CN110021002A - 一种图像融合方法及装置 - Google Patents
一种图像融合方法及装置 Download PDFInfo
- Publication number
- CN110021002A CN110021002A CN201810022314.XA CN201810022314A CN110021002A CN 110021002 A CN110021002 A CN 110021002A CN 201810022314 A CN201810022314 A CN 201810022314A CN 110021002 A CN110021002 A CN 110021002A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- residual image
- visible light
- modular function
- 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 129
- 230000008569 process Effects 0.000 claims abstract description 87
- 230000004927 fusion Effects 0.000 claims abstract description 86
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 40
- 238000002156 mixing Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 37
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 abstract description 6
- 230000009466 transformation Effects 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000014616 translation Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 101150000003 subB gene Proteins 0.000 description 1
- 238000012360 testing method 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
- G06T2207/10004—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
- G06T2207/20212—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
本发明提出一种图像融合方法及装置。上述图像融合方法包括：分别对预设的可见光图像和红外图像进行结合了W系统的经验模态分解处理，得到可见光内蕴模函数图像、可见光残差图像、红外内蕴模函数图像以及红外残差图像；将所述可见光内蕴模函数图像与所述红外内蕴模函数图像进行融合处理得到融合内蕴模函数图像，以及将所述可见光残差图像与所述红外残差图像进行融合处理得到融合残差图像；对所述融合残差图像进行插值膨胀处理，并将处理后的融合残差图像与所述融合内蕴模函数图像进行融合处理，得到融合图像。采用上述技术方案可以实现可见光图像与红外图像的融合，并且融合效果更佳。
Description
技术领域
本发明涉及数字图像处理技术领域，尤其涉及一种图像融合方法及装置。
背景技术
红外传感器通过获得目标的红外辐射来记录信息，依靠探测目标与背景间的热辐射差异来识别目标。普通红外传感器对场景的亮度变化不敏感，且成像结果边缘模糊，对温度区间界限的表达不明显。高分辨率的红外传感器探测精度更高，能够更精确的识别目标，但是造价昂贵，应用成本太高。
可见光传感器对场景亮度变化敏感，获取的图像具有较高的清晰度，能提供目标所在场景的细节信息，并且造价便宜，可以大规模应用。因此，如果能够将红外图像与可见光图像进行融合，综合红外图像较好的目标特征和可见光图像清晰的场景信息，则可以在控制成本的前提下得到用户满意的图像。
常用的将红外图像与可见光图像进行融合的处理方法是对红外图像和可见光图像进行经验模态分解后，再采用金字塔算法对残差图像进行一次金字塔形分解。该方法提取出的差异图像并不能很好地捕获残差图像中的奇异点，导致最终的融合结果效果不佳。
发明内容
基于上述现有技术的缺陷和不足，本发明提出一种图像融合方法及装置，能够对可见光图像和红外图像进行融合处理，并且使融合效果更好。
为了达到上述目的，本发明提出如下技术方案：
一种图像融合方法，包括：
分别对预设的可见光图像和红外图像进行结合了W系统的经验模态分解处理，得到可见光内蕴模函数图像、可见光残差图像、红外内蕴模函数图像以及红外残差图像；
将所述可见光内蕴模函数图像与所述红外内蕴模函数图像进行融合处理得到融合内蕴模函数图像，以及将所述可见光残差图像与所述红外残差图像进行融合处理得到融合残差图像；
对所述融合残差图像进行插值膨胀处理，并将处理后的融合残差图像与所述融合内蕴模函数图像进行融合处理，得到融合图像。
优选地，所述分别对预设的可见光图像和红外图像进行结合了W系统的经验模态分解处理，得到可见光内蕴模函数图像、可见光残差图像、红外内蕴模函数图像以及红外残差图像，包括：
对预设的可见光图像进行经验模态分解处理，得到第一内蕴模函数图像和第一残差图像，以及对预设的红外图像进行经验模态分解处理，得到第二内蕴模函数图像和第二残差图像；
对所述第一残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到可见光残差图像，以及对所述第二残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到红外残差图像；
对所述可见光残差图像进行插值膨胀处理得到第三残差图像，以及对所述红外残差图像进行插值膨胀处理得到第四残差图像；
计算得到所述第三残差图像与所述第一残差图像的差值，以及计算得到所述第四残差图像与所述第二残差图像的差值；
对所述第三残差图像与所述第一残差图像的差值，与所述第一内蕴模函数图像进行求和处理，得到可见光内蕴模函数图像，以及对所述第四残差图像与所述第二残差图像的差值，与所述第二内蕴模函数图像进行求和处理，得到红外内蕴模函数图像。
优选地，所述将所述可见光内蕴模函数图像与所述红外内蕴模函数图像进行融合处理得到融合内蕴模函数图像，以及将所述可见光残差图像与所述红外残差图像进行融合处理得到融合残差图像，包括：
分别计算得到所述可见光残差图像和所述红外残差图像的局部可见度，以及分别计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值；
