CN110335225A - 红外光图像与可见光图像融合的方法 - Google Patents
红外光图像与可见光图像融合的方法 Download PDFInfo
- Publication number
- CN110335225A CN110335225A CN201910620464.5A CN201910620464A CN110335225A CN 110335225 A CN110335225 A CN 110335225A CN 201910620464 A CN201910620464 A CN 201910620464A CN 110335225 A CN110335225 A CN 110335225A
- Authority
- CN
- China
- Prior art keywords
- image
- signal
- light image
- scale
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000000007 visual effect Effects 0.000 title abstract 2
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 35
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 abstract description 8
- 238000005070 sampling Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000002156 mixing Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 10
- 238000001914 filtration Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 235000011036 Rubus leucodermis Nutrition 0.000 description 3
- 235000003942 Rubus occidentalis Nutrition 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 244000181917 Rubus leucodermis Species 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 244000111388 Rubus occidentalis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像融合技术，其公开了一种红外光图像与可见光图像融合的方法，解决传统技术中应用基于二通道的非抽样形态小波UMW方案进行图像融合时，存在的图像灰度阶跃剧烈而影响融合图像质量的问题。本发明通过将二通道的UMW方法扩展为的三通道UMW的方法，可以将分解的细节信号进行细化，由原来的一个二阶细节信号拓展为两个一阶细节信号，在进行视频图像融合时，细节信号融合更加有针对性，源图像的边缘和细节信息能够在融合图像中得到很好的保持。本发明适用于对图像的高质量融合。
Description
技术领域
本发明涉及图像融合技术，具体涉及一种红外光图像与可见光图像融合的方法。
背景技术
图像融合分为像素级别、特征级别和决策级别三个融合层次。在图像融合的三个层次中，大多数研究是针对像素级别这层的。这个层次的融合往往分为两类：一是基于空间域的图像融合；二是基于变换域的图像融合。代表空间域的融合方法有加权平均、逻辑滤波和对比度调制等；代表变换域的方法有傅立叶变换、主成分分析、小波变换和多尺度几何变换等。基于变换域的方法经历了从金字塔变换到小波变换，再到多尺度几何分析(也称为超小波)的过程，产生了诸如拉普拉斯金子塔变换，离散小波变换，Ridgelet变换，Curvelet变换、Contourlet变换、Tetrolet等。
上述图像融合方法中，基于空间域的图像融合质量不高；基于变换域的图像融合质量较高，但是图像融合算法复杂度高，计算资源要求较高，时间要求较长。在追求较高图像融合质量、更快实时性、更低计算成本的视频图像融合中，基于空间域和基于变换域的大多数算法难以满足要求。
基于二通道的非抽样形态小波UMW(Undecimated Morphological Wavelets，UMW)，并采用了膨胀和腐蚀运算的平均作为分析滤波器被应用于视频图像融合，由于通道分解数少、膨胀和腐蚀运算计算简单，计算速度较快，融合效果相对较好。UMW虽取得了较好的图像融合质量，但从形态学尺度空间的属性上来说，它不能很好地满足局部极值保持和局部极值缩减的尺度空间属性，造成源图像的边缘、细节信号不能在融合图像中得到很好地保持。
