CN109242888A - 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 - Google Patents
一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 Download PDFInfo
- Publication number
- CN109242888A CN109242888A CN201811020797.6A CN201811020797A CN109242888A CN 109242888 A CN109242888 A CN 109242888A CN 201811020797 A CN201811020797 A CN 201811020797A CN 109242888 A CN109242888 A CN 109242888A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- sub
- value
- saliency
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10048—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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
Abstract
本发明提供一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法。首先,计算出可见光图像的对比度,若可见光图像对比度低则将其进行对比度受限的自适应直方图均衡。使用改进后的Frequency Tuned(FT)算法提取红外图像显著性区域,然后对显著性图进行抑制背景的处理。接着,分别对红外图像及处理后的可见光图像进行非下采样轮廓波变换(NSCT)获得低频与高频信息。在低频信息部分,利用显著性图进行融合,在高频信息部分采用绝对值取大的融合规则进行融合,最后将得到的融合低频系数和高频系数进行逆NSCT获得融合图像。本发明使融合后的图像细节信息更丰富,目标区域更为突出,使融合图像的视觉效果更好,更适合人眼观察和计算机处理。
Description
技术领域
及一种红外与可见光图像融合方法,特别涉及一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法,属于数字图像处理领域。
背景技术
不同光谱的图像传感器有时会具有比较好的互补特性。比如,红外图像传感器是根据物体红外辐射的差异成像,反映的是物体的热辐射特性,由于红外图像的获取不依赖于外部光线,具有全天侯特点。而可见光图像传感器是根据物体对可见光的不同反射能力成像,反映的是物体表面的可见光反射特性,图像的获取易受光照等因素的影响,不具有全天候特点。红外图像通常对比度和分辨率低,缺乏细节信息,而可见光图像通常具有较高的对比度和分辨率,边缘纹理等细节信息比较丰富。由于有其各自应用的局限性,单一的可见光或红外传感器技术已经不能满足要求越来越高的应用场景。而由于红外图像和可见光图像具有良好的互补特性,实践表明,在很多场景中将这两种传感器获取的图像进行有效的融合处理,能够充分保留各自传感器优点,克服各自应用的不足之处,可以获得对于场景全面准确的图像描述,达到对信息的充分利用,同时也提高了系统分析决策的准确性和可靠性。
近年来,多分辨分析的方法一直是图像融合研究热点和焦点。多分辨率分析的图像融合的基本原理是首先把多源图像进行多尺度分解,得到图像的低频系数和不同尺度下的高频系数。然后,按照一定融合规则,分别将低频系数、高频系数进行融合,最后通过多分辨重建得到融合图像。
发明内容
本发明要解决的技术问题为:红外图像通常对比度和分辨率比较低,但由于图像的获取不依赖外部光照,能够克服天气环境等的影响,极好地获得夜间或雾天等情况的目标信息,可见光图像的细节纹理信息通常比较丰富,但由于易容光照天气或目标被遮挡等状况的影响,有时目标信息无法很好地获取。针对这两种图像单一应用的不足,提供一种结合图像显著性和非下采样轮廓波的图像融合方法,该方法可以突出红外图像的目标区域,并保留更多的可见光图像的细节信息,使融合图像信息更丰富,更符合人眼视觉。
本发明采用的技术方案为:一种结合图像显著性和非下采样轮廓波变换(NSCT)的红外与可见光图像融合方法,包括如下步骤:
步骤一、判断可见光图像是否为低对比度图像,是否需要进行对比度受限的自适应直方图均衡;
图像的对比度计算公式为:
其中,δ为相邻像素间可能出现的灰度差值,Pδ为相邻像素间的灰度差为δ的像素分布概率;
经过多副图像计算测试,对于灰度级范围为[0,255]的图像,在C≤3.8时判断该图像为低对比度图像;
若图像为低对比度图像,将其进行对比度受限的自适应直方图均衡:
首先将图像划分成若干图像子块,统计各图像子块的直方图,然后对子块中统计得到的直方图进行裁剪,将裁剪的值填补到整个灰度区间上,使其幅值低于设定好的上限值ClipLimit,