根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值，得到融合残差图像；以及根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值，得到融合内蕴模函数图像。
优选地，所述根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值，包括：
分别对所述可见光残差图像和所述红外残差图像的局部可见度进行归一化处理；
根据归一化处理后的所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述可见光残差图像和所述红外残差图像的匹配度；
对于所述可见光残差图像和所述红外残差图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的匹配度是否大于设定的第一阈值；
如果所述对应像素点的匹配度大于设定的第一阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
如果所述对应像素点的匹配度不大于设定的第一阈值，则按照预设的计算方法，根据所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述对应像素点的灰度值。
优选地，所述根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值，包括：
根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量匹配度；
对于所述可见光内蕴模函数图像和所述红外内蕴模函数图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的区域能量匹配度是否大于设定的第二阈值；
如果所述对应像素点的区域能量匹配度大于设定的第二阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
如果所述对应像素点的区域能量匹配度不大于设定的第二阈值，则按照预设的计算方法，根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值计算得到所述对应像素点的灰度值。
一种图像融合装置，包括：
图像分解单元，用于分别对预设的可见光图像和红外图像进行结合了W系统的经验模态分解处理，得到可见光内蕴模函数图像、可见光残差图像、红外内蕴模函数图像以及红外残差图像；
第一融合单元，用于将所述可见光内蕴模函数图像与所述红外内蕴模函数图像进行融合处理得到融合内蕴模函数图像，以及将所述可见光残差图像与所述红外残差图像进行融合处理得到融合残差图像；
第二融合单元，用于对所述融合残差图像进行插值膨胀处理，并将处理后的融合残差图像与所述融合内蕴模函数图像进行融合处理，得到融合图像。
优选地，所述图像分解单元，包括：
分解单元，用于对预设的可见光图像进行经验模态分解处理，得到第一内蕴模函数图像和第一残差图像，以及对预设的红外图像进行经验模态分解处理，得到第二内蕴模函数图像和第二残差图像；
变换单元，用于对所述第一残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到可见光残差图像，以及对所述第二残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到红外残差图像；
插值处理单元，用于对所述可见光残差图像进行插值膨胀处理得到第三残差图像，以及对所述红外残差图像进行插值膨胀处理得到第四残差图像；
差值计算单元，用于计算得到所述第三残差图像与所述第一残差图像的差值，以及计算得到所述第四残差图像与所述第二残差图像的差值；
求和处理单元，用于对所述第三残差图像与所述第一残差图像的差值，与所述第一内蕴模函数图像进行求和处理，得到可见光内蕴模函数图像，以及对所述第四残差图像与所述第二残差图像的差值，与所述第二内蕴模函数图像进行求和处理，得到红外内蕴模函数图像。
优选地，所述第一融合单元，包括：
计算单元，用于分别计算得到所述可见光残差图像和所述红外残差图像的局部可见度，以及分别计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值；
融合处理单元，用于根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值，得到融合残差图像；以及根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值，得到融合内蕴模函数图像。
优选地，所述融合处理单元根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值时，具体用于：
分别对所述可见光残差图像和所述红外残差图像的局部可见度进行归一化处理；
根据归一化处理后的所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述可见光残差图像和所述红外残差图像的匹配度；
对于所述可见光残差图像和所述红外残差图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的匹配度是否大于设定的第一阈值；
如果所述对应像素点的匹配度大于设定的第一阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
如果所述对应像素点的匹配度不大于设定的第一阈值，则按照预设的计算方法，根据所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述对应像素点的灰度值。
优选地，所述融合处理单元根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值时，具体用于：
根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量匹配度；
对于所述可见光内蕴模函数图像和所述红外内蕴模函数图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的区域能量匹配度是否大于设定的第二阈值；
如果所述对应像素点的区域能量匹配度大于设定的第二阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
如果所述对应像素点的区域能量匹配度不大于设定的第二阈值，则按照预设的计算方法，根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值计算得到所述对应像素点的灰度值。