UMW实际上是用数学形态学算子构成的非线性滤波器T()来替代不可分离àtrous小波变换中的低通滤波器，由于图像的融合涉及到图像的分解过程和图像的重构过程，如图1所示，图像分解过程就是用非线性滤波器T()对源图像xj进行低通滤波得到尺度图像xj+1，同时源图像xj减去尺度图像xj+1得到细节图像yj+1；图像重构过程就是将尺度图像xj+1与细节图像yj+1相加得到源图像xj。
在采用UMW方法进行视频图像融合的实现中，DE-UMW方法采用数学形态学算子腐蚀ε与膨胀δ的平均作为形态非抽样小波，图像分解和图像重构算法如式(1)所示：
其中，xj是第j个尺度上的尺度信号，和是第j个尺度上的分析算子，是第j个尺度上的综合算子，id是等同算子(identity operator)，yj是第j个尺度上的细节信号。T(·)为由数学形态学实现的分析滤波器。B被称为结构元素，它的尺寸与形状具有重要的物理含义，可针对不同的图像处理任务来选择合适的结构元素，常使用方形的结构元素、圆盘的结构元素和钻石形的结构元素等。B表示图像分解所采用的结构元素，随分解尺度增加而增大。
式(1)的第一个等式为对上一尺度图像进行分解后获得的尺度信号，将xj使用滤波器T进行低通滤波得到xj+1，T是将xj进行腐蚀的结果xj 1与xj进行膨胀的结果xj 2进行平均操作，腐蚀与膨胀操作均采用结果元素B进行。式(1)的第二个等式为对上一尺度图像进行分解后获得的细节信号，可以看出，细节信号中的高频系数相当于某种意义上的梯度算子，即一种的二阶导数的表达形式，而且导数的方向可以自适应地改变。这种自适应改变的梯度使输入图像中灰度级的阶跃变得更为剧烈，将影响融合图像与源图像的相似程度，降低图像融合质量。式(1)的第三个等式为尺度信号与细节信号的重构。
与DE-UMW方法类型，OC-UMW方法采用开运算与闭运算γ的平均作为形态非抽样小波，图像分解和图像重构算法如式(2)所示：
同样，OC-UMW方法也存在细节信号中的高频系数的梯度自适应改变而影响融合图像与源图像的相似度的问题。
发明内容
本发明所要解决的技术问题是：提出一种红外光图像与可见光图像融合的方法，解决传统技术中应用基于二通道的非抽样形态小波UMW方案进行图像融合时，存在的图像灰度阶跃剧烈而影响融合图像质量的问题。
本发明解决上述技术问题所采用的方案是：
红外光图像与可见光图像融合的方法，包括以下步骤：
步骤1、采用三通道UMW分解算法对输入的红外光图像和可见光图像分别进行分解，获得红外光图像和可见光图像的尺度信号、第一细节信号和第二细节信号；
步骤2、对红外光图像的尺度信号和可见光图像的尺度信号采用加权平均规则进行融合，获得尺度融合信号；
步骤3、对红外光图像的第一细节信号和可见光图像的第一细节信号采用取绝对值最大者的规则进行融合，获得第一细节融合信号；
步骤4、对红外光图像的第二细节信号和可见光图像的第二细节信号采用取绝对值最大者的规则进行融合，获得第二细节融合信号；
步骤5、对尺度融合信号、第一细节融合信号和第二细节融合信号采用三通道UWM融合算法获得融合图像；
步骤6、将步骤1中获得的红外光图像尺度信号作为红外光图像输入，将获得的可见光图像尺度信号作为可见光图像输入，返回步骤1继续迭代，实现图像n层分解与重构。
作为进一步优化，步骤1中，所述三通道UMW分解算法为：
步骤5中，所述三通道UMW融合算法为：
其中，xj+1是第j+1个尺度上的尺度信号，和是第j个尺度上的分析算子，是第j个尺度上的综合算子，id是等同算子，y1 j+1是第j+1个尺度上的第一细节信号，y2 j+1是j+1个尺度上的第二细节信号；T(·)为由数学形态学实现的低通滤波器，T1和T2为由数学形态学实现的高通滤波器；Bn+1表示结构元素B随分解尺度增加而增大；ε表示腐蚀操作，δ表示膨胀操作。
本方案中，通过对DE-UMW方法中的细节信号中的二阶梯度进行拆分，分解为两个一阶的梯度，即对细节信号进行了细化，由原来一个细节信号扩展为拆分后的两个细节信号，从而实现三通道的UMW，该方法记为DE-3CUMW，此两个细节信号中，第一个细节信号是输入图像与对输入图像进行腐蚀操作结果的差值；第二个细节信号是输入图像与对输入图像进行膨胀操作结果的差值；由于细节信号的拆分，使得细节信号融合更具针对性，从而提高融合质量。
可选的，步骤1中，所述三通道UMW分解算法为：
步骤5中，所述三通道UMW融合算法为：
其中，为开运算操作与γ为闭运算操作。