其中,nRow为图像子块行数,nCol为图像子块列数,L为子块灰度级,α∈[0,1];
计算出每个子块的累积直方图函数及对应的灰度映射函数,每个子块上的像素点的值由它邻近的4个子块的中心点的映射函数值进行双线性插值得到,边缘的部分像素点值由它邻近的2个子块的中心的的映射函数值进行线性插值得到,角点处的像素点值由该子块的映射函数值得到;
步骤二、提取红外图像显著性区域:
使用改进后的Frequency Tuned(FT)算法提取红外图像显著性区域;
使用FT算法计算一副输入图像I的显著性图的公式为:
S(x,y)=|Iμ-Iwhc(x,y)| (3)
其中,Iμ为输入图像I中所有像素的平均值,Iwhc(x,y)为输入图像I经过高斯模糊之后在位置(x,y)处的像素值;
在FT算法的基础上,利用L0范数图像平滑对其进行改进,提出一种图像的显著性提取方法,即:
S(x,y)=|Iμ-IL0(x,y)| (4)
其中IL0(x,y)是图像I经过L0范数图像平滑后在位置(x,y)的像素值;
使用改进的算法去提取红外图像显著区域能够更充分地抑制红外图像的背景信息,使目标信息更为突出;
将S(x,y)归一化后得到Smap(x,y);
然后,使用S型曲线对比度拉伸变换函数对显著性图进行处理,即:
其中系数t、k为常数,t∈[0,1],k≥1,经处理后,显著性图的背景信息进一步被抑制,目标区域更加凸显;
步骤三、将图像进行NSCT分解
NSCT主要分为多尺度分解和多方向分解两部分,其中,采用非下采样金字塔滤波器组进行多尺度分解,由于没有图像下采样的步骤,一副图像经N级分解后,可得到N+1个与原图像相同尺度大小子带图像,其中1个是原图像的低频近似图像和N个高频子带图像,采用非下采样方向滤波器组进行多方向分解,每次分解得到水平和垂直方向的分解,如果对图像进行J级方向分解,可得到2J个与原始图像大小相同的方向子带图像;
步骤四、将分解系数进行融合
经过步骤三获得红外图像的低频系数及可见光图像的低频系数则融合图像的低频系数:
其中:
经过步骤三获得红外图像的高频系数和可见光图像的高频系数(n=1,...,N,j=1,...2J),则融合图像的高频系数的获得采用绝对值取大的规则,即:
步骤五、图像重构
将步骤四得到的不同尺度不同方向上的高频和低频融合系数进行NSCT逆变换,得到融合图像。
其中,红外图像与可见光图像是已经配准好的。
其中,所述步骤一中的系数α=0.01。
其中,所述步骤二中的系数t=0.5,k=10。
其中,所述步骤三尺度分解级数N=2,方向分解级数为J=3,即8方向分解。
本发明与现有技术相比的有益效果在于:
(1)本发明对对比度低的可见光图像进行对比度受限的直方图均衡,与传统的图像融合方法相比,能够显现出可见光源图像更多的细节信息,以使融合图像中的细节信息更为丰富。
(2)本发明对红外图像提取出的显著性图的方法进行改进,并将得到的显著性图进行抑制背景处理,与传统的图像融合方法相比,更能凸显出红外图像的显著性区域,并极好地保留在融合图像中。
(3)本发明采用非下采样轮廓波对图像进行多尺度分解,并利用红外图像的显著性图设计了低频系数部分的融合规则,与传统的图像融合方法相比,本发明所获得的融合图像保留了更多的目标信息和细节信息,图像清晰视觉效果好,更适合人眼观察和计算机处理。
附图说明
图1为本发明方法的整体框架实现流程图;
图2为本发明进行实验1的红外与可见光源图像,图像分辨率均为496*632,其中,图2(a)为红外图像,图2(b)为可见光图像;
图3为本发明进行实验2的红外与可见光源图像,图像分辨率均为270*360,其中,图3(a)为红外图像,图3(b)为可见光图像;
图4(a)~(c)分别为低频系数使用均值规则融合而得的融合图像及使用FT算法获得的红外图像显著性图指导低频系数融合而得的融合图像及使用本发明获得的融合图像;
图5(a)~(c)分别为低频系数使用均值规则融合而得的融合图像及使用FT算法获得的红外图像显著性图指导低频系数融合而得的融合图像及使用本发明获得的融合图像。
具体实施方式
下面结合附图对本发明的实施例作详细说明。本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于以下的实施例。
步骤一判断可见光图像是否为低对比度图像,是否需要进行对比度受限的自适应直方图均衡:
图像对比度计算公式:
其中δ为相邻像素间可能出现的灰度差值,Pδ为相邻像素间的灰度差为δ的像素分布概率。
经过多副图像计算测试,对于灰度级范围为[0,255]的图像,本发明在C≤3.8时判断该图像为低对比度图像。
若图像为低对比度图像,将其进行对比度受限的自适应直方图均衡:
首先将图像划分成若干图像子块,统计各图像子块的直方图,然后对子块中统计得到的直方图进行裁剪,将裁剪的值填补到整个灰度区间上,使其幅值低于设定好的上限值ClipLimit。
其中nRow为图像子块行数,nCol为图像子块列数,L为子块灰度级,α∈[0,1]。
对一个图像子块,求出直方图高于ClipLimit的部分的和Total,则将Total均分给所有灰度级而增加的高度H=Total/L,以Upper=ClipLimit-H为界限对图像直方图进行如下处理:
(1)若幅值高于ClipLimit,则将其置为ClipLimit;
(2)若幅值处于Upper和ClipLimit之间,则将其填补至ClipLimit;
(3)若幅值低于Upper,直接填补H个像素点;
上述步骤进行完后,将剩余的像素点均匀填补给仍然小于ClipLimit的灰度值。
计算出每个子块的累积直方图函数及对应的灰度映射函数,每个子块上的像素点的值由它邻近的4个子块的中心点的映射函数值进行双线性插值得到。边缘的部分像素点值由它邻近的2个子块的中心的的映射函数值进行线性插值得到,角点处的像素点值由该子块的映射函数值得到。
步骤二提取红外图像显著性区域:
本发明提出使用改进后的Frequency Tuned(FT)算法提取红外图像显著性区域。
使用FT算法计算一副输入图像I的显著性图的公式为:
S(x,y)=|Iμ-Iwhc(x,y)| (3)
其中,Iwhc(x,y)为输入图像I经过高斯模糊之后在位置(x,y)处的像素值。
本发明在FT算法的基础上,利用L0范数图像平滑对其进行改进,提出一种图像的显著性提取方法,即Iμ为输入图像I中所有像素的平均值,
S(x,y)=|Iμ-IL0(x,y)| (4)
其中IL0(x,y)是图像I经过L0范数图像平滑后在位置(x,y)的像素值。
使用改进的算法去提取红外图像显著区域能够更充分地抑制红外图像的背景信息,使目标信息更为突出。
将S(x,y)归一化后得到Smap(x,y)。
然后,使用S型曲线对比度拉伸变换函数对显著性图进行处理,即:
其中系数t、k为常数,t∈[0,1],k≥1。经处理后,显著性图的背景信息进一步被抑制,目标区域更加凸显。
步骤三将图像进行NSCT分解
NSCT主要分为多尺度分解和多方向分解两部分。其中,采用非下采样金字塔滤波器组进行多尺度分解,由于没有图像下采样的步骤,一副图像经N级分解后,可得到N+1个与原图像相同尺度大小子带图像,其中1个是原图像的低频近似图像和N个高频子带图像。采用非下采样方向滤波器组进行多方向分解,每次分解得到水平和垂直方向的分解,如果对图像进行J级方向分解,可得到2J个与原始图像大小相同的方向子带图像。
步骤四将分解系数进行融合
经过步骤三获得红外图像的低频系数及可见光图像的低频系数则融合图像的低频系数:
其中:
经过步骤三获得红外图像的高频系数和可见光图像的高频系数(n=1,...,N,j=1,...2J),则融合图像的高频系数的获得采用绝对值取大的规则。即:
步骤五图像重构
将步骤四得到的不同尺度不同方向上的高频和低频融合系数进行NSCT逆变换,得到融合图像。
为了验证本发明方法的有效性,分别对图2中的实验1源图像和图3中的实验2源图像进行实验,并与此前的一些融合方法进行对比,结果分别如图4图5所示。可以看出,图4中,相较于前两种方法获得的融合图像,使用本发明获得的融合图像细节纹理信息更加丰富,可以清晰地看出椅子和窗等细节信息,同时也将红外图像中的目标区域很好地凸显出来。图5中,相较于前两种方法获得的融合图像,使用本发明获得的融合图像的细节更丰富,跟可见光图像中的细节信息相似性更大,比如左下角树的纹理信息等。由此可见,使用本发明获得的融合图像目标突出,细节信息更丰富,更适合人眼观察。
本发明未详细阐述部分属于本领域技术人员的公知技术。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例变化,变型都将落在本发明权利要求书的范围内。
Claims (5)
1.一种结合图像显著性和非下采样轮廓波变换(NSCT)的红外与可见光图像融合方法,其特征在于:包括如下步骤:
步骤一、判断可见光图像是否为低对比度图像,是否需要进行对比度受限的自适应直方图均衡;
图像的对比度计算公式为:
其中,δ为相邻像素间可能出现的灰度差值,Pδ为相邻像素间的灰度差为δ的像素分布概率;
经过多副图像计算测试,对于灰度级范围为[0,255]的图像,在C≤3.8时判断该图像为低对比度图像;
若图像为低对比度图像,将其进行对比度受限的自适应直方图均衡:
首先将图像划分成若干图像子块,统计各图像子块的直方图,然后对子块中统计得到的直方图进行裁剪,将裁剪的值填补到整个灰度区间上,使其幅值低于设定好的上限值ClipLimit,
其中,nRow为图像子块行数,nCol为图像子块列数,L为子块灰度级,α∈[0,1];
计算出每个子块的累积直方图函数及对应的灰度映射函数,每个子块上的像素点的值由它邻近的4个子块的中心点的映射函数值进行双线性插值得到,边缘的部分像素点值由它邻近的2个子块的中心的的映射函数值进行线性插值得到,角点处的像素点值由该子块的映射函数值得到;
步骤二、提取红外图像显著性区域:
使用改进后的Frequency Tuned(FT)算法提取红外图像显著性区域;
使用FT算法计算一副输入图像I的显著性图的公式为:
S(x,y)=|Iμ-Iwhc(x,y)| (3)
其中,Iμ为输入图像I中所有像素的平均值,Iwhc(x,y)为输入图像I经过高斯模糊之后在位置(x,y)处的像素值;
