CN109300098A - 一种基于小波变换的多聚焦显微图像融合方法 - Google Patents
一种基于小波变换的多聚焦显微图像融合方法 Download PDFInfo
- Publication number
- CN109300098A CN109300098A CN201810938548.9A CN201810938548A CN109300098A CN 109300098 A CN109300098 A CN 109300098A CN 201810938548 A CN201810938548 A CN 201810938548A CN 109300098 A CN109300098 A CN 109300098A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency coefficient
- fusion
- low frequency
- high frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000009466 transformation Effects 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 238000002156 mixing Methods 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 230000002708 enhancing effect Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 8
- 238000005267 amalgamation Methods 0.000 claims description 5
- 238000011430 maximum method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 description 6
- 241000193830 Bacillus <bacterium> Species 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 235000013372 meat Nutrition 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 238000001000 micrograph Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 241001417516 Haemulidae Species 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000005228 liver tissue Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 241001467578 Microbacterium Species 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 201000008827 tuberculosis Diseases 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于小波变换的多聚焦显微图像融合方法,所述方法包括以下步骤:首先将图像从RGB颜色空间转换到YIQ颜色空间下,再利用小波变换对于两幅或多幅待融合的图像在合适的分解层数和小波基函数下进行多尺度分解,根据Y分量与I,Q分量的特性不同以及低频系数与高频系数的特征不同,选用合适的融合方法分别对低频和高频系数进行系数的选择,得到一个融合矩阵,然后进行小波逆变换的重构,得到最终的融合图像。该方法基于现有的小波变换法的基础上,分析选取了小波变换参数,即最佳分解层数和最佳小波基,并提出适用大多显微图片种类的融合方法,同时该法经过适当修改也适用于非显微图像的融合。
Description
技术领域
本发明涉及数字图像融合处理技术领域,特别涉及显微图像下基于小波变换的多聚焦图像融合。
背景技术
图像融合技术早在1976年出现,它是指将多个传感器在统一时间获取的关于某一场景的图像信息加以综合,生成一个新的场景的技术,而遥感科学与人造卫星的发射,使得图像融合迅速发展,成为研究热点。
多聚焦图像融合是图像融合中的一个重要分支,是以图像处理为基础的一项重要图像融合的研究方向。多聚焦的图像融合是指用同一个成像设备对某一场景通过改变焦距得到两幅或多幅焦距不同的图像,然后提取图像中清晰的部分并进行融合,从而得到一幅清晰的新的图像。
在医学诊断与生物科学研究中多方用到显微镜,但由于普通光学显微镜的景深限制,使得纵深较大的切片在单个视野下的拍摄结果上往往呈现部分清晰部分模糊的情况,不能提供观察人员所需要的足够信息,因此急需要提取多幅图中的清晰内容并融合为单个视野下清晰完整的图以为后续的观察与处理提供质量较好的图形数据。
发明内容