采用本发明技术方案对可见光图像和红外图像进行融合处理时，当对可见光图像和红外图像进行分解时，采用结合了W系统的经验模态分解方法进行分解。由于W系统本身能够更好的捕获残差图像中的奇异点，因此采用本发明技术方案，借助结合了W系统的经验模态分解方法对可见光图像和红外图像进行分解，然后基于分解结果对图像进行融合处理，可以使得最终得到的融合图像可以更有效的结合可见光图像与红外图像的重要信息，从而使融合效果更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明实施例提供的一种图像融合方法的流程示意图；
图2是本发明实施例提供的另一种图像融合方法的流程示意图；
图3是本发明实施例提供的对图像进行分解和变换处理的处理过程示意图；
图4是本发明实施例提供的对残差图像进行插值处理的处理过程示意图；
图5是本发明实施例提供的对残差图像和内蕴模函数图像进行融合处理的处理过程示意图；
图6是本发明实施例提供的一种图像融合装置的结构示意图；
图7是本发明实施例提供的另一种图像融合装置的结构示意图；
图8是本发明实施例提供的又一种图像融合装置的结构示意图。
具体实施方式
本发明实施例技术方案适用于将可见光图像与红外图像进行融合处理的应用场景。采用本发明实施例技术方案，能够将可见光图像与红外图像进行融合，并且可以捕获残差图像中的奇异点，使融合效果更佳。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种图像融合方法，参见图1所示，该方法包括：
S101、分别对预设的可见光图像和红外图像进行结合了W系统的经验模态分解处理，得到可见光内蕴模函数图像、可见光残差图像、红外内蕴模函数图像以及红外残差图像；
具体的，上述预设的可见光图像以及上述预设的红外图像，是指需要进行融合处理的，已经经过配准处理的可见光图像和红外图像。
W系统是由Haar正交函数系和k次Legendre多项式通过平移、压缩和嵌入的方式构造的一类以k次多项式和k次分段多项式为基函数的新的混合正交函数系统，是一种有效的多分辨分析工具。
与W系统对应的W变换能实现图像由粗到细的精确表达，有较强的刻画图像局部变化特征的能力，且能够精确重构，是图像表达的有效工具。W变换用于图像处理是直接将图像在W系下进行分解，不需要先验地知道图像本身的几何特性，是一种自适应的图像表示方法。由于W系统中不仅含有连续函数，而且含有各个层次间断的非连续函数，所以W变换在灰度值变化较大的地方有表达优势，能够有效地捕获奇异点，克服小波变换在表达图像时出现的伪吉普斯现象，是处理非平稳信号的有力工具。
本发明实施例将经验模态分解与W系统相结合，采用实验设定的尺度，对上述预设的可见光图像和红外图像进行结合了W系统的经验模态分解处理，得到可见光内蕴模函数图像、可见光残差图像、红外内蕴模函数图像以及红外残差图像。其中，由于利用了W系统，得到的可见光残差图像和红外残差图像中，有效地捕获了奇异点信息。
S102、将所述可见光内蕴模函数图像与所述红外内蕴模函数图像进行融合处理得到融合内蕴模函数图像，以及将所述可见光残差图像与所述红外残差图像进行融合处理得到融合残差图像；
具体的，对于可见光内蕴模函数图像和红外内蕴模函数图像的相对应的像素点分别进行融合，得到融合内蕴模函数图像；对可见光残差图像和红外残差图像的相对应的像素点进行融合，得到融合残差图像。
S103、对所述融合残差图像进行插值膨胀处理，并将处理后的融合残差图像与所述融合内蕴模函数图像进行融合处理，得到融合图像。
具体的，本发明实施例在对可见光图像和红外图像进行结合了W系统的经验模态分解的过程中，残差图像经历了W变换与低一级尺度的W逆变换，其大小变为原大小的四分之一，因此本发明实施例对融合残差图像进行差值膨胀处理，处理为原大小。将处理为原大小的融合残差图像与融合内蕴模函数图像进行对应求和处理，即可得到最终的融合图像。
通过上述介绍可见，在本发明实施例提出的图像融合方法中，在对可见光图像和红外图像进行经验模态分解时，引入W系统，能够更好的捕获残差图像中的奇异点，使得最终得到的融合图像可以更有效的结合可见光图像与红外图像的重要信息，充分利用的可见光传感器与红外传感器成像特性之间的互补性，使融合效果更好。
图2示出了图1所示的本发明实施例提出的图像融合方法的具体处理过程。参见图2所示，本发明实施例提出的图像融合方法具体包括：
S201、对预设的可见光图像进行经验模态分解处理，得到第一内蕴模函数图像和第一残差图像，以及对预设的红外图像进行经验模态分解处理，得到第二内蕴模函数图像和第二残差图像；
具体的，上述预设的可见光图像以及上述预设的红外图像，是指需要进行融合处理的，已经经过配准处理的可见光图像和红外图像。具体可以是利用可见光成像设备和红外成像设备对同一场景进行拍摄得到的，大小相同并且经过配准处理的可见光图像和红外图像。上述配准处理，可以是采用任意的配准方法实现的配准处理。
经验模态分解是一种非线性非稳态的数据分析工具和数据驱动的表示方法，它不同于需要预先指定基函数的傅里叶变换、小波变换等，而是根据输入信号自身的特性对信号进行多尺度表示。对图像进行经验模态分解可以分别得到一幅代表高频细节信息的内蕴模函数图像和一幅代表低频轮廓信息的残差图像，其中内蕴模函数图像的本质是包含图像高频细节信息的图像。
参照图3所示，本发明实施例采用实验设定的尺度，对上述预设的可见光图像和红外图像进行经验模态分解处理，得到可见光图像的第一内蕴模函数图像和第一残差图像，以及得到红外图像的第二内蕴模函数图像和第二残差图像。
S202、对所述第一残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到可见光残差图像，以及对所述第二残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到红外残差图像；
具体的，W系统是由Haar正交函数系和k次Legendre多项式通过平移、压缩和嵌入的方式构造的一类以k次多项式和k次分段多项式为基函数的新的混合正交函数系统，是一种有效的多分辨分析工具。
与W系统对应的W变换能实现图像由粗到细的精确表达，有较强的刻画图像局部变化特征的能力，且能够精确重构，是图像表达的有效工具。W变换用于图像处理是直接将图像在W系下进行分解，不需要先验地知道图像本身的几何特性，是一种自适应的图像表示方法。由于W系统中不仅含有连续函数，而且含有各个层次间断的非连续函数，所以W变换在灰度值变化较大的地方有表达优势，能够有效地捕获奇异点，克服小波变换在表达图像时出现的伪吉普斯现象，是处理非平稳信号的有力工具。
参照图3所示，本发明实施例分别对可见光图像和红外图像通过经验模态分解得到的残差图像进行一次W变换处理，具体为采用与残差图像大小相同的W矩阵对残差图像进行W变换处理。然后分别对W变换处理结果的低频四分之一部分矩阵进行低一级尺度的W逆变换处理，得到可见光残差图像(即可见光图像的残差图像)和红外残差图像(即红外图像的残差图像)。