在FT算法的基础上,利用L0范数图像平滑对其进行改进,提出一种图像的显著性提取方法,即:
S(x,y)=|Iμ-IL0(x,y)| (4)
其中IL0(x,y)是图像I经过L0范数图像平滑后在位置(x,y)的像素值;
使用改进的算法去提取红外图像显著区域能够更充分地抑制红外图像的背景信息,使目标信息更为突出;
将S(x,y)归一化后得到Smap(x,y);
然后,使用S型曲线对比度拉伸变换函数对显著性图进行处理,即:
其中系数t、k为常数,t∈[0,1],k≥1,经处理后,显著性图的背景信息进一步被抑制,目标区域更加凸显;
步骤三、将图像进行NSCT分解
NSCT主要分为多尺度分解和多方向分解两部分,其中,采用非下采样金字塔滤波器组进行多尺度分解,由于没有图像下采样的步骤,一副图像经N级分解后,可得到N+1个与原图像相同尺度大小子带图像,其中1个是原图像的低频近似图像和N个高频子带图像,采用非下采样方向滤波器组进行多方向分解,每次分解得到水平和垂直方向的分解,如果对图像进行J级方向分解,可得到2J个与原始图像大小相同的方向子带图像;
步骤四、将分解系数进行融合
经过步骤三获得红外图像的低频系数及可见光图像的低频系数则融合图像的低频系数:
其中:
经过步骤三获得红外图像的高频系数和可见光图像的高频系数(n=1,...,N,j=1,...2J),则融合图像的高频系数的获得采用绝对值取大的规则,即:
步骤五、图像重构
将步骤四得到的不同尺度不同方向上的高频和低频融合系数进行NSCT逆变换,得到融合图像。
2.根据权利要求1所述的结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法,其特征在于:红外图像与可见光图像是已经配准好的。
3.根据权利要求1所述的结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法,其特征在于:所述步骤一中的系数α=0.01。
4.根据权利要求1所述的结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法,其特征在于:所述步骤二中的系数t=0.5,k=10。
5.根据权利要求1所述的结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法,其特征在于:所述步骤三尺度分解级数N=2,方向分解级数为J=3,即8方向分解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020797.6A CN109242888B (zh) | 2018-09-03 | 2018-09-03 | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020797.6A CN109242888B (zh) | 2018-09-03 | 2018-09-03 | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242888A true CN109242888A (zh) | 2019-01-18 |
CN109242888B CN109242888B (zh) | 2021-12-03 |
Family
ID=65060285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811020797.6A Active CN109242888B (zh) | 2018-09-03 | 2018-09-03 | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242888B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009583A (zh) * | 2019-03-28 | 2019-07-12 | 上海交通大学 | 基于灰度均衡和nsct分解的红外图像预处理方法 |
CN110084770A (zh) * | 2019-03-04 | 2019-08-02 | 云南大学 | 基于二维Littlewood-Paley经验小波变换的脑部图像融合方法 |
CN110766676A (zh) * | 2019-10-24 | 2020-02-07 | 中国科学院长春光学精密机械与物理研究所 | 基于多源传感器融合的目标检测方法 |
CN111461486A (zh) * | 2020-03-02 | 2020-07-28 | 广州高新工程顾问有限公司 | 一种基于项目化管理的工程招标代理信息管理系统 |
CN111612725A (zh) * | 2020-04-29 | 2020-09-01 | 中国科学院西安光学精密机械研究所 | 一种基于可见光图像对比度增强的图像融合方法 |
CN111815550A (zh) * | 2020-07-04 | 2020-10-23 | 淮阴师范学院 | 一种基于灰度共生矩阵的红外与可见光图像融合方法 |
