CN109360182A - 图像融合方法、装置、计算机设备和存储介质 - Google Patents
图像融合方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109360182A CN109360182A CN201811291173.8A CN201811291173A CN109360182A CN 109360182 A CN109360182 A CN 109360182A CN 201811291173 A CN201811291173 A CN 201811291173A CN 109360182 A CN109360182 A CN 109360182A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency sub
- coefficient
- band coefficient
- visible light
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 63
- 238000000354 decomposition reaction Methods 0.000 claims description 114
- 230000004927 fusion Effects 0.000 claims description 69
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 23
- 238000007500 overflow downdraw method Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 8
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000010008 shearing Methods 0.000 abstract description 3
- 238000002156 mixing Methods 0.000 abstract 4
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 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
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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)
Abstract
本发明提供一种图像融合方法，通过将可见光图像和红外图像通过有限离散剪切波变换进行分解，得到对应图像的高频子带系数和低频子带系数，将红外图像的低频子带系数和可见光图像的低频子带系数融合，将红外图像的高频子带系数和可见光图像的高频子带系数融合，将融合图像的低频子带系数和融合图像的高频子带系数通过有限离散逆变换得到融合图像，融合图像能够可观真实地展现设备的周围环境信息及各个部件的轮廓细节，提高辨识度，便于观察，且有限离散剪切波变换通过二维快速傅里叶变换来实现，计算过程较为简单。
Description
技术领域
本发明涉及图像处理，尤其涉及一种图像融合方法、装置、计算机设备和存储介质。
背景技术
随着电子系统信息化和智能化的发展，电力设备状态监测与故障诊断是避免供电瘫痪、减少断电时间和延长电力设备使用寿命的重要途径，是智能电网和智能变电站建设的重要部分。电力设备的许多故障都与高阻发热相关，因此，温度特征可以作为电力设备状态管理的重要工具和指标。其中，红外成像技术利用设备热辐射，能够有效识别热目标，检测电力设备的局部温差特征，但图像对比度较低，边缘轮廓细节不够丰富，不便于人类视觉系统观察。而可见光图像与红外图像融合能够客观真实的展现电力设备的周围环境信息和各个部件的轮廓细节，来进行电力设备状态监测和故障诊断，但传统的可见光图像与红外图像融合通常采用空间域融合方法通过分析图像像素灰度分布特征，直接提取图像显著信息，进而按照特定规则进行融合，对图像像素信息的利用不够充分，且在融合效果上极易引入瑕疵点，出现意外融合图像的对比度和清晰度下降。目前改进的图像融合采用变换域融合方法，例如利用了小波变换、曲波变换、轮廓波变换、剪切波变换等变换工具，但这些工具的计算复杂度和融合后的图像的清晰度也仍不如人意。
发明内容
基于传统图像融合方法计算复杂，图像融合清晰度低的问题，有必要提供一种计算简单，融合后图像清晰度高的图像融合方法、装置、计算机设备和存储介质。
一种图像融合方法，包括：
第一图像分解步骤：将可见光图像通过有限离散剪切波变换得到可见光图像的低频子带系数和可见光图像的高频子带系数。
第二图像分解步骤：将红外图像通过有限离散剪切波变换得到红外图像的低频子带系数和红外图像的高频子带系数。
低频子带系数融合步骤：将所述可见光图像的低频子带系数和所述红外图像的低频子带系数融合，得到融合图像的低频子带系数。
高频子带系数融合步骤：将所述可见光图像的高频子带系数和所述红外图像的高频子带系数融合，得到融合图像的高频子带系数。
图像融合步骤：将所述融合图像的低频子带系数和所述融合图像的高频子带系数通过有限离散剪切波逆变换，得到所述融合图像。
在其中一个实施例中，所述低频子带系数融合步骤包括：将所述可见光图像的各像素点的低频子带系数和所述红外图像的各像素点的低频子带系数以显著性为权值进行加权平均，得到所述融合图像的低频子带系数。
在其中一个实施例中，所述高频子带系数融合步骤包括：
获取所述可见光图像的各像素点的高频子带系数的绝对值，得到多个第一绝对值；获取所述红外图像的各像素点的高频子带系数的绝对值，得到多个第二绝对值；将所述可见光图像的各像素点与所述红外图像的各像素点一一对应，基于所述可见光图像的各像素点与所述红外图像的各像素点的对应关系，将多个所述第一绝对值与多个所述第二绝对值一一对比，选取所述第一绝对值和所述第二绝对值中绝对值较大对应的高频子带系数作为对应的像素点的高频子带系数，得到所述融合图像的各像素点的高频子带系数。
在其中一个实施例中，所述第一图像分解步骤包括：
获取图像分解层数和图像分解方向数。