本发明的目的在于提供一种适用多种显微图像的基于小波变换的多聚焦图像融合的方法,该方法能够有效的融合多幅单个视野下的显微图像,为后续的处理提供清晰的融合图像,达到理想的实用效果。
实现本发明目的的具体技术方案是:
一种基于小波变换的多聚焦显微图像融合方法,该方法包括以下步骤:
步骤1:将多幅图像从RGB颜色空间下转换到YIQ颜色空间下;
步骤2:调整图像尺寸大小,再通过离散小波变换Mallat算法对待融合图像进行小波变换,得到一系列YIQ颜色空间下的低频系数矩阵与高频系数矩阵;
步骤3:对步骤2得到的低频系数与高频系数矩阵分别采用不同的融合方式进行融合系数选择,并将低频系数与高频系数合并为一个小波塔系数矩阵;
步骤4:根据小波变换的逆变换算法,将步骤3得到的小波塔系数矩阵进行反变换得到重构图像,并将图像从YIQ颜色空间转换到RGB图像空间中,得到融合图像;
步骤5:对步骤4所得融合图像进行降噪后再做增强处理。
所述步骤1具体为:遍历图像的像素点,根据公式
将待融合图像从RGB图像转换到YIQ空间。
所述步骤2具体为:
调整图像尺寸,使其能被2k整除,k为分解层数,取值范围为4~6,再通过离散小波变换Mallat算法对待融合图像进行小波变换,小波基函数选择db6、bior6.8、rbio6.8或coif4。分解得到N个低频系数矩阵与3×k×N个不同方向上的高频系数矩阵,其中N为待融合图像的数量。
步骤3所述采用不同的融合方式进行融合系数选择,具体为:
在进行低频系数的融合时,对Y分量的低频系数采用取平均值法,对于I,Q低频系数则采用分块能量比较法。使用模板大小的矩阵遍历低频系数矩阵,计算中心值对应能量值大小,再比较各图对应能量值大小,取值较大者作为融合的低频系数值。在进行高频系数的融合时,Y,I,Q三分量均采用取绝对值最大法,遍历高频系数矩阵,取绝对值较大者对应高频系数值作为高频融合系数。
步骤4所述将图像从YIQ颜色空间转换到RGB图像空间具体为:
根据公式
将融合图由YIQ颜色空间转回RGB颜色空间,得到最终的融合图像。
步骤5所述融合图进行降噪后再做增强处理,具体为:
先将所得图像分为RGB三个通道,分别进行高斯滤波进行降噪,采用指定模板分别与三分量遍历相乘。再将增强后的三分量合并,得到最终的融合增强图。
本发明的有益效果是:本发明所提出的一种适用多种显微图像的景深融合方法,分析并选取了适合显微图像的小波分解层数和小波基函数,并改进了融合方式,最终有效提取图像的清晰部分,得到一个视野下完整清晰图像,为研究人员的观察和图像的后续处理提供了便利。
附图说明
图1为本发明的流程图;
图2为本发明对结核杆菌的显微融合图,图(a)~(e)为结核杆菌的待融合图像,图(f)为融合图;
图3为对结核杆菌融合图作增强后的效果图,图(a)为融合图,图(b)为增强图;
图4为本发明对肝脏组织的显微切片的融合图,图(a)~(e)为肝脏组织的待融合图像,图(f)为融合图;
图5为本发明对肝脏组织的融合图作增强后的效果图,图(a)为融合图,图(b)为增强图;
图6为本发明对苹果肉组织的显微融合图,图(a)~(i)为结苹果肉组织的待融合图像,图(f)为融合图;
图7为本发明对苹果肉组织的融合图作增强后的效果图,图(a)为融合图,图(b)为增强图
图8为本发明对非显微图像,内容为人物的融合效果图,图(a)~(b)为待融合图像,图(c)为融合图;
图9为本发明对非显微图像,内容为金属盆面的融合效果图,图(a)~(f)为待融合图像,图(g)为融合图。
具体实施方式
为了更加清楚明白地说明本发明所述的技术手段、技术改进及有益效果,以下结合附图对本发明进行详细的说明。
本发明是在普通光学显微镜下多聚焦显微图像融合的方法。由于一些病理切片厚薄不一,而普通光学显微镜的景深大小与放大倍数呈反比,若保证了放大倍数则景深有限,对纵深过大而超过景深范围内的切片则无法进行清晰成像,造成局部模糊局部清晰的问题,使得观察者无法进一步观察切片显微结果,为了克服上述问题,需要考虑拓展显微镜的景深大小,因此针对显微镜下的成像不清晰的问题,本发明提供了一种基于小波变换的多聚焦显微图像融合方法,包括以下几个步骤:
步骤1:将待融合图像从RGB图像转换到YIQ空间。
步骤2:调整图像尺寸为合适的大小,再通过离散小波变换Mallat算法对待融合图像进行小波变换,得到一系列低频系数矩阵与高频系数矩阵;
步骤3:对步骤2得到的Y,I,Q分量的低频系数与高频系数矩阵分别采用合适的融合方式进行系数选择,其中Y分量低频系数采用取平均值法,对I,Q分量的低频系数采用分块能量比较法,Y,I,Q分量的高频系数均采用取绝对值最大法。最后将融合后的低频系数与高频系数合并为一个小波塔系数矩阵;
步骤4:通过逆小波变换算法对步骤3得到的系数矩阵进行反变换得到重构图像,并将融合图像从YIQ颜色空间转回到RGB颜色空间,得到融合图像;
步骤5:对融合的图像进行增强处理;
将所得融合图像进行增强,先将所得图像分为RGB三个通道,分别进行高斯滤波进行降噪,采用指定模板分别与三分量遍历相乘。再将增强后的三分量合并,得到最终的融合增强图。
实施例1
以结核杆菌的显微图像融合为例,具体包括:
S101:进行颜色空间转换,由RGB颜色空间转换到YIQ颜色空间