CN112132753A (zh) * | 2020-11-06 | 2020-12-25 | 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 |
CN112487947A (zh) * | 2020-11-26 | 2021-03-12 | 西北工业大学 | 基于图像融合与目标检测网络的低照度图像目标检测方法 |
CN112651469A (zh) * | 2021-01-22 | 2021-04-13 | 西安培华学院 | 一种红外与可见光图像融合方法及系统 |
CN112734683A (zh) * | 2021-01-07 | 2021-04-30 | 西安电子科技大学 | 基于目标增强的多尺度sar与红外图像融合方法 |
CN112884690A (zh) * | 2021-02-26 | 2021-06-01 | 中国科学院西安光学精密机械研究所 | 一种基于三种尺度分解的红外与可见光图像融合方法 |
CN113076802A (zh) * | 2021-03-04 | 2021-07-06 | 国网湖北省电力有限公司检修公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
CN113379650A (zh) * | 2021-07-22 | 2021-09-10 | 浙江大华技术股份有限公司 | 人脸图像曝光方法、装置、电子设备及存储介质 |
CN113421200A (zh) * | 2021-06-23 | 2021-09-21 | 中国矿业大学(北京) | 基于多尺度变换与脉冲耦合神经网络的图像融合方法 |
CN116704048A (zh) * | 2023-08-09 | 2023-09-05 | 四川元祉智慧科技有限公司 | 一种双光配准方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021537A (zh) * | 2014-06-23 | 2014-09-03 | 西北工业大学 | 一种基于稀疏表示的红外与可见光图像融合方法 |
CN104200452A (zh) * | 2014-09-05 | 2014-12-10 | 西安电子科技大学 | 基于谱图小波变换的红外与可见光图像融合方法及其装置 |
CN106384341A (zh) * | 2016-09-12 | 2017-02-08 | 南京理工大学 | 一种基于目标极化辐射特性的毫米波被动图像增强方法 |
CN106447640A (zh) * | 2016-08-26 | 2017-02-22 | 西安电子科技大学 | 基于字典学习、旋转引导滤波的多聚焦图像融合方法及装置 |
CN106846289A (zh) * | 2017-01-17 | 2017-06-13 | 中北大学 | 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法 |
CN106886977A (zh) * | 2017-02-08 | 2017-06-23 | 徐州工程学院 | 一种多图自动配准及融合拼接方法 |
CN106897999A (zh) * | 2017-02-27 | 2017-06-27 | 江南大学 | 基于尺度不变特征变换的苹果图像融合方法 |
CN107194904A (zh) * | 2017-05-09 | 2017-09-22 | 西北工业大学 | 基于增补机制和pcnn的nsct域图像融合方法 |
CN108389158A (zh) * | 2018-02-12 | 2018-08-10 | 河北大学 | 一种红外和可见光的图像融合方法 |
-
2018
- 2018-09-03 CN CN201811020797.6A patent/CN109242888B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021537A (zh) * | 2014-06-23 | 2014-09-03 | 西北工业大学 | 一种基于稀疏表示的红外与可见光图像融合方法 |
CN104200452A (zh) * | 2014-09-05 | 2014-12-10 | 西安电子科技大学 | 基于谱图小波变换的红外与可见光图像融合方法及其装置 |
CN106447640A (zh) * | 2016-08-26 | 2017-02-22 | 西安电子科技大学 | 基于字典学习、旋转引导滤波的多聚焦图像融合方法及装置 |
CN106384341A (zh) * | 2016-09-12 | 2017-02-08 | 南京理工大学 | 一种基于目标极化辐射特性的毫米波被动图像增强方法 |
CN106846289A (zh) * | 2017-01-17 | 2017-06-13 | 中北大学 | 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法 |
