CN109472762A - 基于nsct和非线性增强的红外双波段图像融合算法 - Google Patents
基于nsct和非线性增强的红外双波段图像融合算法 Download PDFInfo
- Publication number
- CN109472762A CN109472762A CN201710799441.6A CN201710799441A CN109472762A CN 109472762 A CN109472762 A CN 109472762A CN 201710799441 A CN201710799441 A CN 201710799441A CN 109472762 A CN109472762 A CN 109472762A
- Authority
- CN
- China
- Prior art keywords
- image
- nsct
- enhancing
- infrared
- far infrared
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 55
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 51
- 238000002156 mixing Methods 0.000 claims abstract description 48
- 238000001931 thermography Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000004438 eyesight Effects 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 16
- 238000003384 imaging method Methods 0.000 description 11
- 238000007500 overflow downdraw method Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000004297 night vision Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000003333 near-infrared imaging Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002498 deadly effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000539 dimer Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06T2207/10048—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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
基于NSCT和非线性增强的红外双波段图像融合算法，本发明属于计算机视觉领域及图像处理领域，解决现有技术在热成像对比度较差条件下无法有效融合、多尺度图像融合算法计算较慢、融合图像残留过多冗余信息等技术问题。本发明的技术方案主要包括：对远红外图像非线性增强；NSCT分解近红外和远红外图像得到低频子带系数和高频子带系数；采用“区域能量选大”的方式来选择低频子带融合系数，以近红外图像的高频子带系数作为融合图像的高频子带系数；系数重构后通过高斯增强滤波得到融合图像。主要用于近红外与远红外双波段的图像融合。
Description
技术领域
本发明属于计算机视觉领域及图像处理领域，具体涉及一种综合了远红外热成像的高对比度特性和近红外微光成像空间细节信息丰富优点的基于NSCT和非线性增强的红外双波段图像融合算法。
背景技术
随着城市安防、军事侦查以及战场监控等领域对于夜视技术的迫切需求，具有高分辨率且高对比度的红外成像越来越成为全球夜视技术未来的发展趋势，而目前无论是近红外微光成像还是远红外热成像都存在明显的缺陷，这些缺陷主要体现在微光成像目标不突出而热成像空间分辨率较差等致命弱点。通过图像融合可以综合这两种成像的优点得到空间分辨率较高、细节信息丰富且热目标清晰的融合图像，这对于拓宽夜视探测的范围和改善夜视成像的质量都有非常重大的意义。此外，由于近红外微光成像和远红外热成像均属于被动成像，不需要主动发射照明，因此在夜间监视犯罪和军事侦查等方面有着相当广阔的应用前景；
目前基于NSCT的图像融合专利如：一种基于NSCT 的SAR 图像和可见光图像的融合方法（201110399402. X），该方法在抑制噪声的同时可取得较好的融合效果，但是由于该方法对低频系数采取“绝对值极大”的策略来选择融合系数，因此当源图像对比度较差时就不能实现有效的融合，具体表现为融合图像与其中一幅源图像相差无几，此外，该方法对于高频系数采取领域窗口内比较空间频率的策略选择融合系数导致融合算法计算复杂。基于NSCT的邻域特性区域化的红外与微光图像融合方法（201310526331. 4），对低频系数采用区域化能量加权融合规则导致该方法与传统的加权平均融合方法一样保留了图像较多的冗余信息，高频系数采用基于邻域能量区域化匹配的系数选择方案与邻域方差改进的区域方差取大融合规则导致算法计算复杂。因此在去除冗余信息进行有效图像融合的同时提高计算速率是非常必要的；