对图像进行W变换所得的结果是一个二维矩阵，该二维矩阵的左上角四分之一大小的矩阵代表图像的低频部分。由于上述二维矩阵的左上角低频四分之一大小的部分矩阵小于原二维矩阵大小，因此本发明实施例分别对可见光图像和红外图像的残差图像W变换结果的低频四分之一部分矩阵进行低一级尺度的W逆变换处理，此时逆变换处理结果为原残差图像的四分之一大小，并且包含了残差图像的低频轮廓部分，以此作为新的残差图像，即可见光残差图像和红外残差图像。
S203、对所述可见光残差图像进行插值膨胀处理得到第三残差图像，以及对所述红外残差图像进行插值膨胀处理得到第四残差图像；
具体的，参见图4所示，本发明实施例对可见光残差图像和红外残差图像分别进行插值膨胀处理，将可见光残差图像和红外残差图像分别处理成原残差图像大小，即分别得到第三残差图像和第四残差图像。
S204、计算得到所述第三残差图像与所述第一残差图像的差值，以及计算得到所述第四残差图像与所述第二残差图像的差值；
具体的，参见图4所示，将第三残差图像与第一残差图像做差，所得结果为原图像大小，同样，将第四残差图像与第二残差图像做差，所得结果为原图像大小。
S205、对所述第三残差图像与所述第一残差图像的差值，与所述第一内蕴模函数图像进行求和处理，得到可见光内蕴模函数图像，以及对所述第四残差图像与所述第二残差图像的差值，与所述第二内蕴模函数图像进行求和处理，得到红外内蕴模函数图像；
具体的，参见图3所示，对可见光图像的第三残差图像与第一残差图像的差值，与可见光图像的第一内蕴模函数图像进行求和处理，得到新的内蕴模函数图像，即可见光内蕴模函数图像。对红外图像的第四残差图像与第二残差图像的差值，与红外图像的第二内蕴模函数图像进行求和处理，得到新的内蕴模函数图像，即红外内蕴模函数图像。
S206、分别计算得到所述可见光残差图像和所述红外残差图像的局部可见度，以及分别计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值；
具体的，上述可见光残差图像和红外残差图像的局部可见度，具体为可见光残差图像和红外残差图像的每个像素点的局部可见度。以可见光残差图像或红外残差图像中的任一像素点P为例，首先取以点P为中心、阶数为3的方阵作为灰度子矩阵S；计算灰度子矩阵S的均值aver＝sum(sum(S))/(3*3)；计算离差绝对值的和的均值dis＝sum(sum(abs(S-aver)))/(3*3)；若均值aver等于0，则图像在该像素点P处的局部可见度为该点像素值；否则，图像在该像素点P处的局部可见度为dis/(aver)^(1+a)。其中a＝0.65。
上述可见光内蕴模函数图像和红外内蕴模函数图像的区域能量值，具体为可见光内蕴模函数图像和红外内蕴模函数图像的每个像素点的区域能量值。以可见光内蕴模函数图像或红外内蕴模函数图像中任一像素点P为例，首先取以点P为中心、阶数为3的方阵作为灰度子矩阵S；计算矩阵S各点的权值分布，距离点p越近，权值就越大，权值是通过行和列的高斯分布加权求和得到的；所得权值矩阵与灰度子矩阵S对应位置相乘再取平方和，即得P点对应的区域能量值。
S207、根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值，得到融合残差图像；以及根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值，得到融合内蕴模函数图像；
具体的，上述根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值的具体处理过程为：
分别对所述可见光残差图像和所述红外残差图像的局部可见度进行归一化处理；
具体的，设上述归一化处理是针对可见光残差图像和红外残差图像对应像素点的局部可见度进行的归一化处理。设两幅图像对应像素点的局部可见度分别为LVI_A和LVI_B。
则对上述对应像素点的局部可见度进行归一化处理的结果为
lA＝abs(LVI_A)/(abs(LVI_A)+abs(LVI_B))
lB＝abs(LVI_B)/(abs(LVI_A)+abs(LVI_B))
根据归一化处理后的所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述可见光残差图像和所述红外残差图像的匹配度；
具体的，上述匹配度，是指可见光残差图像和红外残差图像的对应像素点的归一化后的局部可见度的差的绝对值。
例如，假设可见光残差图像和红外残差图像的对应像素点的归一化后的局部可见度分别为lA和lB，则其匹配度为MAB＝abs(lA-lB)。
按照上述处理方法，对于可见光残差图像和红外残差图像的各个对应像素点，都可以计算出其匹配度。然后依旧两幅图像的各个对应像素点的匹配度，确定各个对应像素点的灰度值。
具体的，对于所述可见光残差图像和所述红外残差图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的匹配度是否大于设定的第一阈值；
如果所述对应像素点的匹配度大于设定的第一阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
具体的，设可见光残差图像和红外残差图像的对应像素点的灰度值分别为A(i,j)和B(i,j)，对应像素点的局部可见度分别为LVI_A和LVI_B。上述的绝对值取大规则是根据计算所得局部可见度，若LVI_A大于等于LVI_B，则融合后残差图像对应像素点的灰度值为Y(i,j)＝A(i,j)；否则Y(i,j)＝B(i,j)。
如果所述对应像素点的匹配度不大于设定的第一阈值，则按照预设的计算方法，根据所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述对应像素点的灰度值。
具体的，如果上述对应像素点的匹配度不大于设定的第一阈值，则将上述可见光残差图像和红外残差图像的归一化后的局部可见度作为权重，采取加权平均的方法计算融合后的残差图像上述对应像素点处的灰度值。
按照上述方法可以分别确定将可见光残差图像和红外残差图像进行融合后得到的图像的残差图像的各个对应像素点的灰度值，也就是确定了融合残差图像。
上述根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值的具体处理过程为：
根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量匹配度；
具体的，上述可见光内蕴模函数图像和红外内蕴模函数图像的区域能量匹配度，是指可见光内蕴模函数图像和红外内蕴模函数图像的对应像素点的区域能量匹配度。上述对应像素点的区域能量匹配度的计算过程为：设两幅图像在对应像素点P的区域能量分别为Ea和Eb，设点P为中心、阶数为3的灰度子矩阵S的权值分布矩阵为w；若Ea，Eb均为0，则两个图像在P点处对应位置的区域能量匹配度为0，否则，将S的权值分布矩阵w、图a以点P为中心阶数为3的灰度子矩阵subA、图b以点P为中心阶数为3的灰度子矩阵subB三个矩阵对应位置相乘并求和，再除以Ea和Eb的均值，即得两幅图像在P点对应位置的区域能量匹配度。
