CN109118463A - 一种基于hsl和图像熵的sar图像和光学图像融合方法 - Google Patents
一种基于hsl和图像熵的sar图像和光学图像融合方法 Download PDFInfo
- Publication number
- CN109118463A CN109118463A CN201810841624.4A CN201810841624A CN109118463A CN 109118463 A CN109118463 A CN 109118463A CN 201810841624 A CN201810841624 A CN 201810841624A CN 109118463 A CN109118463 A CN 109118463A
- Authority
- CN
- China
- Prior art keywords
- image
- sar
- optical imagery
- fuse
- hsl
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 71
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 13
- 238000002156 mixing Methods 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 abstract description 21
- 230000000694 effects Effects 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000012876 topography 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar 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
- G06T2207/10—Image acquisition modality
- G06T2207/10052—Images from lightfield camera
-
- 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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于HSL和图像熵的SAR图像和光学图像融合方法,所述方法包括:步骤1)读入待融合的SAR图像ISAR和光学图像IOPT,将光学图像IOPT由RGB模型转换为HSL模型,获得色度分量H、饱和度分量S和亮度分量L;步骤2)对读入的SAR图像ISAR以及得到的光学图像亮度L,分别进行归一化处理,获得和步骤3)基于和计算反映SAR图像和光学图像信息量的图像熵参数ESAR和EOPT;步骤4)基于图像熵参数ESAR和EOPT,计算归一化权重α和β,并以之对和进行线性加权求和,获得融合图像的亮度分量LFUSE;步骤5)将色度H和饱和度S以及亮度LFUSE相组合,构建融合图像IFUSE的HSL模型,并将之转换为RGB模型输出。本发明的方法效果显著,操作简单,不需要人为介入和干预。
Description
技术领域
本发明涉及多源图像融合方法,特别涉及一种基于HSL和图像熵的SAR图像和光学图像融合方法。
背景技术
SAR成像和光学成像具有本质上的差异(文献[1]:D.Li,Y.Zhang.Epipolargeometry comparison of SAR and optical camera.Proceedings of SPIE,vol.9901,no.9910V,pp.1-9,2016)。SAR通过主动发射微波以探测目标的散射,光学相机通过被动接收以记录目标对可见光的反射。成像方式、观测几何以及频段上的差异使得SAR成像呈现为相干测量,光学成像呈现为非相干测量(文献[2]:Y.Zhang,J.Jiang.Why optical imagesare easier to understand than radar images?–From the electromagneticscattering and signal point of view.Proceedings of PIERS,Guangzhou,China,2014,pp.1411-1415)。前者可获得目标的相位信息,故SAR图像具有独特的纹理细节;后者能反映出目标对不同可见光频率的吸收能力,故光学图像具有独特的颜色细节。因此SAR图像和光学图像从两个视角提供了对同一场景的不同刻画,为了实现对目标的完整认识,一个必然的步骤就是将二者进行融合以兼容其各自的优势。