本方案中，通过对OC-UMW方法中的细节信号中的二阶梯度进行拆分，分解为两个一阶的梯度，即对细节信号进行了细化，由原来一个细节信号扩展为拆分后的两个细节信号，从而实现三通道的UMW，该方法记为OC-3CUMW，此两个细节信号中，第一个细节信号是输入图像与对输入图像进行开运算操作结果的差值(白帽变换)；第二个细节信号是输入图像与对输入图像进行闭运算操作结果的差值(黑帽变换)；由于细节信号的拆分，使得细节信号融合更具针对性，从而提高融合质量。
本发明的有益效果是：
通过将二通道的UMW方法扩展为的三通道UMW(3-Channels UndecimatedMorphological Wavelets，3CUMW)的方法，可以将分解的细节信号进行细化，由原来的一个二阶细节信号拓展为两个一阶细节信号，在进行视频图像融合时，细节信号融合更加有针对性，源图像的边缘和细节信息能够在融合图像中得到很好的保持，因此能够获得比两通道UMW方法更好的融合效果，为后续的视频图像处理任务提供更好的基础。
附图说明
图1为基于二通道UWM的图像分解与重构过程；
图2为基于三通道UWM的图像分解与重构过程；
图3为基于三通道UWM的图像融合框架；
图4中，(a)为红外图像，(b)为可见光图像，(c)为DE-UMW方案融合的效果图；(d)为DE-3CUMW方案融合的效果图，(e)为OC-UMW方案融合的效果图，(f)为OC-3CUMW方案融合的效果图。
具体实施方式
本发明旨在提出一种红外光图像与可见光图像融合的方法，解决传统技术中应用基于二通道的非抽样形态小波UMW方案进行图像融合时，存在的图像灰度阶跃剧烈而影响融合图像质量的问题。其核心思想是：对采用UMW方案对图像分解的二阶细节信号进行拓展，分解为两个一阶信号，从而将二通道的UMW方案拓展为三通道的UMW(以下简称3CUMW)方案，在图像融合处理中基于3CUMW方案实现图像的分解和重构，从而在融合图像中能够更好地保持源图像的边缘和细节信息，以提高融合质量。
3CUMW分解与重构过程如图2所示，其采用了三个分析滤波器T、T1和T2。分解过程是将源信号xj使用低通滤波器T进行滤波得到尺度信号xj+1，同时分别使用T1和T2进行高通滤波得到细节信号y1 j+1和y2 j+1；重构过程是将尺度信号xj+1与两个细节信号的均值求和得到源信号。
在具体实现上，在二通道的UMW方案中，DE-UMW方法采用数学形态学算子腐蚀ε与膨胀δ的平均作为形态非抽样小波，其图像分解和重构算法如式(1)所示；
式(1)的第一个等式为对上一尺度图像进行分解后获得的尺度信号，将xj使用滤波器T进行低通滤波得到xj+1，T是将xj进行腐蚀的结果xj 1与xj进行膨胀的结果xj 2进行平均操作，腐蚀与膨胀操作均采用结果元素B进行。
式(1)的第二个等式为对上一尺度图像进行分解后获得的细节信号，可以看出，细节信号中的高频系数相当于某种意义上的梯度算子，即一种的二阶导数的表达形式，而且导数的方向可以自适应地改变。这种自适应改变的梯度使输入图像中灰度级的阶跃变得更为剧烈，将影响融合图像与源图像的相似程度，降低图像融合质量。
式(1)的第三个等式为尺度信号与细节信号的重构。
本发明对其细节信号，即第二个等式进行拓展，分解为两个一阶的细节信号，该方法称为DE-3CUMW方法,其图像分解和重构算法如式(2)所示：
式(2)的第一个等式为尺度信号，其较DE-UMW方法的尺度信号没有任何改变；式(2)的第二个和第三个等式为两个一阶梯度的细节信号，第一个细节信号是源图像与对源图像进行腐蚀操作结果的差值，第二个细节信号是源图像与对源图像进行膨胀操作结果的差值；显然，一阶梯度不会使输入图像的灰度阶跃像二阶梯度那样剧烈；式(2)的第四个等式为尺度信号与两个细节信号的重构。
与DE-UMW方法类似，OC-UMW方法采用开运算与闭运算γ的平均作为形态非抽样小波，其图像分解与重构算法如式(3)所示：
式(3)的第一个等式为图像分解的尺度信号，第二个等式为图像分解的细节信号，第三个等式为尺度信号与细节信号的重构。
本发明可以将其拓展为三通道的非抽样形态小波，记为OC-3CUWM，其图像分解和重构算法如式(4)所示：
式(4)的第一个等式为图像分解的尺度信号，较OC-UMW的尺度信号没有改变；第二个等式和第三个等式为两个一阶梯度的细节信号，其中第一个细节信号是输入图像与对输入图像进行开运算操作结果的差值(白帽变换)；第二个细节信号是输入图像与对输入图像进行闭运算操作结果的差值(黑帽变换)，白帽变换检测图像中的亮细节；黑帽变换检测图像中的暗细节。细节信号中既有亮细节又有暗细节，在融合时就更有针对性了。式(4)的第四个等式为尺度信号与两个细节信号的重构。
基于3CUMW的图像融合框架如图3所示，其融合过程如下：
1、输入a采用3CUMW(DE-3CUMW或OC-3CUMW)分解算法得到尺度信号a、细节信号a_1和细节信号a_2；