基于所述图像分解层数和所述图像分解方向数，将所述可见光图像通过有限离散剪切波变换得到所述可见光图像的低频子带系数和所述可见光图像的高频子带系数。
在其中一个实施例中，所述第二图像分解步骤包括:
获取图像分解层数和图像分解方向数。
基于所述图像分解层数和所述图像分解方向数，将所述红外图像通过有限离散剪切波变换得到所述红外图像的低频子带系数和所述红外图像的高频子带系数。
在其中一个实施例中，所述图像分解层数设为4，所述图像分解方向数设为8。
在其中一个实施例中，所述高频子带系数融合的步骤包括：
计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域方差，得到第一比较矩阵；
计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域平均梯度，得到第二比较矩阵；
将所述可见光图像的高频子带系数和所述红外图像的高频子带系数通过所述第一比较矩阵和所述第二比较矩阵筛选，得到所述融合图像的高频子带系数。
一种图像融合装置，所述装置包括：
第一图像分解模块，用于将可见光图像通过有限离散剪切波变换得到可见光图像的高频子带系数和可见光图像的低频子带系数。
第二图像分解模块，用于将红外图像通过有限离散剪切波变换得到红外图像的高频子带系数和红外图像的低频子带系数。
低频子带系数融合模块，用于将所述可见光图像的低频子带系数和所述红外图像的低频子带系数融合，得到融合图像的低频子带系数。
高频子带系数融合模块，用于将所述可见光图像的高频子带系数和所述红外图像的高频子带系数融合，得到融合图像的高频子带系数。
图像融合模块，用于将所述融合图像的低频子带系数和所述融合图像的高频子带系数通过有限离散剪切波逆变换，得到所述融合图像。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
第一图像分解步骤：将可见光图像通过有限离散剪切波变换得到可见光图像的低频子带系数和可见光图像的高频子带系数。
第二图像分解步骤：将红外图像通过有限离散剪切波变换得到红外图像的低频子带系数和红外图像的高频子带系数。
低频子带系数融合步骤：将所述可见光图像的低频子带系数和所述红外图像的低频子带系数融合，得到融合图像的低频子带系数。
高频子带系数融合步骤：将所述可见光图像的高频子带系数和所述红外图像的高频子带系数融合，得到融合图像的高频子带系数。
图像融合步骤：将所述融合图像的低频子带系数和所述融合图像的高频子带系数通过有限离散剪切波逆变换，得到所述融合图像。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
第一图像分解步骤：将可见光图像通过有限离散剪切波变换得到可见光图像的低频子带系数和可见光图像的高频子带系数。
第二图像分解步骤：将红外图像通过有限离散剪切波变换得到红外图像的低频子带系数和红外图像的高频子带系数。
低频子带系数融合步骤：将所述可见光图像的低频子带系数和所述红外图像的低频子带系数融合，得到融合图像的低频子带系数。
高频子带系数融合步骤：将所述可见光图像的高频子带系数和所述红外图像的高频子带系数融合，得到融合图像的高频子带系数。
图像融合步骤：将所述融合图像的低频子带系数和所述融合图像的高频子带系数通过有限离散剪切波逆变换，得到所述融合图像。
上述图像融合方法、装置、计算机设备和存储介质，通过有限离散剪切波变换的方式得到可见光图像的低频子带系数和高频子带系数及红外图像的低频子带系数和高频子带系数，将红外图像的低频子带系数和可见光图像的低频子带系数融合，使得图像的亮度、对比度接近图像，并使得结构细节清晰，将红外图像的高频子带系数和可见光图像的高频子带系数融合，使得图像的边缘结构更清晰，将融合图像的低频子带系数和融合图像的高频子带系数通过有限离散逆变换得到融合图像，融合图像能够可观真实地展现设备的周围环境信息及各个部件的轮廓细节，提高辨识度，便于观察，且有限离散剪切波变换通过二维快速傅里叶变换来实现，计算过程较为简单。
附图说明
图1为一个实施例中图像融合的应用环境图；
图2为一个实施例中图像融合方法的流程示意图；
图3为一个实施例中图像融合装置的结构示意图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例中所提供的图像融合方法，可以应用于如图1所示的应用环境中。其中，终端102用于获得可见光图像和红外光图像，终端与计算机设备104通信连接，终端向计算机设备传输可见光图像和红外光图像，计算机设备接收到可见光图像和红外图像后，对可见光图像和红外图像有限离散剪切波变换，得到可见光图像的高频子带系数、可见光图像的低频子带系数、红外图像的高频子带系数和红外图像的低频子带系数，并对红外图像的低频子带系数和可见光图像的低频子带系数融合，得到融合图像的低频子带系数，对红外图像的高频子带系数和可见光图像的高频子带系数融合，得到融合图像的高频子带系数，终端将融合图像的高频子带系数和融合图像的低频子带系数进行有限离散剪切波逆变换，得到融合图像。其中，计算机设备可以显示融合图像，也可以将融合图像传输到终端，在终端上显示融合图像。
在其中一个实施例中，提供了一种图像融合方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
第一图像分解步骤：将可见光图像通过有限离散剪切波变换得到可见光图像的低频子带系数和可见光图像的高频子带系数。
第二图像分解步骤：将红外图像通过有限离散剪切波变换得到红外图像的低频子带系数和红外图像的高频子带系数。
低频子带系数融合步骤：将所述可见光图像的低频子带系数和所述红外图像的低频子带系数融合步骤，得到融合图像的低频子带系数。
高频子带系数融合步骤：将所述可见光图像的高频子带系数和所述红外图像的高频子带系数融合，得到融合图像的高频子带系数。
图像融合步骤：将所述融合图像的低频子带系数和所述融合图像的高频子带系数通过有限离散剪切波逆变换，得到所述融合图像。
如图2所示，其为一实施例的一种图像融合方法，包括：
步骤110，将可见光图像通过有限离散剪切波变换得到可见光图像的低频子带系数和可见光图像的高频子带系数。
例如，将可见光图像通过有限离散剪切波变换计算得到可见光图像的低频子带系数和可见光图像的高频子带系数。