到目前为止,已存在许多融合SAR图像和光学图像的方法,例如小波变换融合法、信息熵融合法等等,这些方法大多致力于SAR图像和高光谱/多光谱光学图像的融合,实现复杂且通用性差。
发明内容
本发明的目的在于克服上述技术缺陷,基于HSL模型和图像熵,将SAR图像的纹理信息和光学图像的色彩信息进行简单而有效的结合,实现对SAR图像和光学图像的自适应融合。
为了实现上述目的,本发明提供了一种基于HSL和图像熵的SAR图像和光学图像融合方法,所述方法包括:
步骤1)读入待融合的SAR图像ISAR和光学图像IOPT,将光学图像IOPT由RGB模型转换为HSL模型,获得色度分量H、饱和度分量S和亮度分量L;
步骤2)对步骤1)读入的SAR图像ISAR以及得到的光学图像亮度L,分别进行归一化处理,获得和
步骤3)基于步骤2)得到的和计算反映SAR图像和光学图像信息量的图像熵参数ESAR和EOPT;
步骤4)基于步骤3)得到的图像熵参数ESAR和EOPT,计算归一化权重α和β,并以之对步骤2)得到的和进行线性加权求和,获得融合图像的亮度分量LFUSE;
步骤5)将步骤1)得到的色度H和饱和度S以及步骤4)得到的亮度LFUSE相组合,构建融合图像IFUSE的HSL模型,并将之转换为RGB模型输出。
作为上述方法的一种改进,所述步骤2)具体包括:
步骤2-1)SAR图像ISAR的归一化为:
其中,max(ISAR)和min(ISAR)分别表示ISAR的最大值和最小值;
步骤2-2)光学图像亮度分量L的归一化为:
其中,C与图像ISAR存储的数据位数n有关:C=2n-1。
作为上述方法的一种改进,所述步骤3)具体为:
对于归一化的SAR图像图像熵参数ESAR的计算如下:
式中,N为图像的像素总数,Pi表示概率:
式中,Ni为位于区间内的像素的数目;
对于归一化的光学图像亮度图像熵参数EOPT的计算如下:
式中,M为图像的像素总数,Qi表示概率:
式中,Mj为位于区间内的像素的数目。
作为上述方法的一种改进,所述步骤4)具体包括:
步骤4-1)基于图像熵参数ESAR和EOPT的归一化权重α和β计算如下:
步骤4-2)基于α和β,融合图像的亮度分量LFUSE为和的线性加权和:
作为上述方法的一种改进,所述步骤5)具体包括:
步骤5-1)融合图像IFUSE的HSL模型的构建如下:
IFUSE:=[H,S,LFUSE]
即直接将光学图像IOPT的色度H和饱和度S作为融合图像IFUSE的色度和饱和度分量,而IFUSE亮度分量LFUSE为和的线性加权和;
步骤5-2)将构建的HSL模型IFUSE转换为RGB模型则最终输出的融合结果为:
其中,hsl2rgb(·)表示图像模型由HSL转换为RGB的操作。
本发明的优点在于:
本发明的一种基于HSL和图像熵的SAR图像和光学图像融合方法通过HSL模型和图像熵,实现了对SAR图像纹理信息和光学图像色彩信息的自适应结合,该方法效果显著,操作简单,不需要人为介入和干预。
附图说明
图1是本发明的基于HSL和图像熵的SAR图像和光学图像融合方法的总体流程图;
图2是本发明的基于HSL和图像熵的SAR图像和光学图像融合方法的具体流程图;
图3(a)是一个实施例中所采用的待融合的SAR图像ISAR;
图3(b)是一个实施例中所采用的待融合的光学图像IOPT;
图4(a)是实施例中光学图像IOPT经RGB模型转换为HSL模型后分量色度H示意图;
图4(b)是实施例中光学图像IOPT经RGB模型转换为HSL模型后分量饱和度S示意图;
图4(c)是实施例中光学图像IOPT经RGB模型转换为HSL模型后分量亮度L示意图;
图5是实施例中SAR图像ISAR和光学图像L分量归一化后,基于图像熵自适应线性加权求和所得到的融合图像亮度分量LFUSE示意图;
图6是实施例中SAR图像ISAR和光学图像IOPT后经本发明的方法做融合后的结果IFUSE示意图。
具体实施方式
现结合附图对本发明作进一步的描述。
基于HSL模型和图像熵,本发明致力于提供一个简单有效的SAR图像和光学图像融合方法。其中,HSL模型用于提取光学图像的色彩信息,反映图像信息量的熵参数用于实现对SAR图像和光学图像纹理信息的自适应融合,最终得到的融合图像兼具SAR图像的纹理信息以及光学图像的色彩信息,实现了对二者的自适应结合。
参考图1和图2,本发明提出的一种基于HSL和图像熵的SAR图像和光学图像融合方法,包括以下步骤:
步骤1)、读入待融合的SAR图像ISAR和光学图像IOPT,将IOPT由RGB模型转换为HSL模型,获得色度(Hue)分量H、饱和度(Saturation)分量S和亮度(Lightness)分量L;
步骤2)、对步骤1)读入的SAR图像ISAR以及得到的光学图像亮度L,分别进行归一化处理,获得和