2、输入b采用3CUMW(DE-3CUMW或OC-3CUMW)分解算法得到尺度信号b，细节信号b_1和细节信号b_2；
3、尺度信号a与尺度信号b进行融合得到尺度信号ab；
4、细节信号a_1与细节信号b_1进行融合得到细节信号ab_1；
5、细节信号a_2与细节信号b_2进行融合得到细节信号ab_2；
6、尺度信号ab、细节信号ab_1和细节信号b_2通过3CUMW(DE-3CUMW或OC-3CUMW)融合算法得到融合图像c；
7、尺度信号a可作输入信号a、尺度信号b可作输入信号b再次输入进行迭代，实现图像n层分解与重构。
实施例：
本实施例是采用DE-3CUMW和OC-3CUMW两种方法均应用于图像融合，并与DE-UMW和OC-UMW两种方法的融合效果进行对比。
选取一组如图4中(a)所示的红外光视频图像、如图4中(b)所示的可见光视频图像进行融合实验，大小均为632×496；为了对各方法进行公平的比较，四种方法中，分解层数均为5层；分解时以方形的结构元素为例，结构元素递增，以扩大尺度之间的差异。对尺度信号进行融合时采用简单的加权平均规则，对细节信号融合时采用绝对值较大者的规则。
分别DE-UMW方案、DE-3CUMW方案、OC-UMW方案、OC-3CUMW方案这四种方案对红外光视频图像和可见光视频图像进行融合获得的效果图如图4中的(c)、(d)、(e)、(f)所示。
然后选取信息熵EN、互信息MI、平均梯度AvG、边缘保持度Qabf、结构相似度SSIM等客观评价指标对融合图像进行客观评价，它们都是值越大表示融合效果越好。
对应的评价指标的对比如表1所示:
表1：四种方案的融合效果评价指标对比表
由表1可以看出，较DE-UMW方法，DE-3CUMW方法获得的融合图像平均梯度降低了13.7％，信息熵有所增加，度量图像相似度的MI、Qabf、SSIM相应增加了。较OC-UMW方法，OC-3CUMW方法的融合图像平均梯度降低了4％，信息熵有所增加，度量图像相似度的MI、Qabf、SSIM相应增加了。因此，综合来看，OC-3CUMW的融合效果较传统的UMW方法要好，特别是更好地保持了源图像的边缘和细节信息。
Claims (3)
1.红外光图像与可见光图像融合的方法，其特征在于，包括以下步骤：
步骤1、采用三通道UMW分解算法对输入的红外光图像和可见光图像分别进行分解，获得红外光图像和可见光图像的尺度信号、第一细节信号和第二细节信号；
步骤2、对红外光图像的尺度信号和可见光图像的尺度信号采用加权平均规则进行融合，获得尺度融合信号；
步骤3、对红外光图像的第一细节信号和可见光图像的第一细节信号采用取绝对值最大者的规则进行融合，获得第一细节融合信号；
步骤4、对红外光图像的第二细节信号和可见光图像的第二细节信号采用取绝对值最大者的规则进行融合，获得第二细节融合信号；
步骤5、对尺度融合信号、第一细节融合信号和第二细节融合信号采用三通道UWM融合算法获得融合图像；
步骤6、将步骤1中获得的红外光图像尺度信号作为红外光图像输入，将获得的可见光图像尺度信号作为可见光图像输入，返回步骤1继续迭代，实现图像n层分解与重构。
2.如权利要求1所述的红外光图像与可见光图像融合的方法，其特征在于，
步骤1中，所述三通道UMW分解算法为：
步骤5中，所述三通道UMW融合算法为：
其中，xj+1是第j+1个尺度上的尺度信号，和是第j个尺度上的分析算子，是第j个尺度上的综合算子，id是等同算子，y1 j+1是第j+1个尺度上的第一细节信号，y2 j+1是j+1个尺度上的第二细节信号；T(·)为由数学形态学实现的低通滤波器，T1和T2为由数学形态学实现的高通滤波器；Bn+1表示结构元素B随分解尺度增加而增大；ε表示腐蚀操作，δ表示膨胀操作。
3.如权利要求1所述的红外光图像与可见光图像融合的方法，其特征在于，
步骤1中，所述三通道UMW分解算法为：
步骤5中，所述三通道UMW融合算法为：
其中，为开运算操作与γ为闭运算操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910620464.5A CN110335225B (zh) | 2019-07-10 | 2019-07-10 | 红外光图像与可见光图像融合的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910620464.5A CN110335225B (zh) | 2019-07-10 | 2019-07-10 | 红外光图像与可见光图像融合的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110335225A true CN110335225A (zh) | 2019-10-15 |
| CN110335225B CN110335225B (zh) | 2022-12-16 |
