CN110111290B - 一种基于nsct和结构张量的红外与可见光图像融合方法 - Google Patents
一种基于nsct和结构张量的红外与可见光图像融合方法 Download PDFInfo
- Publication number
- CN110111290B CN110111290B CN201910373915.XA CN201910373915A CN110111290B CN 110111290 B CN110111290 B CN 110111290B CN 201910373915 A CN201910373915 A CN 201910373915A CN 110111290 B CN110111290 B CN 110111290B
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- visible light
- infrared
- fusion
- 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.)
- Active
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000002939 conjugate gradient method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral 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
- G06T2207/10048—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,具体提供一种基于NSCT和结构张量的红外与可见光图像融合方法,用以解决现有图像融合方法中红外图像信息引入过多而可见光图像细节信息保留不足的问题。本发明首先,对红外图像和可见光图像进行基于非下采样轮廓波变换的图像融合,得到预融合的非下采样轮廓波变换分解系数;然后,对红外图像和可见光图像进行基于梯度相似性滤波的加权结构张量融合,得到预融合的梯度场;再然后,建立优化模型,约束融合图像的非下采样轮廓波分解系数和梯度场;最后,利用共轭梯度法求解优化模型,得到融合图像。
Description
技术领域
本发明属于图像处理技术领域,涉及红外与可见光图像的融合处理,具体为一种基于N SCT和结构张量的红外与可见光图像融合方法。
背景技术
红外传感器采集到的红外图像反映了场景中目标和场景的温度分布,红外图像具有全天候工作和强抗干扰能力的优点;但是由于景物热平衡、大气衰减等原因,会造成红外图像分辨率低、整体效果偏暗、细节信息不清以及对温差的敏感等缺点,且由于红外传感器自身存在的缺点,会导致红外图像中可能包含大量噪声。可见光图像传感器利用光线的反射来采集图像数据,可见光图像通常具有高空间分辨率和较多的细节以及较高的明暗对比,并且它还具有光谱信息丰富、信息量大、动态范围宽、可视性好等优点;但是,由于可见图图像的成像依赖于光线的反射,因此它的抗干扰能力差,在光线微弱、雾霾天气、目标伪装等情况下,可见光图像的效果会明显变差,很难获得有关目标和场景的信息,并且无法分析、识别目标和场景。将红外图像与可见光图像这两种通过不同图像传感器获得到图像进行融合,从而在一幅图像中既可以获得红外图像中的显著信息,又可以获得可见光图像中的纹理、边缘等细节信息,有利于图像后期的跟踪、识别、检测等应用。
现有的图像融合方法都存在一些优缺点;其中,基于非下采样轮廓波变换的融合方法可以很好地提取红外图像中显著性信息,却无法很好地提取可见光图像中的纹理细节,导致融合图像对比度偏低;基于梯度域的融合方法可以有效地提取可见光图像中的纹理细节,却不能很好地提取出红外图像中的显著性信息,同时不好的权重度量方法会导致梯度抵消,造成有效信息的丢失。红外图像与可见光图像融合的最终目的是将红外图像中的显著信息引入到融合图像中,同时在融合图像保留更多的可见光图像中的纹理细节;然而单独基于NSCT的融合方法或基于结构张量的融合方法并不能很好地达到这个目的。
发明内容
本发明的目的在于:针对基于非下采样轮廓波变换的融合方法和基于梯度域的融合方法各自存在的不足,提供一种基于NSCT和结构张量的红外与可见光图像融合方法;通过优化模型,同时利用非下采样轮廓波变换和梯度两种特征提取方法,有效地提取和传递源图像中的几何特征,进而在融合图像中保留更多纹理、边缘等细节信息。
为实现上述目的,本发明采用的技术方案如下:
一种基于NSCT和结构张量的红外与可见光图像融合方法,包括以下步骤:
步骤1:将输入红外图像和可见光图像进行基于非下采样轮廓波变换的融合,得到预融合的非下采样轮廓波变换分解系数CF;
步骤2:将输入红外图像和可见光图采用基于梯度相似性滤波的结构张量的融合方法进行融合,得到预融合的梯度场HF;
步骤3:计算梯度算子▽、NSCT分解算子ψ;
步骤4:建立优化模型:
其中,β为预设常量,IF表示待解融合图像;
步骤5:利用共轭梯度法求解优化模型,得到融合图像IF。
进一步的,所述步骤1的具体过程为:
1-1.对红外图像进行鲁棒性主成分分析,得到红外图像的稀疏矩阵,然后将其归一化到[0,1]之间,作为权重矩阵记为ω(x,y);
1-2.对红外图像和可见光图像分别进行非下采样轮廓波变换,其中,拉普拉斯尺度滤波器为“pyrexc”,方向滤波器为“cd”,分解层数为{2,2,3,3};得到红外图像的低频分解系数和高频分解系数/>可见光图像的低频分解系数/>和高频分解系数/>其中/>表示k图像源的第l层r方向上的高频分量;
1-3.对低频部分,利用权重矩阵ω(x,y)作为权重进行融合;通过这个权重可以得到预融合的低频子带系数
1-4.对高频部分,首先计算高频子带系数的局部显著性,选取局部显著性较大的高频子带系数作为融合图像的高频子带系数
其中,k∈{IR,TV}表示局部显著性:
其中,Θ表示大小为3×3的窗口。
进一步的,所述步骤2的具体过程为:
2-1.将红外图像与可见光图像转换到梯度域,得到它们的梯度场,然后进行平均结构张量融合,得到初步融合梯度场;
2-2.计算源图像的8方向生长步长矩阵L,其中,点x处的8方向生长步长定义为:
lx(i)=minλ
i=1,2,3,...,8
其中,为单位长度的向量,t为预设阈值,▽I(·)表示对源图像进行梯度运算;
2-3.计算梯度相似性:
其中,η为预设常量;Lfused为通过初步融合梯度场得到的生长步长矩阵,Lk为通过源图像得到的生长步长矩阵;
2-4.计算梯度归属矩阵为:
其中,▽Ifused(·)表示对初步融合图像进行梯度运算;
2-5.计算所使用的滤波器参数:
其中,Q为滤波邻域,x是滤波的目标位置,▽IM(x)为x归属图像源的梯度场;u为滤波邻域Q中的任意位置,w(u)为滤波权重;
w(u)的公式如下:
wdis(u)=a·||u-x||2
wamp(u)=b·|||▽Ifused(x)||2-||▽IM(x)(u)||2
θ=<▽Ifused(x)×▽IM(x)(u)>,θ∈[0,π]
wdir(u)=c·Step(cos(θ))·cos(θ)
其中,σ、a、b、c均为预设常量,Step为阶跃函数;
2-6.根据上述滤波器参数,设定滤波器尺寸,得到滤波器;并采用滤波器对初步融合梯度场进行滤波,得到预融合梯度场HF。
综上所述,本发明层有益效果在于:
本发明提供一种基于NSCT和结构张量的红外与可见光图像融合方法,通过优化模型的设计,同时利用非下采样轮廓波变换和梯度两种特征提取方法,有效地提取和传递源图像中的几何特征,进而在融合图像中保留更多纹理、边缘等细节信息。
附图说明
图1为本发明基于NSCT和结构张量的红外与可见光图像融合方法的流程图。
图2为本发明实施例中图像非下采样轮廓波变换分解系数计算流程图。
图3为本发明实施例中图像梯度场计算流程图。
图4为本发明实施例中红外图像,图像宽度360像素,图像高度270像素。
图5为本发明实施例中可见光图像,图像宽度360像素,图像高度270像素。
图6为本发明实施例中融合方法得到的融合图像示例。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例中提供一种基于非下采样轮廓波变换(NSCT)和结构张量的红外与可见光图像融合方法,其流程如图1所示,包括以下步骤:
步骤1:对输入红外图像和可见光图像按照预先设定好的融合规则进行基于非下采样轮廓波变换的融合,得到预融合的非下采样轮廓波变换分解系数CF,包括低频子带系数和高频子带系数/>
步骤2:对输入红外图像和可见光图通过基于梯度相似性滤波的结构张量的融合方法进行融合,得到预融合的梯度场HF;
步骤3:计算梯度算子▽、NSCT分解算子ψ;具体来说,ψ算子的个数由分解层数决定,在此有24个,其大小为97200×97200;▽大小为97200×97200;
步骤4:通过优化模型,约束最终融合图像的非下采样轮廓波变换分解系数和梯度场,使其同时接近预融合非下采样轮廓波变换分解系数和预融合梯度场;优化模型为:
其中,HF和CF分别代表通过步骤(1)得到的NSCT分解系数和通过步骤(2)得到的融合梯度场,注意此处HF和CF的大小为97200×1,▽为梯度算子,ψ为NSCT分解算子;β为预设常量、用于控制梯度融合和NSCT系数融合之间的平衡,本实施例中,β的取值为3;IF表示待解融合图像;
步骤5:利用共轭梯度法求解优化模型,将得到的列向量转化成为矩阵,得到最终的融合图像IF,如图6所示,图像大小为270×360。
其中,步骤1和2可并行执行。
如图2所示,步骤1的具体实施过程如下:
1-1.对红外图像进行鲁棒性主成分分析,得到红外图像的稀疏矩阵,然后将其归一化到[0,1]之间,作为权重矩阵记为ω(x,y);红外图像如图4所示;
1-2.对红外图像和可见光图像分别进行非下采样轮廓波变换,其中,拉普拉斯尺度滤波器为“pyrexc”,方向滤波器为“cd”,分解层数为{2,2,3,3};得到红外图像的低频分解系数和高频分解系数/>可见光图像的低频分解系数/>和高频分解系数/>其中/>表示k图像源(红外图像(IR)或者可见光图像(TV),k∈{IR,TV})的第l层r方向上的高频分量;红外图像和可见光图像分别如图4和图5所示;
1-3.对低频部分,利用权重矩阵ω(x,y)作为权重进行融合;通过这个权重可以得到预融合的低频子带系数