步骤3)、基于步骤2)得到的和计算反映SAR图像和光学图像信息量的图像熵参数ESAR和EOPT;
步骤4)、基于步骤3)得到的图像熵参数ESAR和EOPT,计算归一化权重α和β,并以之对步骤2)得到的和进行线性加权求和,获得融合图像的亮度分量LFUSE;
步骤5)、将步骤1)得到的色度H和饱和度S以及步骤4)得到的亮度LFUSE相组合,构建融合图像IFUSE的HSL模型,并将之转换为RGB模型输出。
下面对本发明方法中的步骤做进一步描述。
在步骤1)中,读入待融合的SAR图像ISAR和光学图像IOPT;在一个实施例中,所读入SAR图像和光学图像如图3(a)和图3(b)所示,尺度为694×1658。其中SAR图像由搭载于天宫二号空间实验室的三维成像雷达高度计(InIRA)获取于湖北省武汉市。武汉位于汉江和长江的交汇处,因此具有大量的湖泊和沼泽,图3(a)中的河流即是长江。不同于传统SAR成像,InIRA采用小视角成像几何,此时水面散射呈现为镜面散射,这使得在InIRA获得的SAR图像中水体的散射非常强烈,从而为内陆水提供了一个非常好的观测平台。图3(b)为对应的光学图像,由Google Earth卫星获取于同一成像区域。通过对SAR图像进行三维定位,我们可将InIRA获得的SAR图像精确投影至Google Earth,实现了SAR图像和光学图像的几何配准。从图3(b)的光学图像中我们也可看到长江,但一些湖泊和沼泽却无法如图3(a)那样得以清晰区分。尽管如此,光学图像特有的色彩信息使图图3(b)中的一些建筑物特征比图3(a)明显,因为InIRA SAR增强了的水体散射使建筑物的散射相对变暗。因此,SAR图像和光学图像提供了关于目标的两种不同但互补的刻画,为了获得对目标的完整认识,有必要将二者进行融合。
为了获得光学图像IOPT的色彩信息,在步骤1)中,我们进一步将IOPT由RGB模型转化为HSL模型:
[H,S,L]=rgb2hsl(IOPT)
其中,rgb2hsl(·)表示由RGB转换为HSL操作。图4(a)、图4(b)和图4(c)分别给出了得到的色度分量H、饱和度分量S和亮度分量L,其中H描述色彩,S刻画色彩的深浅,L反映色彩的明暗。
对步骤1)读入的SAR图像ISAR以及得到的光学图像亮度L,在步骤2)中,分别对ISAR和L进行归一化处理,获得和考虑到SAR成像和光学成像机理上的不同,我们对ISAR和L采用不同的归一化方法。其中,SAR图像ISAR的归一化方法如下:
式中,max(ISAR)和min(ISAR)分别表示ISAR的最大值和最小值。
光学图像亮度分量L的归一化方法如下:
式中,C与图像ISAR存储的数据位数n有关:C=2n-1。光学图像通常都是以8位无符号整形格式存储,即n=8,因此C=255。
由于在该实施例中,归一化后的和与图3(a)中的ISAR和图4(c)中的L在视觉上没有较大差异,故在此不对和进行展示。
基于步骤2)得到的和在步骤3)中,计算反映SAR图像和光学图像信息量的图像熵参数ESAR和EOPT。这里ESAR和EOPT计算采用同样的方法。对于任意一幅归一化灰度图像图像熵参数E的计算如下:
式中,N为图像的像素总数,Pi表示概率,计算方法如下:
式中,Ni为位于区间内的像素的数目。
对于该实施例,我们获得的ESAR和EOPT分别为7.7332和6.5668,这表明,在纹理特征上,SAR图像呈现出更多的信息量。
基于步骤3)得到的图像熵参数ESAR和EOPT,在步骤4)中,首先按照下式计算归一化权重α和β:
将ESAR=7.7332和EOPT=6.5668代入上式,可得到,在该实施例中,α=0.5408,β=0.4592。
基于α和β,我们对和进行如下线性加权求和,获得融合图像的亮度LFUSE:
对于该实施例,将α=0.5408和β=0.4592带入上式,我们得到图5所示的LFUSE,其为图3(a)和图4(c)的线性叠加。由于α>β,因此LFUSE更接近于
基于步骤1)得到的色度H和饱和度S以及步骤4)得到的亮度LFUSE,在步骤5)中,融合图像IFUSE的HSL模型的构建如下:
IFUSE:=[H,S,LFUSE]
即我们直接将光学图像IOPT的色度H和饱和度S作为融合图像IFUSE的色度和饱和度分量,而IFUSE亮度分量LFUSE为和的线性加权和。最终输出的融合结果为:
IFUSE=hsl2rgb([H,S,LFUSE])
式中,hsl2rgb(·)表示图像模型由HSL转换为RGB操作。
图6展示了在该实施例中最终获得的融合图像IFUSE。正如我们所期待的,融合图像不仅包含了SAR图像的纹理信息,也包含了光学图像的色彩信息。基于色彩信息,融合图像将SAR图像中暗淡难分的建筑物区域区分了出来;同样,基于纹理信息,融合图像也进一步将光学图像中模糊不清的水体区域识别了出来。这些使得对内陆水和建筑物的精确提取和区分最终成为可能,展现出了本发明方法优异的图像融合性能。