Family
ID=68146183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910620464.5A Active CN110335225B (zh) | 2019-07-10 | 2019-07-10 | 红外光图像与可见光图像融合的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110335225B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080568A (zh) * | 2019-12-13 | 2020-04-28 | 兰州交通大学 | 一种基于Tetrolet变换的近红外与彩色可见光图像融合算法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106056565A (zh) * | 2016-05-31 | 2016-10-26 | 北京航空航天大学 | 一种基于多尺度形态学双边滤波分解和对比度压缩的mri与pet图像融合方法 |
| US20170213330A1 (en) * | 2016-01-25 | 2017-07-27 | Qualcomm Incorporated | Unified multi-image fusion approach |
| CN109360175A (zh) * | 2018-10-12 | 2019-02-19 | 云南大学 | 一种红外与可见光的图像融合方法 |
| CN109658371A (zh) * | 2018-12-05 | 2019-04-19 | 北京林业大学 | 红外图像与可见光图像的融合方法、系统及相关设备 |
-
2019
- 2019-07-10 CN CN201910620464.5A patent/CN110335225B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20170213330A1 (en) * | 2016-01-25 | 2017-07-27 | Qualcomm Incorporated | Unified multi-image fusion approach |
| CN106056565A (zh) * | 2016-05-31 | 2016-10-26 | 北京航空航天大学 | 一种基于多尺度形态学双边滤波分解和对比度压缩的mri与pet图像融合方法 |
| CN109360175A (zh) * | 2018-10-12 | 2019-02-19 | 云南大学 | 一种红外与可见光的图像融合方法 |
| CN109658371A (zh) * | 2018-12-05 | 2019-04-19 | 北京林业大学 | 红外图像与可见光图像的融合方法、系统及相关设备 |
Non-Patent Citations (1)
| Title |
|---|
| 赵雨晨: "结合非抽样形态小波和引导滤波的图像融合方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080568A (zh) * | 2019-12-13 | 2020-04-28 | 兰州交通大学 | 一种基于Tetrolet变换的近红外与彩色可见光图像融合算法 |
| CN111080568B (zh) * | 2019-12-13 | 2023-05-26 | 兰州交通大学 | 一种基于Tetrolet变换的近红外与彩色可见光图像融合算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110335225B (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111583123A (zh) | 一种基于小波变换的融合高低频信息的图像增强算法 | |
| Yin et al. | Image denoising using trivariate prior model in nonsubsampled dual-tree complex contourlet transform domain and non-local means filter in spatial domain | |
| CN107784638A (zh) | 一种优化的东巴古籍图像增强方法 | |
| CN113222836A (zh) | 一种高光谱与多光谱遥感信息融合方法及系统 | |
| CN105225213B (zh) | 一种基于s‑pcnn与拉普拉斯金字塔的彩色图像融合方法 | |