1-4.对高频部分,首先计算高频子带系数的局部显著性,选取局部显著性较大的高频子带系数作为融合图像的高频子带系数
其中,局部显著性计算方法为:
其中,Θ表示大小为3×3的窗口,表示k图像源(红外图像(IR)或者可见光图像(TV),k∈{IR,TV})的第l层r方向上的高频分量;
如图3所示,步骤2的具体实施过程如下:
2-1.将红外图像与可见光图像转换到梯度域,得到它们的梯度场,然后进行平均结构张量融合,得到初步融合梯度场;红外图像和可见光图像分别如图4和图5所示;
2-2.计算源图像的8方向生长步长矩阵L,其中,点x处的8方向生长步长定义为:
lx(i)=minλ
i=1,2,3,...,8
其中,为单位长度的向量,t为预设阈值,▽I(·)表示对源图像进行梯度运算;
2-3.通过定义的梯度相似性方法度量梯度相似性,相似性度量方法为:
其中,η为预设常量、用于调整相似性曲线的下降速度;Lfused为通过初步融合梯度场得到的生长步长矩阵,Lk为通过源图像得到的生长步长矩阵;
2-4.求解梯度归属矩阵为:
其中,▽Ifused(·)表示对初步融合图像进行梯度运算;
2-5.计算所使用的滤波器参数,其定义为:
其中,Q为滤波邻域,x是滤波的目标位置,▽IM(x)为x归属图像源的梯度场;u为滤波邻域Q中的任意位置,w(u)为滤波权重;
w(u)的公式如下:
wdis(u)=a·||u-x||2
wamp(u)=b·|||▽Ifused(x)||2-||▽IM(x)(u)||2|
θ=<▽Ifused(x)×▽IM(x)(u)>,θ∈[0,π]
wdir(u)=c·Step(cos(θ))·cos(θ)
其中,σ、a、b、c均为预设常量,Step为阶跃函数;
2-6.滤波器尺寸的大小利用四叉树分解进行确定,对边缘区和平滑区采取不同自适应策略;得到滤波器;
2-7.采用上述滤波器对初步融合梯度场进行滤波,得到预融合梯度场HF;
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (1)
1.一种基于NSCT和结构张量的红外与可见光图像融合方法,包括以下步骤:
步骤1:将输入红外图像和可见光图像进行基于非下采样轮廓波变换的融合,得到预融合的非下采样轮廓波变换分解系数CF;
具体过程为:
1-1.对红外图像进行鲁棒性主成分分析,得到红外图像的稀疏矩阵,然后将其归一化到[0,1]之间,作为权重矩阵记为ω(x,y);
1-2.对红外图像和可见光图像分别进行非下采样轮廓波变换,其中,拉普拉斯尺度滤波器为“pyrexc”,方向滤波器为“cd”,分解层数为{2,2,3,3};得到红外图像的低频分解系数和高频分解系数/>可见光图像的低频分解系数/>和高频分解系数其中/>表示k图像源的第l层r方向上的高频分量;
1-3.对低频部分,利用权重矩阵ω(x,y)作为权重进行融合;通过这个权重可以得到预融合的低频子带系数
1-4.对高频部分,首先计算高频子带系数的局部显著性,选取局部显著性较大的高频子带系数作为融合图像的高频子带系数
其中,表示局部显著性:
其中,Θ表示大小为3×3的窗口;
步骤2:将输入红外图像和可见光图采用基于梯度相似性滤波的结构张量的融合方法进行融合,得到预融合的梯度场HF;
具体过程为:
2-1.将红外图像与可见光图像转换到梯度域,得到它们的梯度场,然后进行平均结构张量融合,得到初步融合梯度场;
2-2.计算源图像的8方向生长步长矩阵L,其中,点x处的8方向生长步长定义为:
lx(i)=minλ
其中,为单位长度的向量,t为预设阈值,/>表示对源图像进行梯度运算;
2-3.计算梯度相似性:
其中,η为预设常量;Lfused为通过初步融合梯度场得到的生长步长矩阵,Lk为通过源图像得到的生长步长矩阵;
2-4.计算梯度归属矩阵为:
其中,表示对初步融合图像进行梯度运算;
2-5.计算所使用的滤波器参数:
其中,Q为滤波邻域,x是滤波的目标位置,为x归属图像源的梯度场;u为滤波邻域Q中的任意位置,w(u)为滤波权重;
w(u)的公式如下:
wdis(u)=a·||u-x||2
wdir(u)=c·Step(cos(θ))·cos(θ)
其中,σ、a、b、c均为预设常量,Step为阶跃函数;
2-6.根据上述滤波器参数,设定滤波器尺寸,得到滤波器;并采用滤波器对初步融合梯度场进行滤波,得到预融合梯度场HF;
步骤3:计算梯度算子NSCT分解算子ψ;
步骤4:建立优化模型:
其中,β为预设常量,IF表示待解融合图像;
步骤5:利用共轭梯度法求解优化模型,得到融合图像IF。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373915.XA CN110111290B (zh) | 2019-05-07 | 2019-05-07 | 一种基于nsct和结构张量的红外与可见光图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373915.XA CN110111290B (zh) | 2019-05-07 | 2019-05-07 | 一种基于nsct和结构张量的红外与可见光图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110111290A CN110111290A (zh) | 2019-08-09 |