通过上述方法确定可见光内蕴模函数图像和红外内蕴模函数图像的各个对应像素点的区域能量匹配度后，依旧两幅图像的各个对应像素点的区域能量匹配度，确定各个对应像素点的灰度值。
具体的，对于所述可见光内蕴模函数图像和所述红外内蕴模函数图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的区域能量匹配度是否大于设定的第二阈值；
如果所述对应像素点的区域能量匹配度大于设定的第二阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
具体的，设可见光内蕴模函数图像和红外内蕴模函数图像的对应像素点的灰度值分别为M(i,j)和N(i,j)，对应像素点的区域能量分别为Ea和Eb。上述的绝对值取大规则是根据计算所得区域能量值，若Ea大于等于Eb，则融合后残差图像对应像素点的灰度值为Y(i,j)＝M(i,j)；否则Y(i,j)＝N(i,j)。
如果所述对应像素点的区域能量匹配度不大于设定的第二阈值，则按照预设的计算方法，根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值计算得到所述对应像素点的灰度值。
具体的，如果上述对应像素点的区域能量匹配度不大于设定的第二阈值，则将上述可见光内蕴模函数图像和红外内蕴模函数图像的区域能量值作为权重，采取加权平均的方法计算融合后的内蕴模函数图像的上述对应像素点处的灰度值。
按照上述方法可以分别确定将可见光内蕴模函数图像和红外内蕴模函数图像进行融合后得到的图像的内蕴模函数图像的各个对应像素点的灰度值，也就是确定了融合内蕴模函数图像。
S208、对所述融合残差图像进行插值膨胀处理，并将处理后的融合残差图像与所述融合内蕴模函数图像进行融合处理，得到融合图像。
具体的，由于在对可见光图像和红外图像进行结合了W系统的经验模态分解的过程中，残差图像经历了W变换与低一级尺度的W逆变换，其大小变为原大小的四分之一，因此本发明实施例对融合残差图像进行差值膨胀处理，处理为原大小。然后参见图5所示，将处理为原大小的融合残差图像与融合内蕴模函数图像进行对应求和处理，即可得到最终的融合图像。
通过上述介绍可见，在本发明实施例提出的图像融合方法中，在对可见光图像和红外图像进行经验模态分解时，引入W系统，能够更好的捕获残差图像中的奇异点，使得最终得到的融合图像可以更有效的结合可见光图像与红外图像的重要信息，充分利用的可见光传感器与红外传感器成像特性之间的互补性，使融合效果更好。
本发明实施例还公开了一种图像融合装置，参见图6所示，该装置包括：
图像分解单元100，用于分别对预设的可见光图像和红外图像进行结合了W系统的经验模态分解处理，得到可见光内蕴模函数图像、可见光残差图像、红外内蕴模函数图像以及红外残差图像；
第一融合单元110，用于将所述可见光内蕴模函数图像与所述红外内蕴模函数图像进行融合处理得到融合内蕴模函数图像，以及将所述可见光残差图像与所述红外残差图像进行融合处理得到融合残差图像；
第二融合单元120，用于对所述融合残差图像进行插值膨胀处理，并将处理后的融合残差图像与所述融合内蕴模函数图像进行融合处理，得到融合图像。
具体的，本实施例中的各个单元的具体工作内容，请参见上述方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，参见图7所示，图像分解单元100，包括：
分解单元1001，用于对预设的可见光图像进行经验模态分解处理，得到第一内蕴模函数图像和第一残差图像，以及对预设的红外图像进行经验模态分解处理，得到第二内蕴模函数图像和第二残差图像；
变换单元1002，用于对所述第一残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到可见光残差图像，以及对所述第二残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到红外残差图像；
插值处理单元1003，用于对所述可见光残差图像进行插值膨胀处理得到第三残差图像，以及对所述红外残差图像进行插值膨胀处理得到第四残差图像；
差值计算单元1004，用于计算得到所述第三残差图像与所述第一残差图像的差值，以及计算得到所述第四残差图像与所述第二残差图像的差值；
求和处理单元1005，用于对所述第三残差图像与所述第一残差图像的差值，与所述第一内蕴模函数图像进行求和处理，得到可见光图像内蕴模函数图像，以及对所述第四残差图像与所述第二残差图像的差值，与所述第二内蕴模函数图像进行求和处理，得到红外图像内蕴模函数图像。
具体的，本实施例中的各个单元的具体工作内容，请参见上述方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，参见图8所示，第一融合单元110，包括：
计算单元1101，用于分别计算得到所述可见光残差图像和所述红外残差图像的局部可见度，以及分别计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值；
融合处理单元1102，用于根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值，得到融合残差图像；以及根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值，得到融合内蕴模函数图像。
具体的，本实施例中的各个单元的具体工作内容，请参见上述方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，融合处理单元1102根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值时，具体用于：
分别对所述可见光残差图像和所述红外残差图像的局部可见度进行归一化处理；
根据归一化处理后的所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述可见光残差图像和所述红外残差图像的匹配度；
对于所述可见光残差图像和所述红外残差图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的匹配度是否大于设定的第一阈值；
如果所述对应像素点的匹配度大于设定的第一阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