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。尽管参照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 (5)
1.一种基于HSL和图像熵的SAR图像和光学图像融合方法,所述方法包括:
步骤1)读入待融合的SAR图像ISAR和光学图像IOPT,将光学图像IOPT由RGB模型转换为HSL模型,获得色度分量H、饱和度分量S和亮度分量L;
步骤2)对步骤1)读入的SAR图像ISAR以及得到的光学图像亮度L,分别进行归一化处理,获得和
步骤3)基于步骤2)得到的和计算反映SAR图像和光学图像信息量的图像熵参数ESAR和EOPT;
步骤4)基于步骤3)得到的图像熵参数ESAR和EOPT,计算归一化权重α和β,并以之对步骤2)得到的和进行线性加权求和,获得融合图像的亮度分量LFUSE;
步骤5)将步骤1)得到的色度H和饱和度S以及步骤4)得到的亮度LFUSE相组合,构建融合图像IFUSE的HSL模型,并将之转换为RGB模型输出。
2.根据权利要求1所述的种基于HSL和图像熵的SAR图像和光学图像融合方法,其特征在于,所述步骤2)具体包括:
步骤2-1)SAR图像ISAR的归一化为:
其中,max(ISAR)和min(ISAR)分别表示ISAR的最大值和最小值;
步骤2-2)光学图像亮度分量L的归一化为:
其中,C与图像ISAR存储的数据位数n有关:C=2n-1。
3.根据权利要求2所述的基于HSL和图像熵的SAR图像和光学图像融合方法,其特征在于,所述步骤3)具体为:
对于归一化的SAR图像图像熵参数ESAR的计算如下:
式中,N为图像的像素总数,Pi表示概率:
式中,Ni为位于区间内的像素的数目;
对于归一化的光学图像亮度图像熵参数EOPT的计算如下:
式中,M为图像的像素总数,Qi表示概率:
式中,Mj为位于区间内的像素的数目。
4.根据权利要求3所述的基于HSL和图像熵的SAR图像和光学图像融合方法,其特征在于,所述步骤4)具体包括:
步骤4-1)基于图像熵参数ESAR和EOPT的归一化权重α和β计算如下:
步骤4-2)基于α和β,融合图像的亮度分量LFUSE为和的线性加权和:
5.根据权利要求4所述的基于HSL和图像熵的SAR图像和光学图像融合方法,其特征在于,所述步骤5)具体包括:
步骤5-1)融合图像IFUSE的HSL模型的构建如下:
IFUSE:=[H,S,LFUSE]
即直接将光学图像IOPT的色度H和饱和度S作为融合图像IFUSE的色度和饱和度分量,而IFUSE亮度分量LFUSE为和的线性加权和;
步骤5-2)将构建的HSL模型IFUSE转换为RGB模型则最终输出的融合结果为:
其中,hsl2rgb(·)表示图像模型由HSL转换为RGB的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810841624.4A CN109118463B (zh) | 2018-07-27 | 2018-07-27 | 一种基于hsl和图像熵的sar图像和光学图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810841624.4A CN109118463B (zh) | 2018-07-27 | 2018-07-27 | 一种基于hsl和图像熵的sar图像和光学图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109118463A true CN109118463A (zh) | 2019-01-01 |
CN109118463B CN109118463B (zh) | 2021-10-19 |
Family
ID=64863694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810841624.4A Active CN109118463B (zh) | 2018-07-27 | 2018-07-27 | 一种基于hsl和图像熵的sar图像和光学图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118463B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112578381A (zh) * | 2020-11-13 | 2021-03-30 | 中国科学院国家空间科学中心 | 一种基于干涉逆合成孔径雷达的目标三维转动矢量估计方法 |