具体的，可见光图像是根据CDD(Charge Couple Device，电荷耦合器件)传感器的光学反应原理成像，利用可见光成像形成的图像。本步骤中，将可见光图像通过有限离散剪切波变换计算得到可见光图像的低频子带系数和可见光图像的高频子带系数，实际是将可见光图像的数字信息通过有限离散剪切波变换计算得到可见光图像的低频子带系数和可见光图像的高频子带系数。
步骤120，将红外图像通过有限离散剪切波变换得到红外图像的低频子带系数和红外图像的高频子带系数。
具体的，红外光图像是根据红外传感器的热辐射原理成像，从红外传感器中获取的图像信息，将红外图像通过有限离散剪切波变换计算得到红外图像的低频子带系数和红外图像的高频子带系数，实际是将红外图像的数字信息通过有限离散剪切波变换计算的到红外图像的低频子带系数和红外图像的高频子带系数。
步骤130，将所述可见光图像的低频子带系数和所述红外图像的低频子带系数融合，得到融合图像的低频子带系数。
具体的，低频子带系数融合可以理解为将可见光图像的低频子带系数和红外图像的低频子带系数通过公式运算，从而获得融合图像的低频子带系数。
步骤140，将所述可见光图像的高频子带系数和所述红外图像的高频子带系数融合，得到融合图像的高频子带系数。
具体的，低频子带系数融合可以理解为将可见光图像的低频子带系数和红外图像的低频子带系数通过公式运算，从而获得融合图像的低频子带系数。
步骤150，将所述融合图像的低频子带系数和所述融合图像的高频子带系数通过有限离散剪切波逆变换，得到所述融合图像。
具体的，有限离散剪切波变换表达式推导过程如下：
将伸缩矩阵方程表达式定义为如下形式：
其中a为缩放比例参数。
将剪切矩阵方程表达式定义为如下形式：
其中s为剪切参数。
对函数ψ∈L2(R2)进行膨胀、剪切、平移变换，即将ψ∈L2(R2)进行式(1)、式(2)和平移变换，可以得到连续剪切波方程表达式为如下形式：
其中t为平移参数。
再对连续剪切波ψa,s,t(x)进行二维傅里叶变换，从而得到任意函数f的连续剪切波变换及其对应的Parseval(帕塞瓦尔恒)等式为如下形式：
具体的，Parseval等式是一个有关函数的傅里叶级数的可加性的基础结论。
定义频域的小波函数为如下形式：
定义频域的冲激函数为如下形式
为了增强方向选择性，通过小波函数和冲激函数，即通过式(5)和式(6)，可以将频域平面分成水平锥面、垂直锥面、锥面交界处和低频部分多个不同区域，这样可以增强方向的选择性。
在连续剪切波ψa,s,t(x)的基础上，对式(2)的参数进行离散化，可得到水平锥面的离散剪切波变换和垂直锥面区域的离散剪切波变换进一步地，将锥面交界处的离散剪切波变换。因此，有限离散剪切波变换的方程表达式为如下形式：
其中κ为频域平面，×为锥面交叉线。
由于式(7)定义的有限离散剪切波可以通过二维快速傅里叶变换来实现，有限离散剪切波变换的计算过程比较简单，且图像经过有限离散剪切波变换即可计算出图像的低频子带系数和高频子带系数。
上述图像融合方法，通过有限离散剪切波变换的方式得到可见光图像的低频子带系数和高频子带系数及红外图像的低频子带系数和高频子带系数，将红外图像的低频子带系数和可见光图像的低频子带系数融合，使得图像的亮度、对比度接近图像，并使得结构细节清晰，将红外图像的高频子带系数和可见光图像的高频子带系数融合，使得图像的边缘结构更清晰，将融合图像的低频子带系数和融合图像的高频子带系数通过有限离散逆变换得到融合图像，融合图像能够可观真实地展现设备的周围环境信息及各个部件的轮廓细节，提高辨识度，便于观察，且有限离散剪切波变换通过二维快速傅里叶变换来实现，计算过程较为简单。
为了使融合图像更清晰，在其中一个实施例中，所述低频子带系数融合步骤包括：
将所述可见光图像的各像素点的低频子带系数和所述红外图像的各像素点的低频子带系数以显著性值为权值进行加权平均，得到所述融合图像的低频子带系数。
具体的，将所述可见光图像的各像素点的低频子带系数coeffvisible,low和所述红外图像的各像素点的低频子带系数coeffinfrared,low以显著性值为权值进行加权平均，得到所述融合图像的低频子带系数。
具体的，显著性值通过显著性模型采用自底向上的FTS(Frequency-TunedSaliency，频率调高的显著性)方法，FTS通过局部颜色和亮度特征对比多尺度方法求取像素点的显著值，即采用FTS显著性映射公式为：
S(i,j)＝||Iμ0-Iωhc|| (8)
其中Iμ0为图像特征的平均向量，Iωhc为对原始图像采用5×5二项式核的高斯模糊，||·||为L2上的范数，(i,j)为像素点的坐标。根据式(8)，利用FTS求取红外图像的归一化后的显著性值矩阵为Sinfrared及可见光图像的归一化后的显著性值矩阵为Svisible。
则融合后的低频子带系数coefffused,low的表达式为如下形式：
coefffused,low＝Sinfrared·coeffinfrared,low+Svisible·coeffvisible,low (9)
由于图像的低频子带系数包含了图像的主要信息，图像中，局部活跃程度越高，图像越清晰，通过以显著性为权值，将红外图像的低频子带系数和可见光图像的低频子带系数进行加权平均，获得融合图像的低频子带系数，可以提取红外图像和可见光图像中局部活跃程度较高的部分，且能避免低频子带系数在融合过程中受到噪声的干扰，从而进一步的提升融合图像的清晰度。
在一个实施例中，所述低频子带系数融合的步骤包括：将所述可见光图像的各像素点的低频子带系数coeffvisible,low和所述红外图像的各像素点的低频子带系数coeffinfrared,low以等权值进行加权平均，得到融合图像的低频子带系数coefffused,low，即可见光图像的各像素点的低频子带系数coeffvisibl,elow和红外图像的各像素点的低频子带系数coeffinfrared,low所占权值相等，进行加权平均，得到融合图像的低频子带系数，即可见光图像的各像素点的低频子带系数coeffvisible,low和红外图像的各像素点的低频子带系数coeffinfrared,low取平均值，作为融合图像的低频子带系数。即，融合图像的低频子带系数coefffused,low表达式为如下形式：