该步骤具体为:
如图2,其中(a)~(e)为同一视野下的5张结核杆菌的显微图像,每张图均有不同程度的模糊,将这5张待融合的结核杆显微菌图像由RGB颜色空间下转换到YIQ颜色空间;
根据公式
遍历待融合图像的三通道像素值,将其由RGB空间转换到YIQ空间,其中Y代表亮度分量,I,Q代表色度分量。
S102:调整图像尺寸,对待融合图像进行小波分解
该步骤具体为:
调整图像尺寸,使其长宽分别能被2k整除,其中k为分解层数,然后对待融合图像进行小波变换。进行小波变换时,分解层数设为4层,小波基函数设为db6,经过分解后,得到5个代表图像轮廓信息的低频系数矩阵,3×4×5个分别代表垂直,水平和对角线细节信息的高频系数矩阵。
S103:分别对低频系数矩阵与高频系数矩阵进行融合
该步骤具体为:
遍历Y分量低频系数矩阵,将5幅待融合图像对应坐标系数的平均值作为Y分量的低频融合系数。遍历I,Q通道低频系数矩阵,在规定模板大小内将所有系数值取平方,再与指定模板对应相乘并相加,得到的结果作为中心系数值的能量值。本实施例中模板大小选取为3×3,具体为最后作比较上述公式得到的一系列能量矩阵,取能量值较大者坐标对应的低频系数值为融合图像的系数。对于高频系数的融合,高频系数绝对值的大小代表了图像中对比度变化比较大的边缘细节等特征,分别遍历Y,I,Q分量高频系数,选取绝对值最大者对应系数值作为融合高频系数。
S104:对融合系数矩阵进行重构,并进行颜色空间的转换,得到融合图像
该步骤具体为:
通过小波逆变换算法,将S103所得系数矩阵进行重构,其中逆变换使用的小波基函数依然设为db6;
再根据公式
将融合图由YIQ颜色空间转回RGB颜色空间,得到最终的融合图像,如图2中的(f)图所示。
S105:对融合图进行增强处理
该步骤具体为:
首先对融合图像进行高斯降噪,并用模板[0,-1,0;-1,5,-1;0,-1,0]分别遍历图像的R,G,B分量,得到融合图像的增强图,如图3,其中(a)图为融合图,(b)图为增强后的图像。
实施例2
以肝脏组织切片的显微图像为例进行融合,具体包括:
S201:进行颜色空间转换,由RGB颜色空间转换到YIQ颜色空间
该步骤具体内容同实施例1中S101,其中图4的(a)~(e)为5张待融合图像。
S202:调整图像尺寸,对待融合图像进行小波分解
该步骤具体为:
将分解层数设为5,小波基函数设为coif4,调整图像尺寸,使其长宽分别能被25整除,然后对待融合图像进行小波变换。经过分解后,得到5个代表图像轮廓信息的低频系数矩阵,3×5×5个分别代表垂直,水平和对角线细节信息的高频系数矩阵。
S203:分别对低频系数矩阵与高频系数矩阵进行融合
该步骤具体内容同实施例1中S103。
S204:对融合系数矩阵进行重构,并进行颜色空间的转换,得到融合图像
该步骤具体内容同实施例1中S104,如图4,(f)图为肝脏组织切片的融合图。
S205:对融合图进行增强处理
该步骤具体内容同实施例1中S105,如图5所示,(a)图为融合图,(b)图为做增强处理后的图。
实施例3
以苹果肉显微图像为例进行融合,具体包括:
S301:进行颜色空间转换,由RGB颜色空间转换到YIQ颜色空间
该步骤具体内容同实施例1中S101,其中图6的(a)~(i)为9张待融合图像。
S302:调整图像尺寸,对待融合图像进行小波分解
该步骤具体为:
将分解层数设为6,小波基函数设为bior6.8,调整图像尺寸,使其长宽分别能被26整除,然后对待融合图像进行小波变换。经过分解后,得到9个代表图像轮廓信息的低频系数矩阵,3×6×9个分别代表垂直,水平和对角线细节信息的高频系数矩阵。
S303:分别对低频系数矩阵与高频系数矩阵进行融合
该步骤具体内容同实施例1中S103。
S304:对融合系数矩阵进行重构,并进行颜色空间的转换,得到融合图像。
该步骤具体内容同实施例1中S104,如图6,(j)图为苹果肉显微图像的融合图。
S305:对融合图进行增强处理
该步骤具体内容同实施例1中S105,如图7所示,(a)图为融合图,(b)图为做增强处理后的图。
实施例4
以金属盆的普通摄影图像为例进行融合,具体包括:
S401:进行颜色空间转换,由RGB颜色空间转换到YIQ颜色空间
该步骤具体内容同实施例1中S101,其中图9的(a)~(f)为6张待融合图像。
S402:调整图像尺寸,对待融合图像进行小波分解
该步骤具体为:
将分解层数设为5,小波基函数设为coif4,调整图像尺寸,使其长宽分别能被25整除,然后对待融合图像进行小波变换。经过分解后,得到6个代表图像轮廓信息的低频系数矩阵,3×5×6个分别代表垂直,水平和对角线细节信息的高频系数矩阵。
S403:分别对低频系数矩阵与高频系数矩阵进行融合。
该步骤同实施例1中S103;
S404:对融合系数矩阵进行重构,并进行颜色空间的转换,得到融合图像。
该步骤具体内容同实施例1中S104,如图9,(g)图为金属盆图像的融合图。