CN112634185A (zh) * | 2020-12-17 | 2021-04-09 | 中国人民解放军火箭军工程大学 | 一种基于hsl和图像熵的sar图像和光学图像融合方法 |
CN112991348A (zh) * | 2021-05-24 | 2021-06-18 | 南京索安电子有限公司 | 一种车辆底盘异物检测方法、装置及存储介质 |
CN113096058A (zh) * | 2021-04-23 | 2021-07-09 | 哈尔滨工业大学 | 空间目标多源数据参数化仿真与MinCenterNet融合检测方法 |
CN113240609A (zh) * | 2021-05-26 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像去噪方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927741A (zh) * | 2014-03-18 | 2014-07-16 | 中国电子科技集团公司第十研究所 | 增强目标特征的sar图像合成方法 |
CN106251368A (zh) * | 2016-06-12 | 2016-12-21 | 中国科学院遥感与数字地球研究所 | 基于bemd的sar影像与多光谱影像的融合方法 |
CN106910178A (zh) * | 2017-01-20 | 2017-06-30 | 中国人民解放军装备学院 | 一种基于色调统计特性分类的多角度sar图像融合方法 |
CN107154020A (zh) * | 2017-05-02 | 2017-09-12 | 中国科学院空间应用工程与技术中心 | 一种基于Curvelet变换的影像融合方法及系统 |
US20180172824A1 (en) * | 2015-06-16 | 2018-06-21 | Urthecast Corp | Systems and methods for enhancing synthetic aperture radar imagery |
-
2018
- 2018-07-27 CN CN201810841624.4A patent/CN109118463B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927741A (zh) * | 2014-03-18 | 2014-07-16 | 中国电子科技集团公司第十研究所 | 增强目标特征的sar图像合成方法 |
US20180172824A1 (en) * | 2015-06-16 | 2018-06-21 | Urthecast Corp | Systems and methods for enhancing synthetic aperture radar imagery |
CN106251368A (zh) * | 2016-06-12 | 2016-12-21 | 中国科学院遥感与数字地球研究所 | 基于bemd的sar影像与多光谱影像的融合方法 |
CN106910178A (zh) * | 2017-01-20 | 2017-06-30 | 中国人民解放军装备学院 | 一种基于色调统计特性分类的多角度sar图像融合方法 |
CN107154020A (zh) * | 2017-05-02 | 2017-09-12 | 中国科学院空间应用工程与技术中心 | 一种基于Curvelet变换的影像融合方法及系统 |
Non-Patent Citations (1)
Title |
---|
卜丽静等: "利用纹理特征的SAR与光学图像融合方法研究", 《测绘工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112578381A (zh) * | 2020-11-13 | 2021-03-30 | 中国科学院国家空间科学中心 | 一种基于干涉逆合成孔径雷达的目标三维转动矢量估计方法 |
CN112578381B (zh) * | 2020-11-13 | 2023-10-13 | 中国科学院国家空间科学中心 | 一种基于干涉逆合成孔径雷达的目标三维转动矢量估计方法 |
CN112634185A (zh) * | 2020-12-17 | 2021-04-09 | 中国人民解放军火箭军工程大学 | 一种基于hsl和图像熵的sar图像和光学图像融合方法 |
CN113096058A (zh) * | 2021-04-23 | 2021-07-09 | 哈尔滨工业大学 | 空间目标多源数据参数化仿真与MinCenterNet融合检测方法 |