通过红外图像的各像素点的低频子带系数coeffvisible，low和所述红外图像的各像素点的低频子带系数coeffinfrared,low以等权值进行加权平均，得到融合图像的低频子带系数，便于计算机进行计算，同时保留图像的图像特征，使融合图像清晰。
为了使融合图像的边缘结构更清晰，在其中一个实施例中，所述高频子带系数融合的步骤包括：
获取所述可见光图像的各像素点的高频子带系数的绝对值，得到多个第一绝对值；获取所述红外图像的各像素点的高频子带系数的绝对值，得到多个第二绝对值；将所述可见光图像的各像素点与所述红外图像的各像素点一一对应，基于所述可见光图像的各像素点与所述红外图像的各像素点的对应关系，将多个所述第一绝对值与多个所述第二绝对值一一对比，选取所述第一绝对值和所述第二绝对值中绝对值较大对应的高频子带系数作为对应的像素点的高频子带系数，得到所述融合图像的各像素点的高频子带系数。
由于图像的高频子带系数反应了图像的边缘结构信息，通过可见光图像的各像素点的高频子带系数和红外图像的各像素点的高频子带系数中，取绝对值较大的高频子带系数作为融合图像的高频子带系数，可以减小噪声的影响，突出边缘结构信息，使融合图像的边缘结构更清晰，且获取融合图像的高频子带系数计算过程简单，提升计算效率。
在其中一个实施例中，所述第一图像分解的步骤包括：获取图像的分解层数和图像的分解方向数。基于所述分解层数和所述图像分解方向数，将所述可见光图像通过有限离散剪切波变换得到所述可见光图像的低频子带系数和所述可见光图像的高频子带系数。
通过获取图像的分解层数和图像的分解方向数，可见光图像通过有限离散剪切波变换得到可见光图像的不同分解层不同分解方向的高频子带系数，图像的分解层数和图像的分解方向越多，分解出的可见光图像的高频子带系数越多，从而获取可见光图像的边缘结构信息越多。
在其中一个实施例中，所述第二图像分解的步骤包括:
获取分解层数和图像分解方向数。
基于所述分解层数和所述图像分解方向数，将所述红外图像通过有限离散剪切波变换得到所述红外图像的低频子带系数和所述红外图像的高频子带系数。通过获取图像的分解层数和图像的分解方向数，可红外图像通过有限离散剪切波变换得到红外图像的不同分解层不同分解方向的高频子带系数，图像的分解层数和图像的分解方向越多，分解出的红外图像的高频子带系数越多，从而获取可见光图像的边缘结构信息越多。
为了使融合图像的清晰度满足电力设备监测需求且提高计算效率，在其中一个实施例中，所述图像分解层数设为4，所述图像分解方向数设为8。由于当分解层数越多，分解方向数越多时，融合的图像越清晰，但计算耗时也越多，为了使融合图像的清晰度满足电力设备监测需求，将分解层数设为4，分解方向数设为8，融合图像清晰度可满足电力设备监测需求，且提高计算效率。
在其中一个实施例中，所述高频子带系数融合的步骤包括：
计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域方差，得到第一比较矩阵。
计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域平均梯度，得到第二比较矩阵。
将所述可见光图像的高频子带系数和所述红外图像的高频子带系数通过所述第一比较矩阵和所述第二比较矩阵筛选，得到所述融合图像的高频子带系数。
具体的，计算所述可见光图像的各像素点的高频子带系数的区域方差，得到多个第一方差。
计算所述红外图像的各像素点的高频子带系数的区域方差，得到多个第二方差。
计算所述可见光图像的各像素点的高频子带系数的区域平均梯度，得到多个第一平均梯度。
计算所述红外图像的各像素点的高频子带系数的区域平均梯度，得到多个第二平均梯度。
根据多个所述第一方差和多个所述第二方差，得到所述可见光图像的各像素点的高频子带系数和所述红外图像的各像素点的高频子带系数的相对区域方差，得到第一比较矩阵。
根据多个所述第一平均梯度和多个所述第二平均梯度，得到所述可见光图像的各像素点的高频子带系数和所述红外图像的各像素点的高频子带系数的相对区域平均梯度，得到第二比较矩阵。
将所述可见光图像的各像素点与所述红外图像的各像素点一一对应，基于所述可见光图像的各像素点与所述红外图像的各像素点的对应关系。
当各像素点的第一比较矩阵大于对应像素点的第二比较矩阵时，将多个所述第一方差与多个第二方差一一比对，选取所述第一方差和所述第二方差中数值较大的对应的高频子带系数作为第一对应的像素点的高频子带系数。当各像素点的第一比较矩阵小于对应像素点的第二比较矩阵时，将多个所述第一平均梯度与所述多个第二平均梯度一一比对，选取所述第一平均梯度和所述第二平均梯度中数值较大的对应的高频子带系数作为第二对应像素点的高频子带系数；结合所述第一对应的像素点的高频子带系数和所述第二对应像素点的高频子带系数作为所述融合图像的高频子带系数。
具体的，计算可见光图像的高频子带系数和红外图像的高频子带系数的相对区域方差K1(i,j)，则K1(i,j)的表达式为如下形式：
其中l为分解层，k为分解方向，(i,j)为像素点的坐标，为可见光图像通过有限离散剪切波变换后的可见光图像的第l层第k个方向的子带系数的方差，为红外图像通过有限离散剪切波变换后的红外图像的第l层第k个方向的子带系数的方差，为可见光图像通过有限离散剪切波变换后的可见光图像的第l层第k个方向的子带系数以(i,j)点位中心，以N×N为区域窗口的方差，为红外图像通过有限离散剪切波变换后的红外图像的第l层第k个方向的子带系数以(i,j)点位中心，以N×N为区域窗口的方差。
得到第一比较矩阵R1(i,j),R1(i,j)的表达式为如下形式：
计算可见光图像的高频子带系数和红外图像的高频子带系数相对区域平均梯度K2(i,j),则K2(i,j)的表达式为如下形式：
其中，为可见光图像通过有限离散剪切波变换后的可见光图像的第l层第k个方向的子带系数的平均梯度，为红外图像通过有限离散剪切波变换后的红外图像的第l层第k个方向的子带系数的平均梯度，为可见光图像通过有限离散剪切波变换后的可见光图像的第l层第k个方向的子带系数以(i,j)点位中心，以N×N为区域窗口的平均梯度，为红外图像通过有限离散剪切波变换后的可见光图像的第l层第k个方向的子带系数以(i,j)点位中心，以N×N为区域窗口的平均梯度。