综上所述,本发明提出一种基于小波变换的多聚焦图像融合方法,将严格配准的待融合图像,变换颜色空间,并进行小波变换,得到多个小波塔系数矩阵,分别对颜色空间下不同分量的低频系数与高频系数进行融合,其中低频采用分块能量比较法与加权平均法,高频取绝对值最大法。而后重构融合系数矩阵并转换颜色空间得到最终的融合图,并针对融合图做了进一步的增强以突出细节信息;利用本发明方法为观察人员以及后续的计算机处理提供了细节完备,完整清晰的单个视野下的显微图像。同时本发明经过测试,在非显微图像中依然能够获得质量较好的融合图,例如图8以及图9所示。即根据不同的应用背景,本发明经过适当的修改同样适用于其他相关领域的图像融合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于小波变换的多聚焦显微图像融合方法,其特征在于,该方法包括以下具体步骤:
步骤1:将多幅图像从RGB颜色空间下转换到YIQ颜色空间下;
步骤2:调整图像尺寸大小,再通过离散小波变换Mallat算法对待融合图像进行小波变换,得到一系列YIQ颜色空间下的低频系数矩阵与高频系数矩阵;
步骤3:对步骤2得到的低频系数与高频系数矩阵分别采用不同的融合方式进行融合系数选择,并将低频系数与高频系数合并为一个小波塔系数矩阵;
步骤4:根据小波变换的逆变换算法,将步骤3得到的小波塔系数矩阵进行反变换得到重构图像,并将图像从YIQ颜色空间转换到RGB图像空间中,得到融合图像;
步骤5:对步骤4所得融合图像进行降噪后再做增强处理。
2.根据权利要求1所述的多聚焦显微图像融合方法,其特征在于,所述步骤1具体为:遍历图像的像素点,根据公式
将待融合图像从RGB图像转换到YIQ空间。
3.根据权利要求1所述的多聚焦显微图像融合方法,其特征在于,所述步骤2具体为:
调整图像尺寸,使其能被2k整除,k为分解层数,取值范围为4~6,再通过离散小波变换Mallat算法对待融合图像进行小波变换,小波基函数选择db6、bior6.8、rbio6.8或coif4;分解得到N个低频系数矩阵与3×k×N个不同方向上的高频系数矩阵,其中N为待融合图像的数量。
4.根据权利要求1所述的多聚焦显微图像融合方法,其特征在于,步骤3所述采用不同的融合方式进行系数选择,具体为:
在进行低频系数的融合时,对Y分量的低频系数采用取平均值法,对I、Q分量的低频系数矩阵采用分块比较能量法,使用模板大小的矩阵遍历低频系数矩阵,计算中心值对应能量值大小,再比较各图对应能量值大小,取值较大者所对应坐标的系数值作为融合的低频系数值;在进行高频系数的融合时,Y、I、Q三分量均采用取绝对值最大法,遍历高频系数矩阵,取绝对值较大者坐标对应高频系数值作为高频融合系数。
5.根据权利要求1所述的多聚焦显微图像融合方法,其特征在于,步骤5所述融合图像进行降噪后再做增强处理,具体为:
先将所得的融合图像分为RGB三个通道,分别进行高斯滤波降噪,采用指定模板分别与三分量遍历相乘;再将增强后的三分量合并,得到最终的融合增强图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810938548.9A CN109300098B (zh) | 2018-08-17 | 2018-08-17 | 一种基于小波变换的多聚焦显微图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810938548.9A CN109300098B (zh) | 2018-08-17 | 2018-08-17 | 一种基于小波变换的多聚焦显微图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109300098A true CN109300098A (zh) | 2019-02-01 |
CN109300098B CN109300098B (zh) | 2022-04-05 |
Family
ID=65165150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810938548.9A Active CN109300098B (zh) | 2018-08-17 | 2018-08-17 | 一种基于小波变换的多聚焦显微图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109300098B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801913A (zh) * | 2021-02-07 | 2021-05-14 | 佛山中纺联检验技术服务有限公司 | 一种解决显微镜景深限制的方法 |
CN114326090A (zh) * | 2022-02-28 | 2022-04-12 | 山东威高手术机器人有限公司 | 一种具有拓展景深的双目内窥镜、系统及成像方法 |
CN116452483A (zh) * | 2023-05-10 | 2023-07-18 | 北京道达天际科技股份有限公司 | 一种基于小波变换和hsi颜色空间的图像融合方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN101399900A (zh) * | 2008-11-11 | 2009-04-01 | 南京大学 | 一种基于小波变换的彩色序列图像融合方法 |