非线性增强图像的专利如：基于直方图分段变换的图像非线性增强方法（201210282808. 4）是一种视觉效果符合人眼视觉系统的图像增强方法，保留了较多的图像细节，但是对于微光图像与热成像的图像融合而言热成像的细节温度变化信息是冗余的，因此高对比度的图像增强才能满足高空间分辨率融合图像的需求。红外图像多级均值对比度增强方法（200610125572. 8）具有较好的图像增强效果，但增强图像的同时将噪声也增强了；
对于远红外热成像和近红外微光成像的图像融合，在成像质量较差的条件下如何有效地取得细节信息丰富且热目标清晰的融合图像，如何保证多尺度图像融合的实时性，如何消除掉融合图像中残留的过多冗余信息，这些都是亟待解决的问题。
发明内容
本发明的目的是提供基于NSCT和非线性增强的红外双波段图像融合算法，解决现有技术在热成像对比度较差条件下无法有效融合、多尺度图像融合算法计算较慢、融合图像残留过多冗余信息等问题；
为达到上述目的，本发明采用的技术方案如下：
基于NSCT和非线性增强的红外双波段图像融合算法，包括如下步骤：
步骤1、对热探测器获得的远红外图像进行非线性增强，实现其对比度增强；
步骤2、分别对增强后的远红外图像和微光探测器获得的近红外图像进行NSCT，得到两图像的低频和高频系数；
步骤3、通过选模极大的方式选择低频系数作为融合图像的低频系数，以近红外微光图像的高频系数作为融合图像的高频系数；
步骤4、将得到的融合系数进行逆NSCT后得到重构图像，再对其进行高通增强滤波增强得到最终的融合图像；
优选的，所述的步骤1中远红外图像的非线性增强是线性灰度变换和非线性灰度变换结合的分段灰度变换，热目标与背景的对比度得到高度增强。非线性增强的变换式为：
式中和分别为增强前和增强后远红外图像的归一化灰度级；k、m、γ均为常数；
优选的，所述步骤3中对于经过NSCT得到的低频系数的处理改进为“区域能量选大”的方式来选择低频融合系数，由此突出远红外热成像的目标高对比度特性。低频系数选择规则为：
式中L F 为低频融合系数；L A 、L B 为两幅待融合图像的低频系数；E A 、E B 为两幅图像的局部区域能量，其计算公式为：
式中为图像的归一化灰度级；
优选的，所述步骤3中对于经过NSCT得到的高频系数舍弃了远红外热成像的高频系数，以近红外微光图像的高频系数作为融合图像的高频系数，由此避免场景中背景温度细节起伏对于融合图像背景细节表现效果的影响；
优选的，所述步骤4中对于重构图像进行高通增强滤波以实现对融合图像的空间细节表现能力的增强，即对高通滤波器的传递函数加上一个权重系数：
式中H为Butterworth高通滤波器的传递函数：
式中为截至频率，为滤波器的阶数；
与现有技术相比，本发明的有益效果为：
1、对远红外图像的非线性增强，解决了远红外成像对比度较低而造成的目标不清晰问题，从而使得热成像的热目标更加突出，冗余的细节温度变化信息也得以有效地消除；
2、对于经过NSCT得到的低频系数的处理改进为基于区域能量选大的方式来选择低频融合系数，解决了传统加权平均的低频融合规则导致的融合图像中热目标比源图像较为暗淡的问题，从而使得融合图像完整地保留了热成像的热目标突出特性；
3、对于经过NSCT得到的高频系数舍弃了远红外热成像的高频系数，解决了传统高频融合规则繁琐的计算步骤带来的计算速率过低以及残留的冗余细节信息过多等问题，从而保证了融合的实时性，也有效地避免场景中背景温度细节起伏对于融合图像背景细节表现效果的影响；
4、对于重构图像进行高通增强滤波，解决了融合图像中热目标边缘模糊不清的问题，从而使得融合图像的热目标边缘轮廓更加易于辨识，同时也增强了融合图像的空间细节表现能力。
附图说明
图1为本发明所提图像融合算法流程框图；
图2为两幅配准后得到的远红外图像，其中：图2(a)为场景a的配准远红外图像；图2(b)为场景b的配准远红外图像；
图3为两幅近红外图像，其中：图3(a)为场景a的近红外图像；图3(b)为场景b的近红外图像；
图4为两幅非线性增强后得到的远红外图像，其中：图4(a)为场景a的增强远红外图像；图4(b)为场景b的增强远红外图像；
图5为两幅系数重构后得到的图像，其中：图5(a)为场景a的重构图像；图5(b)为场景b的重构图像；
图6为两幅高通增强滤波后得到的最终融合图像，也是本发明所提融合方法最终融合图像，其中：图6(a)为场景a的融合图像；图6(b)为场景b的融合图像；
图7为基于小波变换融合方法的融合图像，其中：图7(a)为场景a的小波融合图像；图7(b)为场景b的小波融合图像；
图8为基于NSCT的融合图像，其中：图8(a)为场景a的NSCT融合图像；图8(b)为场景b的NSCT融合图像。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的所有步骤，除了互相排斥的特征和步骤以外，均可以以任何方式组合；
下面结合附图对本发明做进一步说明：
图像采集器件：微光CCD（探测波长0.8-1.1μm）、热探测器（探测波长8-14μm），
程序运行环境：Windows 10、MATLAB（R2011a）；
本发明所提的基于NSCT和非线性增强的红外双波段图像融合算法基本流程如图1所示，具体实施步骤如下：
步骤1、通过微光CCD和热探测器采集近红外和远红外图像，再通过图像配准消除两图像在几何空间上存在的差异性；
步骤2、对已经配准的远红外图像进行非线性增强，充分提高远红外图像的对比度；
步骤3、分别对远红外图像和近红外图像进行NSCT，得到两图像的低频和高频子带系数；
步骤4、通过区域能量极大的方式选择低频子带系数，以近红外图像的高频子带系数作为融合图像的高频子带系数；