得到第二比较矩阵R2(i,j)，R2(i,j)的表达式为如下形式：
所述可见光图像的高频子带系数和所述红外图像的高频子带系数通过所述第一比较矩阵和所述第二比较矩阵选取，得到融合图像的高频子带系数则的表达式为如下形式：
其中，为可见光图像通过有限离散剪切波变换得到的可见光图像的像素坐标在(i,j)的高频子带系数，为红外图像通过有限离散剪切波变换得到的红外图像的像素坐标在(i,j)的高频子带系数。
由于高频子带系数的模糊值通常比较大，容易引入虚假信息，导致图像失真，通过采用相对区域平均梯度与相对区域方差相结合的方式，从可见光图像的高频子带系数和红外图像的高频子带系数中选取高频子带系数，作为融合图像的高频子带系数，使融合图像的高频子带系数筛除虚假信息，有限避免图像失真，且可以减小噪声的影响，突出边缘信息，使融合图像的边缘结构清晰。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参阅图3，在一个实施例中，一种图像融合装置200，所述装置包括：
第一图像分解模块210，用于将可见光图像通过有限离散剪切波变换得到可见光图像的高频子带系数和可见光图像的低频子带系数。
第二图像分解模块220，用于将红外图像通过有限离散剪切波变换得到红外图像的高频子带系数和红外图像的低频子带系数。
低频子带系数融合模块230，用于将所述可见光图像的低频子带系数和所述红外图像的低频子带系数融合，得到融合图像的低频子带系数。
高频子带系数融合模块240，用于将所述可见光图像的高频子带系数和所述红外图像的高频子带系数融合，得到融合图像的高频子带系数。
图像融合模块250，用于将所述融合图像的低频子带系数和所述融合图像的高频子带系数通过有限离散剪切波逆变换，得到所述融合图像。
具体的，在其中一个实施例中，所述低频子带系数融合模块用于将所述可见光图像的各像素点的低频子带系数和所述红外图像的各像素点的低频子带系数以显著性为权值进行加权平均，得到所述融合图像的低频子带系数。
在其中一个实施例中，所述高频子带系数融合模块包括第一绝对值子模块、第二绝对值子模块和高频子带系数融合子模块，所述第一绝对值子模块用于获取所述可见光图像的各像素点的高频子带系数的绝对值，得到多个第一绝对值；所示第二绝对值子模块用于获取所述红外图像的各像素点的高频子带系数的绝对值，得到多个第二绝对值；所述高频子带融合模块用于将所述可见光图像的各像素点与所述红外图像的各像素点一一对应，基于所述可见光图像的各像素点与所述红外图像的各像素点的对应关系，将多个所述第一绝对值与多个所述第二绝对值一一对比，选取所述第一绝对值和所述第二绝对值中绝对值较大对应的高频子带系数作为对应的像素点的高频子带系数，得到所述融合图像的各像素点的高频子带系数。
在其中一个实施例中，所述第一图像分解模块包括第一分解参数子模块和第一图像分解子模块，所述第一分解参数子模块用于获取分解层数和图像分解方向数，所述第一图像分解子模块用于基于所述分解参数子模块获取的所述图像分解层数和所述图像分解方向数，将所述可见光图像通过有限离散剪切波变换得到所述可见光图像的低频子带系数和所述可见光图像的高频子带系数。
在其中一个实施例中，所述第二图像分解模块包括第二分解参数子模块和第二图像分解子模块，所述第二分解参数子模块用于获取图像分解层数和图像分解方向数，所述第二图像分解子模块用于基于所述图像分解层数和所述图像分解方向数，将所述红外图像通过有限离散剪切波变换得到所述红外图像的低频子带系数和所述红外图像的高频子带系数。
在其中一个实施例中，所述图像分解层数设为4，所述图像分解方向数设为8。
在其中一个实施例中，所述高频子带系数融合模块包括：第一比较矩阵子模块、第二比较矩阵子模块和高频子带融合子模块；所述第一比较矩阵子模块用于计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域方差，得到第一比较矩阵；所述第二比较矩阵子模块用于计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域平均梯度，得到第二比较矩阵；所述高频子带融合子模块用于将所述可见光图像的高频子带系数和所述红外图像的高频子带系数通过所述第一比较矩阵和所述第二比较矩阵筛选，得到所述融合图像的高频子带系数。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像融合方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在其中一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
第一图像分解步骤，将可见光图像通过有限离散剪切波变换得到可见光图像的低频子带系数和可见光图像的高频子带系数。
第二图像分解步骤，将红外图像通过有限离散剪切波变换得到红外图像的低频子带系数和红外图像的高频子带系数。
低频子带系数融合步骤，将所述可见光图像的低频子带系数和所述红外图像的低频子带系数融合，得到融合图像的低频子带系数。
高频子带系数融合步骤，将所述可见光图像的高频子带系数和所述红外图像的高频子带系数融合，得到融合图像的高频子带系数。
图像融合步骤，将所述融合图像的低频子带系数和所述融合图像的高频子带系数通过有限离散剪切波逆变换，得到所述融合图像。
在其中一个实施例中，所述处理器执行所述计算机程序时实现以下步骤：将所述可见光图像的各像素点的低频子带系数和所述红外图像的各像素点的低频子带系数以显著性为权值进行加权平均，得到所述融合图像的低频子带系数。
在其中一个实施例中，所述处理器执行所述计算机程序时实现以下步骤：
获取所述可见光图像的各像素点的高频子带系数的绝对值，得到多个第一绝对值。
获取所述红外图像的各像素点的高频子带系数的绝对值，得到多个第二绝对值。
将所述可见光图像的各像素点与所述红外图像的各像素点一一对应，基于所述可见光图像的各像素点与所述红外图像的各像素点的对应关系，将多个所述第一绝对值与多个所述第二绝对值一一对比，选取所述第一绝对值和所述第二绝对值中绝对值较大对应的高频子带系数作为对应的像素点的高频子带系数，得到所述融合图像的各像素点的高频子带系数。
在其中一个实施例中，所述处理器执行所述计算机程序时实现以下步骤：
获取图像分解层数和图像分解方向数。