CN101483763A (zh) * | 2008-12-16 | 2009-07-15 | 南京大学 | 一种面向社会治安监控的数字影像处理方法及其装置 |
CN101968883A (zh) * | 2010-10-28 | 2011-02-09 | 西北工业大学 | 一种基于小波变换和邻域特征的多聚焦图像融合方法 |
US7940282B2 (en) * | 2004-12-17 | 2011-05-10 | The Regents Of The University Of California, Santa Cruz | System and method for robust multi-frame demosaicing and color super resolution |
CN103150714A (zh) * | 2013-03-12 | 2013-06-12 | 华东师范大学 | 一种实时交互式的磁共振图像增强方法及其装置 |
CN104504740A (zh) * | 2015-01-23 | 2015-04-08 | 天津大学 | 压缩感知框架下的图像融合方法 |
CN104574296A (zh) * | 2014-12-24 | 2015-04-29 | 长春理工大学 | 一种用于偏振去雾霾的多小波融合处理图片的方法 |
CN104992426A (zh) * | 2015-07-15 | 2015-10-21 | 中国科学院广州生物医药与健康研究院 | 一种用于明场显微成像的多层图像融合算法 |
CN105551010A (zh) * | 2016-01-20 | 2016-05-04 | 中国矿业大学 | 基于nsct及深度信息激励pcnn的多聚焦图像融合方法 |
KR101725076B1 (ko) * | 2016-01-05 | 2017-04-10 | 전남대학교산학협력단 | 위성 영상 처리 방법 및 이를 수행하기 위한 장치 |
-
2018
- 2018-08-17 CN CN201810938548.9A patent/CN109300098B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7940282B2 (en) * | 2004-12-17 | 2011-05-10 | The Regents Of The University Of California, Santa Cruz | System and method for robust multi-frame demosaicing and color super resolution |
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN101399900A (zh) * | 2008-11-11 | 2009-04-01 | 南京大学 | 一种基于小波变换的彩色序列图像融合方法 |
CN101483763A (zh) * | 2008-12-16 | 2009-07-15 | 南京大学 | 一种面向社会治安监控的数字影像处理方法及其装置 |
CN101968883A (zh) * | 2010-10-28 | 2011-02-09 | 西北工业大学 | 一种基于小波变换和邻域特征的多聚焦图像融合方法 |
CN103150714A (zh) * | 2013-03-12 | 2013-06-12 | 华东师范大学 | 一种实时交互式的磁共振图像增强方法及其装置 |
CN104574296A (zh) * | 2014-12-24 | 2015-04-29 | 长春理工大学 | 一种用于偏振去雾霾的多小波融合处理图片的方法 |
CN104504740A (zh) * | 2015-01-23 | 2015-04-08 | 天津大学 | 压缩感知框架下的图像融合方法 |
CN104992426A (zh) * | 2015-07-15 | 2015-10-21 | 中国科学院广州生物医药与健康研究院 | 一种用于明场显微成像的多层图像融合算法 |
KR101725076B1 (ko) * | 2016-01-05 | 2017-04-10 | 전남대학교산학협력단 | 위성 영상 처리 방법 및 이를 수행하기 위한 장치 |
CN105551010A (zh) * | 2016-01-20 | 2016-05-04 | 中国矿业大学 | 基于nsct及深度信息激励pcnn的多聚焦图像融合方法 |
Non-Patent Citations (4)
Title |
---|
SHUN NA等: "《An image fusion method based on wavelet transform》", 《2016 INTERNATIONAL CONFERENCE ON ADVANCED ELECTRONIC SCIENCE AND TECHNOLOGY (AEST 2016)》 * |
吴艳: "《多传感器数据融合算法研究》", 《中国博士学位论文全文数据库 信息科技辑》 * |