步骤5、对融合系数进行逆NSCT后得到重构图像，再对其进行高通增强滤波增强得到最终的融合图像；
图像配准
由于探测器的角度、距离、方向、以及其它因素，导致采集的近红外和远红外图像之间存在几何空间上的差异性，表现为平移、旋转以及尺度伸缩等。空间差异会严重影响图像融合的效果，因此在对图像进行融合之前需要配准图像消除它们之间的空间差异性；
本发明采用仿射变换来实现图像配准，以近红外图像作为参考图像A，远红外图像作为待配准图像B，在两图像之间建立相互对应的仿射变换关系：
式中：是远红外待配准图像的特征点坐标，是近红外参考图像的特征点坐标，是坐标的平移量，为远红外图像相对于近红外图像的缩放比例，为远红外图像相对于近红外图像的旋转角；
选取多组相互对应的特征点，确定仿射变换的各项参数，对远红外图像进行配准。图2为两幅经过仿射变换配准的远红外图像，图3为两幅近红外参照图像；
非线性增强
虽然热探测器对场景温度比较敏感，但是对于远红外波段的热辐射分辨率较低，导致成像对比度低，图像整体灰度偏高。这会严重影响图像融合的整体视觉效果，表现为融合图像与远红外图像相差无几。因此我们通过非线性增强的方式来提高远红外图像的对比度：
式中为增强前远红外图像的归一化灰度；为增强后远红外图像的归一化灰度；k是由探测器的性能所决定的常数，m为分段变换的分段阈值，由近红外图像灰度直方图的峰值对应的归一化灰度级决定；γ是一个大于1的常数，反映了指数变换的曲线弯曲程度，γ越大，则增强后远红外图像的对比度越高；
如图4所示，两幅远红外图像经过非线性增强后，其对比度得到了极大的提高，这不仅使场景中的热目标更加突出，还将大部分冗余的背景温度变化信息过滤掉了，对于融合效果的提高起到了非常关键的作用；
NSCT
非采样Contourlet变换(Non-subsampled Contourlet Transform，NSCT)是一种真正意义上的二维变换，它不仅具有小波变换的多分辨率和时频局部化特性，同时还具有很好的方向性和各向异性，因此将其运用到本发明中；
Contourlet变换分为多尺度分析和方向分析两步，即首先对图像进行拉普拉斯金字塔（Laplacian Pyramid, LP）分解，分解后得到一系列的奇异点，然后通过二维的方向滤波器组（Directional Filter Bank, DFB）将分布在相同方向的奇异点组成一个系数；
假设源图像为高斯金字塔的第0层，则高斯金字塔的第层图像为：
式中，为高斯金字塔顶层的层号；，分别为高斯金字塔第层图像的列数和行数，为第层图像；为5╳5的窗口函数：
通过依次将低层的图像和具有低通特性的窗口函数进行卷积，再对卷积得到的结果分别进行隔行和隔列的降2采样即可实现图像的高斯金字塔分解；
图像的拉普拉斯金字塔由高斯金字塔来构建，首先要将内插放大，得到放大的图像，即：
图像的拉普拉斯金字塔就是高斯金字塔中每两层图像之间的差异，即：
图像经过拉普拉斯金字塔分解后再采用扇形滤波器来进行方向滤波即可完成Contourlet分解；
NSCT在分解过程中取消了Contourlet变换对图像的降2采样，因此其非采样金字塔滤波器的传递函数等效为：
式中k为滤波器的级数，H 0、H 1分别为低通和高通传递函数；
子带系数融合规则
对于通过NSCT得到的低频子带系数，传统的加权平均融合规则存在着一定的局限性，即融合图像相比源图像灰度相对较为集中，使得热目标变得灰暗，因此本发明采用“区域能量取大”的规则来选择低频融合系数：
式中L F 为低频融合系数；L A 、L B 为两幅待融合图像的低频系数；E A 、E B 为两幅图像的局部区域能量，其计算公式为：
式中为图像的归一化灰度级；
高频子带系数反映了图像的纹理细节等信息，其中远红外热成像的背景细节的温度变化信息是冗余的，因此将其舍弃掉，以近红外微光成像的高频子带系数作为融合图像的高频子带系数，这样不仅过滤掉了残余的热成像背景细节信息，还极大地提高了计算速率，保证了图像融合的实时性；
高通增强滤波
以改进融合规则后得到的系数进行逆NSCT重构图像，如图5所示，重构图像热目标突出，近红外成像的绝大部分细节信息也得以保留。但是由于在系数融合时舍弃掉了远红外热成像的高频子带系数，因此系数重构后的图像中热目标的轮廓会模糊不清，此外由于成像条件的限制，近红外微光成像的细节表现效果也不是很理想的。为了充分增强重构图像的细节表现能力，需要对其进行高通滤波。然而传统的高通滤波虽然可以增强图像的细节，但是在滤波的同时也将大部分的低频亮度信息给过滤掉了。本发明在高通滤波器的传递函数上加上一个权重系数，结果表明滤波后可以还原出图像原有的背景亮度信息：
式中h为权重系数，由近红外成像条件决定；H为Butterworth高通滤波器的传递函数：
式中为截至频率，为滤波器的阶数；
如图6所示，经过高通增强滤波后的图像中，目标轮廓更加清晰可见，图像的细节表现效果也更加突出，视觉效果更好；
为进一步说明该发明的优势，将本发明提出的方法与基于小波变换和基于NSCT的方法进行比较。如图7所示为基于小波变换的图像融合效果，融合系数处理规则为传统融合规则，即对低频系数进行加权平均，对高频系数“选模极大”。图8所示为基于NSCT的图像融合效果，融合系数处理规则一样为传统融合规则；
从主观视觉效果来看，本发明所提融合方法的视觉效果明显更好，融合图像中热目标更加突出，融合图像的背景细节明显更加清晰；
下表为三种融合方法图像融合的客观质量参数对比：
从客观质量参数来看，本发明所提方法融合图像的信息熵、空间频率、平均梯度以及总互信息量均高于基于小波变换和基于NSCT融合方法的对应参数，这表明本发明所提方法所得融合图像信息量更加丰富，总体空间活跃度更高，清晰度更高，与源图像之间的差异也更小；