CN106886977A (zh) * | 2017-02-08 | 2017-06-23 | 徐州工程学院 | 一种多图自动配准及融合拼接方法 |
CN106897999A (zh) * | 2017-02-27 | 2017-06-27 | 江南大学 | 基于尺度不变特征变换的苹果图像融合方法 |
CN107194904A (zh) * | 2017-05-09 | 2017-09-22 | 西北工业大学 | 基于增补机制和pcnn的nsct域图像融合方法 |
CN108389158A (zh) * | 2018-02-12 | 2018-08-10 | 河北大学 | 一种红外和可见光的图像融合方法 |
Non-Patent Citations (5)
Title |
---|
LIU JIAHUAN等: ""A Fusion Method of Multi-spectral Image and Panchromatic Image Based on NSCT Transform and Adaptive Gamma Correction"", 《2018 3RD INTERNATIONAL CONFERENCE ON INFORMATION SYSTEMS ENGINEERING (ICISE)》 * |
傅志中等: ""基于视觉显著性和NSCT的红外与可见光图像融合"", 《电子科技大学学报》 * |
崔晓荣等: ""基于 BEMD 改进的视觉显著性红外和可见光图像融合"", 《红外技术》 * |
徐丹萍等: ""基于双边滤波和NSST的红外与可见光图像融合"", 《计算机测量与控制》 * |
林子慧等: ""基于显著性图的红外与可见光图像融合"", 《红外技术》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084770A (zh) * | 2019-03-04 | 2019-08-02 | 云南大学 | 基于二维Littlewood-Paley经验小波变换的脑部图像融合方法 |
CN110084770B (zh) * | 2019-03-04 | 2023-03-07 | 云南大学 | 基于二维Littlewood-Paley经验小波变换的脑部图像融合方法 |
CN110009583A (zh) * | 2019-03-28 | 2019-07-12 | 上海交通大学 | 基于灰度均衡和nsct分解的红外图像预处理方法 |
CN110766676B (zh) * | 2019-10-24 | 2022-04-26 | 中国科学院长春光学精密机械与物理研究所 | 基于多源传感器融合的目标检测方法 |
CN110766676A (zh) * | 2019-10-24 | 2020-02-07 | 中国科学院长春光学精密机械与物理研究所 | 基于多源传感器融合的目标检测方法 |
CN111461486A (zh) * | 2020-03-02 | 2020-07-28 | 广州高新工程顾问有限公司 | 一种基于项目化管理的工程招标代理信息管理系统 |
CN111612725A (zh) * | 2020-04-29 | 2020-09-01 | 中国科学院西安光学精密机械研究所 | 一种基于可见光图像对比度增强的图像融合方法 |
CN111612725B (zh) * | 2020-04-29 | 2023-04-11 | 中国科学院西安光学精密机械研究所 | 一种基于可见光图像对比度增强的图像融合方法 |
CN111815550A (zh) * | 2020-07-04 | 2020-10-23 | 淮阴师范学院 | 一种基于灰度共生矩阵的红外与可见光图像融合方法 |
CN111815550B (zh) * | 2020-07-04 | 2023-09-15 | 淮阴师范学院 | 一种基于灰度共生矩阵的红外与可见光图像融合方法 |
CN112132753A (zh) * | 2020-11-06 | 2020-12-25 | 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 |
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 |
CN112487947A (zh) * | 2020-11-26 | 2021-03-12 | 西北工业大学 | 基于图像融合与目标检测网络的低照度图像目标检测方法 |
CN112734683A (zh) * | 2021-01-07 | 2021-04-30 | 西安电子科技大学 | 基于目标增强的多尺度sar与红外图像融合方法 |
CN112734683B (zh) * | 2021-01-07 | 2024-02-20 | 西安电子科技大学 | 基于目标增强的多尺度sar与红外图像融合方法 |
CN112651469A (zh) * | 2021-01-22 | 2021-04-13 | 西安培华学院 | 一种红外与可见光图像融合方法及系统 |