基于所述分解层数和所述图像分解方向数，将所述可见光图像通过有限离散剪切波变换得到所述可见光图像的低频子带系数和所述可见光图像的高频子带系数。
在其中一个实施例中，所述处理器执行所述计算机程序时实现以下步骤:
获取图像分解层数和图像分解方向数；
基于所述图像分解层数和所述图像分解方向数，将所述红外图像通过有限离散剪切波变换得到所述红外图像的低频子带系数和所述红外图像的高频子带系数。
在其中一个实施例中，所述图像分解层数设为4，所述图像分解方向数设为8。
在其中一个实施例中，所述处理器执行所述计算机程序时实现以下步骤：
计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域方差，得到第一比较矩阵。
计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域平均梯度，得到第二比较矩阵。
将所述可见光图像的高频子带系数和所述红外图像的高频子带系数通过所述第一比较矩阵和所述第二比较矩阵筛选，得到所述融合图像的高频子带系数。
在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
第一图像分解步骤，将可见光图像通过有限离散剪切波变换得到可见光图像的低频子带系数和可见光图像的高频子带系数。
第二图像分解步骤，将红外图像通过有限离散剪切波变换得到红外图像的低频子带系数和红外图像的高频子带系数。
低频子带系数融合步骤，将所述可见光图像的低频子带系数和所述红外图像的低频子带系数融合，得到融合图像的低频子带系数。
高频子带系数融合步骤，将所述可见光图像的高频子带系数和所述红外图像的高频子带系数融合，得到融合图像的高频子带系数。
图像融合步骤，将所述融合图像的低频子带系数和所述融合图像的高频子带系数通过有限离散剪切波逆变换，得到所述融合图像。
在其中一个实施例中，所述计算机程序被处理器执行时实现以下步骤：将所述可见光图像的各像素点的低频子带系数和所述红外图像的各像素点的低频子带系数以显著性为权值进行加权平均，得到所述融合图像的低频子带系数。
在其中一个实施例中，所述计算机程序被处理器执行时实现以下步骤：
获取所述可见光图像的各像素点的高频子带系数的绝对值，得到多个第一绝对值。
获取所述红外图像的各像素点的高频子带系数的绝对值，得到多个第二绝对值。
将所述可见光图像的各像素点与所述红外图像的各像素点一一对应，基于所述可见光图像的各像素点与所述红外图像的各像素点的对应关系，将多个所述第一绝对值与多个所述第二绝对值一一对比，选取所述第一绝对值和所述第二绝对值中绝对值较大对应的高频子带系数作为对应的像素点的高频子带系数，得到所述融合图像的各像素点的高频子带系数。
在其中一个实施例中，所述计算机程序被处理器执行时实现以下步骤：
获取图像分解层数和图像分解方向数。
基于所述分解层数和所述图像分解方向数，将所述可见光图像通过有限离散剪切波变换得到所述可见光图像的低频子带系数和所述可见光图像的高频子带系数。
在其中一个实施例中，所述计算机程序被处理器执行时实现以下步骤:
获取图像分解层数和图像分解方向数。
基于所述图像分解层数和所述图像分解方向数，将所述红外图像通过有限离散剪切波变换得到所述红外图像的低频子带系数和所述红外图像的高频子带系数。
在其中一个实施例中，所述图像分解层数设为4，所述图像分解方向数设为8。
在其中一个实施例中，所述计算机程序被处理器执行时实现以下步骤：
计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域方差，得到第一比较矩阵。
计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域平均梯度，得到第二比较矩阵。
将所述可见光图像的高频子带系数和所述红外图像的高频子带系数通过所述第一比较矩阵和所述第二比较矩阵筛选，得到所述融合图像的高频子带系数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像融合方法，其特征在于，包括：
第一图像分解步骤：将可见光图像通过有限离散剪切波变换得到所述可见光图像的低频子带系数和所述可见光图像的高频子带系数；
第二图像分解步骤：将红外图像通过有限离散剪切波变换得到所述红外图像的低频子带系数和所述红外图像的高频子带系数；
低频子带系数融合步骤：将所述可见光图像的低频子带系数和所述红外图像的低频子带系数融合步骤，得到融合图像的低频子带系数；
高频子带系数融合步骤：将所述可见光图像的高频子带系数和所述红外图像的高频子带系数融合，得到融合图像的高频子带系数；
图像融合步骤：将所述融合图像的低频子带系数和所述融合图像的高频子带系数通过有限离散剪切波逆变换，得到所述融合图像。
2.根据权利要求1所述的图像融合方法，其特征在于，所述低频子带系数融合步骤包括：
将所述可见光图像的各像素点的低频子带系数和所述红外图像的各像素点的低频子带系数以显著性为权值进行加权平均，得到所述融合图像的低频子带系数。
3.根据权利要求1所述的图像融合方法，其特征在于，所述高频子带系数融合步骤包括：
获取所述可见光图像的各像素点的高频子带系数的绝对值，得到多个第一绝对值；
获取所述红外图像的各像素点的高频子带系数的绝对值，得到多个第二绝对值；
将所述可见光图像的各像素点与所述红外图像的各像素点一一对应，基于所述可见光图像的各像素点与所述红外图像的各像素点的对应关系，将多个所述第一绝对值与多个所述第二绝对值一一对比，选取所述第一绝对值和所述第二绝对值中绝对值较大对应的高频子带系数作为对应的像素点的高频子带系数，得到所述融合图像的各像素点的高频子带系数。
4.根据权利要求1所述的图像融合方法，其特征在于，所述第一图像分解步骤包括：
获取图像分解层数和图像分解方向数；
基于所述分解层数和所述图像分解方向数，将所述可见光图像通过有限离散剪切波变换得到所述可见光图像的低频子带系数和所述可见光图像的高频子带系数。
5.根据权利要求1所述的图像融合方法其特征在于，所述第二图像分解步骤包括:
获取图像分解层数和图像分解方向数；
基于所述图像分解层数和所述图像分解方向数，将所述红外图像通过有限离散剪切波变换得到所述红外图像的低频子带系数和所述红外图像的高频子带系数。