如果所述对应像素点的匹配度不大于设定的第一阈值，则按照预设的计算方法，根据所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述对应像素点的灰度值。
具体的，本实施例中的融合处理单元1102的具体工作内容，请参见上述方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，融合处理单元1102根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值时，具体用于：
根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量匹配度；
对于所述可见光内蕴模函数图像和所述红外内蕴模函数图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的区域能量匹配度是否大于设定的第二阈值；
如果所述对应像素点的区域能量匹配度大于设定的第二阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
如果所述对应像素点的区域能量匹配度不大于设定的第二阈值，则按照预设的计算方法，根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值计算得到所述对应像素点的灰度值。
具体的，本实施例中的融合处理单元1102的具体工作内容，请参见上述方法实施例的内容，此处不再赘述。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像融合方法，其特征在于，包括：
分别对预设的可见光图像和红外图像进行结合了W系统的经验模态分解处理，得到可见光内蕴模函数图像、可见光残差图像、红外内蕴模函数图像以及红外残差图像；
将所述可见光内蕴模函数图像与所述红外内蕴模函数图像进行融合处理得到融合内蕴模函数图像，以及将所述可见光残差图像与所述红外残差图像进行融合处理得到融合残差图像；
对所述融合残差图像进行插值膨胀处理，并将处理后的融合残差图像与所述融合内蕴模函数图像进行融合处理，得到融合图像。
2.根据权利要求1所述的方法，其特征在于，所述分别对预设的可见光图像和红外图像进行结合了W系统的经验模态分解处理，得到可见光内蕴模函数图像、可见光残差图像、红外内蕴模函数图像以及红外残差图像，包括：
对预设的可见光图像进行经验模态分解处理，得到第一内蕴模函数图像和第一残差图像，以及对预设的红外图像进行经验模态分解处理，得到第二内蕴模函数图像和第二残差图像；
对所述第一残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到可见光残差图像，以及对所述第二残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到红外残差图像；
对所述可见光残差图像进行插值膨胀处理得到第三残差图像，以及对所述红外残差图像进行插值膨胀处理得到第四残差图像；
计算得到所述第三残差图像与所述第一残差图像的差值，以及计算得到所述第四残差图像与所述第二残差图像的差值；
对所述第三残差图像与所述第一残差图像的差值，与所述第一内蕴模函数图像进行求和处理，得到可见光内蕴模函数图像，以及对所述第四残差图像与所述第二残差图像的差值，与所述第二内蕴模函数图像进行求和处理，得到红外内蕴模函数图像。
3.根据权利要求2所述的方法，其特征在于，所述将所述可见光内蕴模函数图像与所述红外内蕴模函数图像进行融合处理得到融合内蕴模函数图像，以及将所述可见光残差图像与所述红外残差图像进行融合处理得到融合残差图像，包括：
分别计算得到所述可见光残差图像和所述红外残差图像的局部可见度，以及分别计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值；
根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值，得到融合残差图像；以及根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值，得到融合内蕴模函数图像。
4.根据权利要求3所述的方法，其特征在于，所述根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值，包括：
分别对所述可见光残差图像和所述红外残差图像的局部可见度进行归一化处理；
根据归一化处理后的所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述可见光残差图像和所述红外残差图像的匹配度；
对于所述可见光残差图像和所述红外残差图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的匹配度是否大于设定的第一阈值；
如果所述对应像素点的匹配度大于设定的第一阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
如果所述对应像素点的匹配度不大于设定的第一阈值，则按照预设的计算方法，根据所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述对应像素点的灰度值。
5.根据权利要求3所述的方法，其特征在于，所述根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值，包括：
根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量匹配度；
对于所述可见光内蕴模函数图像和所述红外内蕴模函数图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的区域能量匹配度是否大于设定的第二阈值；
如果所述对应像素点的区域能量匹配度大于设定的第二阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
如果所述对应像素点的区域能量匹配度不大于设定的第二阈值，则按照预设的计算方法，根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值计算得到所述对应像素点的灰度值。
6.一种图像融合装置，其特征在于，包括：
图像分解单元，用于分别对预设的可见光图像和红外图像进行结合了W系统的经验模态分解处理，得到可见光内蕴模函数图像、可见光残差图像、红外内蕴模函数图像以及红外残差图像；
第一融合单元，用于将所述可见光内蕴模函数图像与所述红外内蕴模函数图像进行融合处理得到融合内蕴模函数图像，以及将所述可见光残差图像与所述红外残差图像进行融合处理得到融合残差图像；
第二融合单元，用于对所述融合残差图像进行插值膨胀处理，并将处理后的融合残差图像与所述融合内蕴模函数图像进行融合处理，得到融合图像。