CN113096058B (zh) * | 2021-04-23 | 2022-04-12 | 哈尔滨工业大学 | 空间目标多源数据参数化仿真与MixCenterNet融合检测方法 |
CN112991348A (zh) * | 2021-05-24 | 2021-06-18 | 南京索安电子有限公司 | 一种车辆底盘异物检测方法、装置及存储介质 |
CN113240609A (zh) * | 2021-05-26 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像去噪方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109118463B (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118463A (zh) | 一种基于hsl和图像熵的sar图像和光学图像融合方法 | |
CN111080724B (zh) | 一种红外和可见光的融合方法 | |
CA3157194C (en) | Systems and methods for augmentation of sensor systems and imaging systems with polarization | |
CN111062905B (zh) | 一种基于显著图增强的红外和可见光融合方法 | |
CN107784642B (zh) | 一种红外视频和可见光视频自适应融合方法 | |
CN107798652A (zh) | 图像处理方法、装置、可读存储介质和电子设备 | |
Chiang et al. | Underwater image enhancement: using wavelength compensation and image dehazing (WCID) | |
CN112712485B (zh) | 一种图像融合方法及装置 | |
CN114868384B (zh) | 用于图像处理的设备及方法 | |
CN110135434A (zh) | 基于颜色线模型的水下图像质量提升算法 | |
CN114697623B (zh) | 投影面选取和投影图像校正方法、装置、投影仪及介质 | |
CN108460795A (zh) | 倒金字塔式双目立体匹配方法及系统 | |
EP3973500A1 (en) | Physics-based recovery of lost colors in underwater and atmospheric images under wavelength dependent absorption and scattering | |
CN112699885A (zh) | 一种基于对抗生成网络gan的语义分割训练数据增广方法和系统 | |
CN111429356A (zh) | 一种地面高光谱影像的几何配准与裁剪方法 | |
CN113506275B (zh) | 一种基于全景城市图像处理方法 | |
Pandian et al. | Object Identification from Dark/Blurred Image using WBWM and Gaussian Pyramid Techniques | |
CN114897706A (zh) | 一种全色多光谱影像融合的绿色植被增强方法 | |
CN110246086A (zh) | 彩色图像增强的图像处理方法及其图像处理系统 | |
Zhao et al. | FOV expansion of bioinspired multiband polarimetric imagers with convolutional neural networks | |
CN116993598A (zh) | 基于合成孔径雷达和可见光融合的遥感影像去云方法 | |
CN116777760A (zh) | 一种基于自适应暗像素和颜色校正的水下图像复原方法 | |
CN115272067A (zh) | 一种基于神经网络的激光雷达三维距离像超分辨率重建方法 | |
Chen et al. | Low‐light image enhancement based on exponential Retinex variational model | |
Dong et al. | Infrared image colorization using an edge aware auto encoder decoder with the multi-resolution fusion |
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 |