房娟 等: "《基于显微高光谱成像技术的运动和感觉神经分类研究》", 《影像科学与光化学》 * |
李晓芬 等: "《基于小波变换和彩色变换的多聚焦图像融合》", 《无线电通信技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801913A (zh) * | 2021-02-07 | 2021-05-14 | 佛山中纺联检验技术服务有限公司 | 一种解决显微镜景深限制的方法 |
CN114326090A (zh) * | 2022-02-28 | 2022-04-12 | 山东威高手术机器人有限公司 | 一种具有拓展景深的双目内窥镜、系统及成像方法 |
CN114326090B (zh) * | 2022-02-28 | 2023-12-15 | 山东威高手术机器人有限公司 | 一种具有拓展景深的双目内窥镜、系统及成像方法 |
CN116452483A (zh) * | 2023-05-10 | 2023-07-18 | 北京道达天际科技股份有限公司 | 一种基于小波变换和hsi颜色空间的图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109300098B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570353B (zh) | 密集连接生成对抗网络单幅图像超分辨率重建方法 | |
CN113191953B (zh) | 一种基于Transformer的人脸图像超分辨的方法 | |
Singh et al. | Evolving fusion-based visibility restoration model for hazy remote sensing images using dynamic differential evolution | |
CN113284051B (zh) | 一种基于频率分解多注意力机制的人脸超分辨方法 | |
CN109300098A (zh) | 一种基于小波变换的多聚焦显微图像融合方法 | |
CN103020933B (zh) | 一种基于仿生视觉机理的多源图像融合方法 | |
CN105913407B (zh) | 一种基于差值图对多聚焦度图像融合优化的方法 | |
CN110097106A (zh) | 基于深度学习的U-net网络的低照度成像算法及装置 | |
CN105894483B (zh) | 一种基于多尺度图像分析和块一致性验证的多聚焦图像融合方法 | |
Su et al. | Natural scene statistics of color and range | |
CN107292819A (zh) | 一种基于边缘细节保护的红外图像超分辨率重建方法 | |
CN109300096A (zh) | 一种多聚焦图像融合方法及装置 | |
CN112001843A (zh) | 一种基于深度学习的红外图像超分辨率重建方法 | |
CN107622482B (zh) | 一种基于白带显微成像的图像融合方法 | |
CN113160055A (zh) | 一种基于深度学习的图像超分辨率重建方法 | |
CN112801913A (zh) | 一种解决显微镜景深限制的方法 | |
CN107392986A (zh) | 一种基于高斯金字塔和各向异性滤波的图像景深渲染方法 | |
Sun et al. | A lightweight dual-domain attention framework for sparse-view CT reconstruction | |
Hsia et al. | A 3D endoscopic imaging system with content-adaptive filtering and hierarchical similarity analysis | |
CN114913095B (zh) | 基于域适应的深度去模糊方法 | |
Shao et al. | Optimal multiresolution blending of confocal microscope images | |
CN108830804A (zh) | 基于线扩展函数标准差的虚实融合模糊一致性处理方法 | |
Hamdan et al. | Example-based face-image restoration for block-noise reduction | |
Huang et al. | Automatic asymmetric embedding cost learning via generative adversarial networks | |
Deshmukh et al. | A comparative study of different image fusion techniques for tone-mapped images |
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 |