6.根据权利要求4或5所述的图像融合方法，其特征在于，所述图像分解层数设为4，所述图像分解方向数设为8。
7.根据权利要求1所述的图像融合方法，其特征在于，所述高频子带系数融合步骤包括：
计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域方差，得到第一比较矩阵；
计算所述可见光图像的高频子带系数和所述红外图像的高频子带系数相对区域平均梯度，得到第二比较矩阵；
将所述可见光图像的高频子带系数和所述红外图像的高频子带系数通过所述第一比较矩阵和所述第二比较矩阵筛选，得到所述融合图像的高频子带系数。
8.一种图像融合装置，其特征在于，所述装置包括：
第一图像分解模块，用于将可见光图像通过有限离散剪切波变换得到所述可见光图像的高频子带系数和所述可见光图像的低频子带系数；
第二图像分解模块，用于将红外图像通过有限离散剪切波变换得到所述红外图像的高频子带系数和所述红外图像的低频子带系数；
低频子带系数融合模块，用于将所述可见光图像的低频子带系数和所述红外图像的低频子带系数融合，得到融合图像的低频子带系数；
高频子带系数融合模块，用于将所述可见光图像的高频子带系数和所述红外图像的高频子带系数融合，得到融合图像的高频子带系数；
图像融合模块，用于将所述融合图像的低频子带系数和所述融合图像的高频子带系数通过有限离散剪切波逆变换，得到所述融合图像。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811291173.8A CN109360182A (zh) | 2018-10-31 | 2018-10-31 | 图像融合方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811291173.8A CN109360182A (zh) | 2018-10-31 | 2018-10-31 | 图像融合方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109360182A true CN109360182A (zh) | 2019-02-19 |
Family
ID=65343626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811291173.8A Pending CN109360182A (zh) | 2018-10-31 | 2018-10-31 | 图像融合方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109360182A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009026A (zh) * | 2019-03-28 | 2019-07-12 | 上海交通大学 | 基于fdst和双通道pcnn的异源图像融合方法 |
| 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 |
| CN112116102A (zh) * | 2020-09-27 | 2020-12-22 | 张洪铭 | 一种域适应训练集的扩展方法及系统 |
| CN114066784A (zh) * | 2020-07-29 | 2022-02-18 | 北京小米移动软件有限公司 | 一种图像处理方法、装置和存储介质 |
| CN118195925A (zh) * | 2024-05-17 | 2024-06-14 | 浙江大华技术股份有限公司 | 图像融合方法、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6584234B2 (en) * | 1997-11-11 | 2003-06-24 | Sony Corporation | Apparatus for and method of processing image and information recording medium |
| 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 |
-
2018
- 2018-10-31 CN CN201811291173.8A patent/CN109360182A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6584234B2 (en) * | 1997-11-11 | 2003-06-24 | Sony Corporation | Apparatus for and method of processing image and information recording medium |
| 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 |
Non-Patent Citations (7)
| Title |
|---|
| DURGA PRASAD BAVIRISETTI等: "Two-scale image fusion of visible and infrared images using saliency detection", 《INFRARED PHYSICS & TECHNOLOGY》 * |
| RADHAKRISHNA ACHANTA等: "Frequency-tuned Salient Region Detection", 《2009 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| 周岩等: "基于有限离散剪切波变换的灰度图像融合", 《计算机工程》 * |
| 杜军平等: "《多源运动图像的跨尺度融合研究》", 30 June 2018, 北京邮电大学出版社 * |
| 王红梅等: "一种基于显著特征的图像融合算法", 《西北工业大学学报》 * |
| 陈清江等: "有限离散剪切波域的红外可见光图像融合", 《中国光学》 * |