综上，本发明所提的基于NSCT和非线性增强的红外双波段图像融合算法可以获得视觉效果更好的融合图像且算法计算量小、计算速度更快。其中，对远红外图像的非线性增强，解决了远红外成像对比度较低而造成的目标不清晰问题，从而使得热成像的热目标更加突出，冗余的细节温度变化信息也得以有效地消除；对于经过NSCT得到的低频系数的处理改进为基于区域能量选大的方式来选择低频融合系数，解决了传统加权平均的低频融合规则导致的融合图像中热目标比源图像较为暗淡的问题，从而使得融合图像完整地保留了热成像的热目标突出特性；对于经过NSCT得到的高频系数舍弃了远红外热成像的高频系数，解决了传统高频融合规则繁琐的计算步骤带来的计算速率过低以及残留的冗余细节信息过多等问题，从而保证了融合的实时性，也有效地避免场景中背景温度细节起伏对于融合图像背景细节表现效果的影响；对于重构图像进行高通增强滤波，解决了融合图像中热目标边缘模糊不清的问题，从而使得融合图像的热目标边缘轮廓更加易于辨识，同时也增强了融合图像的空间细节表现能力；
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (5)
1.基于NSCT和非线性增强的红外双波段图像融合算法，其特征在于，包括如下几个步骤：
步骤1、对热探测器获得的远红外图像进行非线性增强，实现其对比度增强；
步骤2、分别对增强后的远红外图像和微光探测器获得的近红外图像进行NSCT，得到两图像的低频和高频系数；
步骤3、通过选模极大的方式选择低频系数作为融合图像的低频系数，以近红外微光图像的高频系数作为融合图像的高频系数；
步骤4、将得到的融合系数进行逆NSCT后得到重构图像，再对其进行高通增强滤波增强得到最终的融合图像。
2.根据权利要求1所述的基于NSCT和非线性增强的红外双波段图像融合算法，其特征在于，所述的步骤1中远红外图像的非线性增强是线性灰度变换和非线性灰度变换结合的分段灰度变换，热目标与背景的对比度得到高度增强，非线性增强的变换式为：
式中和分别为增强前和增强后远红外图像的归一化灰度级；k、m、γ均为常数。
3.根据权利要求1所述的基于NSCT和非线性增强的红外双波段图像融合算法，其特征在于，所述步骤3中对于经过NSCT得到的低频系数的处理改进为“区域能量选大”的方式来选择低频融合系数，由此突出远红外热成像的高对比度特性，低频系数选择规则为：
式中L F 为低频融合系数；L A 、L B 为两幅待融合图像的低频系数；E A 、E B 为两幅图像的局部区域能量，其计算公式为：
式中为图像的归一化灰度级。
4.根据权利要求1所述的基于NSCT和非线性增强的红外双波段图像融合算法，其特征在于，所述步骤3中对于经过NSCT得到的高频系数舍弃了远红外热成像的高频系数，以近红外微光图像的高频系数作为融合图像的高频系数，由此避免场景中背景温度细节起伏对于融合图像背景细节表现效果的影响。
5.根据权利要求1所述的基于NSCT和非线性增强的红外双波段图像融合算法，其特征在于，所述步骤4中对于重构图像进行高通增强滤波以实现对融合图像的空间细节表现能力的增强，即对高通滤波器的传递函数加上一个权重系数：
式中H为Butterworth高通滤波器的传递函数：
式中D0为截至频率， n为滤波器的阶数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710799441.6A CN109472762A (zh) | 2017-09-07 | 2017-09-07 | 基于nsct和非线性增强的红外双波段图像融合算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710799441.6A CN109472762A (zh) | 2017-09-07 | 2017-09-07 | 基于nsct和非线性增强的红外双波段图像融合算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109472762A true CN109472762A (zh) | 2019-03-15 |
Family
ID=65658047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710799441.6A Pending CN109472762A (zh) | 2017-09-07 | 2017-09-07 | 基于nsct和非线性增强的红外双波段图像融合算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109472762A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298807A (zh) * | 2019-07-05 | 2019-10-01 | 福州大学 | 基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法 |
| WO2021195895A1 (zh) * | 2020-03-30 | 2021-10-07 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置、设备及存储介质 |
| CN114120176A (zh) * | 2021-11-11 | 2022-03-01 | 广州市高科通信技术股份有限公司 | 远红外与可见光视频图像融合的行为分析方法 |