CN110111290B true CN110111290B (zh) | 2023-08-25 |
Family
ID=67488592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910373915.XA Active CN110111290B (zh) | 2019-05-07 | 2019-05-07 | 一种基于nsct和结构张量的红外与可见光图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111290B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066786A (zh) * | 2020-08-03 | 2022-02-18 | 四川大学 | 一种基于稀疏和滤波器的红外和可见光图像融合方法 |
CN112115979B (zh) * | 2020-08-24 | 2024-03-22 | 深圳大学 | 一种红外图像和可见图像的融合方法及设备 |
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 |
CN113807365A (zh) * | 2021-09-15 | 2021-12-17 | 广东电网有限责任公司 | 一种电缆图像的特征提取方法、装置、电子设备及介质 |
CN113706432B (zh) * | 2021-09-23 | 2024-04-30 | 北京化工大学 | 保留输入图像纹理细节的多源图像融合方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789641A (zh) * | 2012-07-16 | 2012-11-21 | 北京市遥感信息研究所 | 基于图拉普拉斯的高光谱图像和红外图像融合方法 |
CN103854267A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于变分与分数阶微分的图像融合与超分辨率实现方法 |
CN107230196A (zh) * | 2017-04-17 | 2017-10-03 | 江南大学 | 基于非下采样轮廓波和目标可信度的红外与可见光图像融合方法 |
WO2017205531A1 (en) * | 2016-05-25 | 2017-11-30 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for visualization and quantification of fiber-like structures |
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 |
CN109064437A (zh) * | 2018-07-11 | 2018-12-21 | 中国人民解放军国防科技大学 | 一种基于引导滤波和在线字典学习的图像融合方法 |
CN109308691A (zh) * | 2017-07-28 | 2019-02-05 | 南京理工大学 | 基于图像增强与nsct的红外和可见光图像融合方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8976259B2 (en) * | 2012-02-27 | 2015-03-10 | Greywolf Technical Services, Inc. | Methods and systems for modified wavelength diversity image compensation |
US9343020B2 (en) * | 2013-08-05 | 2016-05-17 | Massachusetts Institute Of Technology | Methods and apparatus for visual display |
-
2019
- 2019-05-07 CN CN201910373915.XA patent/CN110111290B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789641A (zh) * | 2012-07-16 | 2012-11-21 | 北京市遥感信息研究所 | 基于图拉普拉斯的高光谱图像和红外图像融合方法 |
CN103854267A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于变分与分数阶微分的图像融合与超分辨率实现方法 |
WO2017205531A1 (en) * | 2016-05-25 | 2017-11-30 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for visualization and quantification of fiber-like structures |