7.根据权利要求6所述的装置，其特征在于，所述图像分解单元，包括：
分解单元，用于对预设的可见光图像进行经验模态分解处理，得到第一内蕴模函数图像和第一残差图像，以及对预设的红外图像进行经验模态分解处理，得到第二内蕴模函数图像和第二残差图像；
变换单元，用于对所述第一残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到可见光残差图像，以及对所述第二残差图像进行W变换处理，并对处理结果的低频四分之一部分进行低一级尺度的W逆变换处理，得到红外残差图像；
插值处理单元，用于对所述可见光残差图像进行插值膨胀处理得到第三残差图像，以及对所述红外残差图像进行插值膨胀处理得到第四残差图像；
差值计算单元，用于计算得到所述第三残差图像与所述第一残差图像的差值，以及计算得到所述第四残差图像与所述第二残差图像的差值；
求和处理单元，用于对所述第三残差图像与所述第一残差图像的差值，与所述第一内蕴模函数图像进行求和处理，得到可见光内蕴模函数图像，以及对所述第四残差图像与所述第二残差图像的差值，与所述第二内蕴模函数图像进行求和处理，得到红外内蕴模函数图像。
8.根据权利要求7所述的装置，其特征在于，所述第一融合单元，包括：
计算单元，用于分别计算得到所述可见光残差图像和所述红外残差图像的局部可见度，以及分别计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值；
融合处理单元，用于根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值，得到融合残差图像；以及根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值，得到融合内蕴模函数图像。
9.根据权利要求8所述的装置，其特征在于，所述融合处理单元根据所述可见光残差图像和所述红外残差图像的局部可见度，确定所述可见光残差图像和所述红外残差图像的对应像素点的灰度值时，具体用于：
分别对所述可见光残差图像和所述红外残差图像的局部可见度进行归一化处理；
根据归一化处理后的所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述可见光残差图像和所述红外残差图像的匹配度；
对于所述可见光残差图像和所述红外残差图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的匹配度是否大于设定的第一阈值；
如果所述对应像素点的匹配度大于设定的第一阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
如果所述对应像素点的匹配度不大于设定的第一阈值，则按照预设的计算方法，根据所述可见光残差图像和所述红外残差图像的局部可见度计算得到所述对应像素点的灰度值。
10.根据权利要求8所述的装置，其特征在于，所述融合处理单元根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，确定所述可见光内蕴模函数图像和所述红外内蕴模函数图像的对应像素点的灰度值时，具体用于：
根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值，计算得到所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量匹配度；
对于所述可见光内蕴模函数图像和所述红外内蕴模函数图像的每一对应像素点，分别执行以下操作：
判断所述对应像素点的区域能量匹配度是否大于设定的第二阈值；
如果所述对应像素点的区域能量匹配度大于设定的第二阈值，则通过绝对值取大规则确定所述对应像素点的灰度值；
如果所述对应像素点的区域能量匹配度不大于设定的第二阈值，则按照预设的计算方法，根据所述可见光内蕴模函数图像和所述红外内蕴模函数图像的区域能量值计算得到所述对应像素点的灰度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810022314.XA CN110021002A (zh) | 2018-01-10 | 2018-01-10 | 一种图像融合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810022314.XA CN110021002A (zh) | 2018-01-10 | 2018-01-10 | 一种图像融合方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110021002A true CN110021002A (zh) | 2019-07-16 |
Family
ID=67188014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810022314.XA Pending CN110021002A (zh) | 2018-01-10 | 2018-01-10 | 一种图像融合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110021002A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102217A (zh) * | 2020-09-21 | 2020-12-18 | 四川轻化工大学 | 一种可见光图像与红外图像快速融合方法及系统 |
| CN113077447A (zh) * | 2021-04-02 | 2021-07-06 | 保定市毅格通信自动化有限公司 | 一种可探测高压设备微弱放电并进行缺陷分析的方法 |
| CN113269704A (zh) * | 2021-06-29 | 2021-08-17 | 南昌航空大学 | 一种红外与可见光图像融合方法 |
| CN114648564A (zh) * | 2022-05-23 | 2022-06-21 | 四川大学 | 用于非稳态目标的可见光和红外图像优化配准方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129676A (zh) * | 2010-01-19 | 2011-07-20 | 中国科学院空间科学与应用研究中心 | 一种基于二维经验模态分解的显微图像融合方法 |
| CN102622730A (zh) * | 2012-03-09 | 2012-08-01 | 武汉理工大学 | 基于非降采样Laplacian金字塔和BEMD的遥感图像融合处理方法 |
| CN104021536A (zh) * | 2014-06-16 | 2014-09-03 | 西北工业大学 | 一种自适应的sar图像和多光谱图像融合方法 |