| 陈清江等: "结合区域特性的有限离散剪切波图像融合", 《计算机工程与科学》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009026A (zh) * | 2019-03-28 | 2019-07-12 | 上海交通大学 | 基于fdst和双通道pcnn的异源图像融合方法 |
| 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 |
| CN114066784A (zh) * | 2020-07-29 | 2022-02-18 | 北京小米移动软件有限公司 | 一种图像处理方法、装置和存储介质 |
| CN112116102A (zh) * | 2020-09-27 | 2020-12-22 | 张洪铭 | 一种域适应训练集的扩展方法及系统 |
| CN118195925A (zh) * | 2024-05-17 | 2024-06-14 | 浙江大华技术股份有限公司 | 图像融合方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109360182A (zh) | 图像融合方法、装置、计算机设备和存储介质 | |
| CN111179177B (zh) | 图像重建模型训练方法、图像重建方法、设备及介质 | |
| CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
| Zhou et al. | Principal component analysis-based image fusion routine with application to automotive stamping split detection | |
| CN109686225B (zh) | 电力系统数据可视化方法、装置、计算机设备和存储介质 | |
| Liu et al. | No-reference image quality assessment method based on visual parameters | |
| Chan et al. | A confidence map and pixel-based weighted correlation for PRNU-based camera identification | |
| Zuo et al. | An EWMA and region growing based control chart for monitoring image data | |
| Pont et al. | Singularity analysis of digital signals through the evaluation of their unpredictable point manifold | |
| Liu et al. | Multi-scale saliency measure and orthogonal space for visible and infrared image fusion | |
| Yang et al. | Fast multisensor infrared image super-resolution scheme with multiple regression models | |
| Chountasis et al. | Digital image reconstruction in the spectral domain utilizing the Moore‐Penrose inverse | |
| Shi et al. | Dual-quality map based no reference image quality assessment using deformable convolution | |
| Di Martino et al. | Comparison between images via bilinear fuzzy relation equations | |
| Yang et al. | Infrared image super-resolution with parallel random Forest | |
| CN115471516A (zh) | 基于生成网络的光学-雷达isar图像转换方法及装置 | |
| Patil et al. | A Review on Disease Prediction using Image Processing | |
| CN114372936A (zh) | 一种基于图像修补技术的红外弱小目标检测方法 | |
| Hnatushenko et al. | Efficiency determination of scanner data fusion methods of space multispectral images | |
| CN114359232A (zh) | 一种基于上下文协方差矩阵的图像变化检测方法及装置 | |
| Rahimi et al. | Preserving quality in minimum frame selection within multi-frame super-resolution | |
| CN118628399B (zh) | 基于人工智能的红外图像处理方法、装置、设备及介质 | |
| Jeyaprakash et al. | Linearly uncorrelated principal component and deep convolutional image deblurring for natural images | |
| CN114299001B (zh) | 基于结构循环一致性的异源图像变化检测方法及装置 | |
| CN116659520B (zh) | 基于仿生偏振视觉增强的匹配定位方法、装置和设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |
|
| RJ01 | Rejection of invention patent application after publication |