| CN104077762A (zh) | 一种基于nsst与聚焦区域检测的多聚焦图像融合方法 | |
| CN104268590A (zh) | 基于互补性组合特征与多相回归的盲图像质量评价方法 | |
| Chen et al. | A novel infrared small target detection method based on BEMD and local inverse entropy | |
| Si et al. | A comprehensive benchmark analysis for sand dust image reconstruction | |
| Sheybani | An Algorithm for Real-Time Blind Image Quality Comparison and Assessment | |
| CN110335225B (zh) | 红外光图像与可见光图像融合的方法 | |
| Sun et al. | Color image denoising based on guided filter and adaptive wavelet threshold | |
| Banothu et al. | High-order total bounded variation approach for gaussian noise and blur removal | |
| Pai et al. | Medical color image enhancement using wavelet transform and contrast stretching technique | |
| Jiahuan et al. | A fusion method of multi-spectral image and panchromatic image based on NSCT transform and adaptive gamma correction | |
| CN103778615A (zh) | 基于区域相似性的多聚焦图像融合方法 | |
| Huang et al. | An improved retinex algorithm for underwater image enhancement based on HSV model | |
| Rajalakshmi et al. | Automated classification of brain MRI using color converted K-means clustering segmentation and application of different kernel functions with multi-class SVM | |
| Xie et al. | DHD-Net: A novel deep-learning-based dehazing network | |
| Ma et al. | Solid waste surface feature enhancement method based on gamma correction and wavelet transform | |
| LI et al. | Fusion method for infrared and other-type images based on the multi-scale Gaussian filtering and morphological transform | |
| Oroumchian | ECEI Spectrogram Denoising and Feature Extraction Using a Multi-Wavelet Convolutional Neural Network Model | |
| Han et al. | Image enhancement based on spatial multi-scale homomorphic filtering and local entropy guided image filtering | |
| Mahesh et al. | An Effective Image Denoising Using Adaptive Thresholding In Wavelet Domain | |
| Naji et al. | Image Segmentation Using Discrete Wavelets Transform |
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 |