | 2018-07-17 | 基于柯西模糊函数的红外与弱可见光图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035189B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801250A (zh) * | 2019-01-10 | 2019-05-24 | 云南大学 | 基于adc-scm与低秩矩阵表达的红外与可见光图像融合方法 |
CN110889813B (zh) * | 2019-11-15 | 2023-11-24 | 安徽大学 | 基于红外信息的低光图像增强方法 |
CN111127380B (zh) * | 2019-12-26 | 2023-05-23 | 云南大学 | 一种基于直觉模糊相似度测量技术的多聚焦图像融合方法 |
CN114066786A (zh) * | 2020-08-03 | 2022-02-18 | 四川大学 | 一种基于稀疏和滤波器的红外和可见光图像融合方法 |
CN111681198A (zh) * | 2020-08-11 | 2020-09-18 | 湖南大学 | 一种形态学属性滤波多模融合成像方法、系统及介质 |
CN112017139B (zh) * | 2020-09-14 | 2023-04-07 | 南昌航空大学 | 一种红外与可见光图像感知融合方法 |
CN112132753B (zh) * | 2020-11-06 | 2022-04-05 | 湖南大学 | 多尺度结构引导图像的红外图像超分辨率方法及系统 |
CN113177904B (zh) * | 2021-05-21 | 2024-04-19 | 西安邮电大学 | 一种图像融合方法及系统 |
CN113298147B (zh) * | 2021-05-25 | 2022-10-25 | 长春大学 | 基于区域能量和直觉模糊集的图像融合方法及装置 |
CN113240616A (zh) * | 2021-05-27 | 2021-08-10 | 云南大学 | 一种脑部医学图像融合方法及系统 |
CN113628151B (zh) * | 2021-08-06 | 2024-04-26 | 苏州东方克洛托光电技术有限公司 | 一种红外与可见光图像融合方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107451984A (zh) * | 2017-07-27 | 2017-12-08 | 桂林电子科技大学 | 一种基于混合多尺度分析的红外与可见光图像融合算法 |
CN107784642A (zh) * | 2016-08-26 | 2018-03-09 | 北京航空航天大学 | 一种红外视频和可见光视频自适应融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101858646B1 (ko) * | 2012-12-14 | 2018-05-17 | 한화에어로스페이스 주식회사 | 영상 융합 장치 및 방법 |
-
2018
- 2018-07-17 CN CN201810782395.3A patent/CN109035189B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107784642A (zh) * | 2016-08-26 | 2018-03-09 | 北京航空航天大学 | 一种红外视频和可见光视频自适应融合方法 |
CN107451984A (zh) * | 2017-07-27 | 2017-12-08 | 桂林电子科技大学 | 一种基于混合多尺度分析的红外与可见光图像融合算法 |
Also Published As
Publication number | Publication date |
---|---|
CN109035189A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035189B (zh) | 基于柯西模糊函数的红外与弱可见光图像融合方法 | |
CN109859147B (zh) | 一种基于生成对抗网络噪声建模的真实图像去噪方法 | |
CN111028163B (zh) | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 | |
CN103295204B (zh) | 一种基于非下采样轮廓波变换的图像自适应增强方法 | |
CN110276726B (zh) | 一种基于多通道网络先验信息引导的图像去模糊方法 | |
CN111539884A (zh) | 一种基于多注意力机制融合的神经网络视频去模糊方法 | |
JP2017199235A (ja) | 学習型アルゴリズムによるフォーカス補正処理方法 | |
CN104574293A (zh) | 基于有界运算的多尺度Retinex图像清晰化算法 | |
CN110533614B (zh) | 一种结合频域和空域的水下图像增强方法 | |
CN106169181A (zh) | 一种图像处理方法及系统 | |
CN113808042B (zh) | 一种基于小波变换和生成对抗网络的sar图像去噪方法 | |
CN110322404B (zh) | 一种图像增强方法及系统 | |
CN109949256B (zh) | 一种基于傅里叶变换的天文图像融合方法 | |
Min et al. | Blind deblurring via a novel recursive deep CNN improved by wavelet transform | |
CN114219722A (zh) | 一种利用时频域层级处理的低光照图像增强方法 | |
Lepcha et al. | A deep journey into image enhancement: A survey of current and emerging trends | |
CN114723630A (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
Zhang | Multifocus image fusion using multiscale transform and convolutional sparse representation | |
Zhang et al. | Enhanced visual perception for underwater images based on multistage generative adversarial network | |
CN117058019A (zh) | 一种基于金字塔增强网络的低光照下目标检测方法 | |
CN115049570A (zh) | 一种低照度下的可见光与红外图像融合方法 | |
CN113177904B (zh) | 一种图像融合方法及系统 | |
Cao et al. | A License Plate Image Enhancement Method in Low Illumination Using BEMD. | |
CN110517196B (zh) | 一种sar图像降噪方法及系统 | |
Tun et al. | Joint Training of Noisy Image Patch and Impulse Response of Low-Pass Filter in CNN for Image Denoising |
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: 20181218 Assignee: Guangxi Yanze Information Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980046249 Denomination of invention: Infrared and weak visible light image fusion method based on Cauchy blur function Granted publication date: 20210723 License type: Common License Record date: 20231108 |
|
EE01 | Entry into force of recordation of patent licensing contract |