CN112884690B (zh) * | 2021-02-26 | 2023-01-06 | 中国科学院西安光学精密机械研究所 | 一种基于三种尺度分解的红外与可见光图像融合方法 |
CN112884690A (zh) * | 2021-02-26 | 2021-06-01 | 中国科学院西安光学精密机械研究所 | 一种基于三种尺度分解的红外与可见光图像融合方法 |
CN113076802A (zh) * | 2021-03-04 | 2021-07-06 | 国网湖北省电力有限公司检修公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
CN113076802B (zh) * | 2021-03-04 | 2022-06-07 | 国网湖北省电力有限公司超高压公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
CN113421200A (zh) * | 2021-06-23 | 2021-09-21 | 中国矿业大学(北京) | 基于多尺度变换与脉冲耦合神经网络的图像融合方法 |
CN113379650A (zh) * | 2021-07-22 | 2021-09-10 | 浙江大华技术股份有限公司 | 人脸图像曝光方法、装置、电子设备及存储介质 |
CN116704048A (zh) * | 2023-08-09 | 2023-09-05 | 四川元祉智慧科技有限公司 | 一种双光配准方法 |
CN116704048B (zh) * | 2023-08-09 | 2023-11-17 | 四川元祉智慧科技有限公司 | 一种双光配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109242888B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242888A (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN106339998B (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
CN110956094A (zh) | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 | |
CN106846289B (zh) | 一种红外光强与偏振图像融合方法 | |
CN109509164B (zh) | 一种基于gdgf的多传感器图像融合方法及系统 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN103020933B (zh) | 一种基于仿生视觉机理的多源图像融合方法 | |
CN107680054A (zh) | 雾霾环境下多源图像融合方法 | |
CN105957054B (zh) | 一种图像变化检测方法 | |
CN108122206A (zh) | 一种低照度图像降噪方法及装置 | |
CN108629757A (zh) | 基于复数剪切波变换与深度卷积神经网络的图像融合方法 | |
CN109636766A (zh) | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 | |
CN109359577B (zh) | 一种基于机器学习的复杂背景下人数检测系统 | |
CN112184604B (zh) | 一种基于图像融合的彩色图像增强方法 | |
CN111612725B (zh) | 一种基于可见光图像对比度增强的图像融合方法 | |
CN107481210B (zh) | 基于细节的局部选择性映射的红外图像增强方法 | |
CN106530244B (zh) | 一种图像增强方法 | |
CN108537756A (zh) | 基于图像融合的单幅图像去雾方法 | |
CN106815583A (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
CN104424641A (zh) | 一种关于图像模糊篡改检测的方法 | |
CN104268833A (zh) | 基于平移不变剪切波变换的图像融合新方法 | |
CN108564597A (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN104008404B (zh) | 一种基于显著直方图特征的行人检测方法及系统 | |
Asmare et al. | Image enhancement by fusion in contourlet transform | |
CN109886170A (zh) | 一种钉螺智能检测识别与统计系统 |
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 |