-
2017
- 2017-09-07 CN CN201710799441.6A patent/CN109472762A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298807A (zh) * | 2019-07-05 | 2019-10-01 | 福州大学 | 基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法 |
| WO2021195895A1 (zh) * | 2020-03-30 | 2021-10-07 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置、设备及存储介质 |
| CN114120176A (zh) * | 2021-11-11 | 2022-03-01 | 广州市高科通信技术股份有限公司 | 远红外与可见光视频图像融合的行为分析方法 |
| CN114120176B (zh) * | 2021-11-11 | 2023-10-27 | 广州市高科通信技术股份有限公司 | 远红外与可见光视频图像融合的行为分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112184604B (zh) | 一种基于图像融合的彩色图像增强方法 | |
| 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 | |
| CN105139367A (zh) | 一种基于非下采样剪切波的可见光偏振图像融合方法 | |
| CN106846289A (zh) | 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 | |
| CN109801250A (zh) | 基于adc-scm与低秩矩阵表达的红外与可见光图像融合方法 | |
| CN113837974B (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
| 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 | |
| CN109472762A (zh) | 基于nsct和非线性增强的红外双波段图像融合算法 | |
| CN111507913B (zh) | 一种基于纹理特征的图像融合算法 | |
| CN109670522A (zh) | 一种基于多方向性拉普拉斯金字塔的可见光图像与红外图像融合方法 | |
| Soni et al. | A survey on underwater images enhancement techniques | |
| CN111462028A (zh) | 基于相位一致性和目标增强的红外和可见光图像融合方法 | |
| CN104036455A (zh) | 基于二代小波的红外图像细节增强方法 | |
| Lin et al. | Adaptive infrared and visible image fusion method by using rolling guidance filter and saliency detection | |
| Patel et al. | A review on infrared and visible image fusion techniques | |
| CN112215787A (zh) | 基于显著度分析及自适应滤波器的红外和可见光图像融合方法 | |
| CN111311503A (zh) | 一种夜晚低亮度图像增强系统 | |
| Yang et al. | Infrared and visible image fusion based on QNSCT and Guided Filter | |
| Gao et al. | Infrared and visible image fusion using dual-tree complex wavelet transform and convolutional sparse representation | |
| CN117422631A (zh) | 基于自适应滤波分层的红外图像增强方法 | |
| Zou et al. | Image haze removal algorithm using a logarithmic guide filtering and multi-channel prior | |
| CN115578304B (zh) | 一种结合显著性区域检测的多波段图像融合方法和系统 | |
| Zeng et al. | Review of image fusion algorithms for unconstrained outdoor scenes | |
| Panguluri et al. | Efficient DWT based fusion algorithm for improving contrast and edge preservation | |
| Gaber et al. | Performance evaluation of infrared image enhancement techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190315 |