| CN104156930A (zh) * | 2014-01-24 | 2014-11-19 | 深圳信息职业技术学院 | 基于双尺度空间的图像融合方法和装置 |
-
2018
- 2018-01-10 CN CN201810022314.XA patent/CN110021002A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129676A (zh) * | 2010-01-19 | 2011-07-20 | 中国科学院空间科学与应用研究中心 | 一种基于二维经验模态分解的显微图像融合方法 |
| CN102622730A (zh) * | 2012-03-09 | 2012-08-01 | 武汉理工大学 | 基于非降采样Laplacian金字塔和BEMD的遥感图像融合处理方法 |
| CN104156930A (zh) * | 2014-01-24 | 2014-11-19 | 深圳信息职业技术学院 | 基于双尺度空间的图像融合方法和装置 |
| CN104021536A (zh) * | 2014-06-16 | 2014-09-03 | 西北工业大学 | 一种自适应的sar图像和多光谱图像融合方法 |
Non-Patent Citations (4)
| Title |
|---|
| TAMAL BOSE: "《数字信号与图像处理翻译版》", 31 July 2006 * |
| 宋瑞霞 等: "一种基于频域的红外与可见光图像融合新算法", 《激光与红外》 * |
| 王璐 等: "W变换和NSCT相结合的多聚焦图像融合方法", 《电子测量与仪器学报》 * |
| 胡钢 等: "结合局部邻域特性和C-BEMD的图像融合方法", 《计算机辅助设计与图形学学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102217A (zh) * | 2020-09-21 | 2020-12-18 | 四川轻化工大学 | 一种可见光图像与红外图像快速融合方法及系统 |
| CN112102217B (zh) * | 2020-09-21 | 2023-05-02 | 四川轻化工大学 | 一种可见光图像与红外图像快速融合方法及系统 |
| CN113077447A (zh) * | 2021-04-02 | 2021-07-06 | 保定市毅格通信自动化有限公司 | 一种可探测高压设备微弱放电并进行缺陷分析的方法 |
| CN113269704A (zh) * | 2021-06-29 | 2021-08-17 | 南昌航空大学 | 一种红外与可见光图像融合方法 |
| CN114648564A (zh) * | 2022-05-23 | 2022-06-21 | 四川大学 | 用于非稳态目标的可见光和红外图像优化配准方法及系统 |
| CN114648564B (zh) * | 2022-05-23 | 2022-08-23 | 四川大学 | 用于非稳态目标的可见光和红外图像优化配准方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110021002A (zh) | 一种图像融合方法及装置 | |
| CN106339998B (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
| CN104657945B (zh) | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 | |
| CN110929566B (zh) | 基于可见光和近红外双目摄像头的人脸活体检测方法 | |
| CN106157310B (zh) | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 | |
| CN105551061A (zh) | 高动态范围图像融合中保留无鬼影运动物体处理方法 | |
| CN101137003B (zh) | 一种基于灰色关联分析的亚像素边缘提取方法 | |
| CN106897986B (zh) | 一种基于多尺度分析的可见光图像与远红外图像融合方法 | |
| CN109767454B (zh) | 基于时-空-频显著性的无人机航拍视频运动目标检测方法 | |
| CN104978722A (zh) | 基于背景建模的多曝光图像融合鬼影去除方法 | |
| CN104680498A (zh) | 一种基于改进梯度向量流模型的医学图像分割方法 | |
| CN108230367A (zh) | 一种对灰度视频中既定目标的快速跟踪定位方法 | |
| CN113628261B (zh) | 一种电力巡检场景下的红外与可见光图像配准方法 | |
| CN108294728A (zh) | 伤口状态分析方法与系统 | |
| Riddle et al. | Characterizing changes in MR images with color-coded Jacobians | |
| CN106017695A (zh) | 基于运动状态估计的自适应红外非均匀性校正方法 | |
| Ali et al. | Image focus volume regularization for shape from focus through 3D weighted least squares | |
| CN103971349A (zh) | 计算机断层扫描图像重建方法和计算机断层扫描设备 | |
| CN105184740A (zh) | 一种红外焦平面图像非均匀性条带校正方法 | |
| CN105608674B (zh) | 一种基于图像配准、插值和去噪的图像增强方法 | |
| CN108230251A (zh) | 组合式图像恢复方法及装置 | |
| Ye et al. | An improved algorithm for Harris corner detection | |
| Chen et al. | Robust motion blur kernel parameter estimation for star image deblurring | |
| CN102637094A (zh) | 应用于光学式触控装置的校正信息计算方法及系统 | |
| Sharma et al. | Study and analysis of edge detection techniques in digital 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190716 |
|
| RJ01 | Rejection of invention patent application after publication |