CN107230196A (zh) * | 2017-04-17 | 2017-10-03 | 江南大学 | 基于非下采样轮廓波和目标可信度的红外与可见光图像融合方法 |
CN109308691A (zh) * | 2017-07-28 | 2019-02-05 | 南京理工大学 | 基于图像增强与nsct的红外和可见光图像融合方法 |
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 |
CN109064437A (zh) * | 2018-07-11 | 2018-12-21 | 中国人民解放军国防科技大学 | 一种基于引导滤波和在线字典学习的图像融合方法 |
Non-Patent Citations (1)
Title |
---|
NSCT域梯度加权的红外与可见光图像融合;熊承义等;《中南民族大学学报(自然科学版)》;20180615(第02期);第74页第1段-第79页倒数第1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110111290A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111290B (zh) | 一种基于nsct和结构张量的红外与可见光图像融合方法 | |
CN111079556B (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
CN109242888B (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 | |
WO2018122818A1 (zh) | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 | |
CN107909018B (zh) | 一种稳健的多模态遥感影像匹配方法和系统 | |
CN114782298B (zh) | 一种具有区域注意力的红外与可见光图像融合方法 | |
CN111210396A (zh) | 一种结合天空光偏振模型的多光谱偏振图像去雾方法 | |
CN108021857B (zh) | 基于无人机航拍图像序列深度恢复的建筑物检测方法 | |
CN115330653A (zh) | 基于边窗滤波的多源图像融合方法 | |
CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
CN107273803B (zh) | 云层图像检测方法 | |
CN114549642B (zh) | 一种低对比度红外弱小目标检测方法 | |
CN116823694B (zh) | 基于多聚焦信息整合的红外与可见光图像融合方法及系统 | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
CN117409244A (zh) | 一种SCKConv多尺度特征融合增强的低照度小目标检测方法 | |
CN113962904B (zh) | 一种高光谱图像滤波降噪的方法 | |
CN113537397B (zh) | 基于多尺度特征融合的目标检测与图像清晰联合学习方法 | |
Du | Research on image de‐disturbing algorithm based on dark channel prior and anisotropic Gaussian filtering | |
CN115439349A (zh) | 一种基于图像增强的水下slam优化方法 | |
CN109781259B (zh) | 一种图谱关联的精准测量空中运动小目标红外光谱的方法 | |
CN110942480A (zh) | 一种单目单帧多光谱三维成像方法 | |
Que et al. | Low altitude, slow speed and small size object detection improvement in noise conditions based on mixed training | |
Pal et al. | Quality enhancement of foggy images comprising of large sky region on SAMEER TU dataset | |
Li et al. | Haze density estimation and dark channel prior based image defogging | |
Albanwan et al. | Fine-tuning deep learning models for stereo matching using results from semi-global matching |
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 |