CN111462025A - 基于多尺度低秩矩阵分解的红外与可见光图像融合方法 - Google Patents
基于多尺度低秩矩阵分解的红外与可见光图像融合方法 Download PDFInfo
- Publication number
- CN111462025A CN111462025A CN202010119950.1A CN202010119950A CN111462025A CN 111462025 A CN111462025 A CN 111462025A CN 202010119950 A CN202010119950 A CN 202010119950A CN 111462025 A CN111462025 A CN 111462025A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- low
- rank
- decomposition
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 97
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 title claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims description 38
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 7
- 101100350185 Caenorhabditis elegans odd-1 gene Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度低秩矩阵分解的红外与可见光图像融合方法,其基于多尺度低秩矩阵分解将预处理后的红外图像和预处理后的可见光图像分解为多层次局部低秩图和全局低秩图两类,并根据各分解图像特点,针对性设计最优融合规则,得到的最终融合图像在不引入人工伪影和斑块的同时,能够保留原图的细节信息、增强热辐射显著目标,具有较好的对比度,有利于后续目标识别、检测等应用的开展。
Description
技术领域
本发明涉及一种图像融合技术,尤其是涉及一种基于多尺度低秩矩阵分解的红外与可见光图像融合方法。
背景技术
红外图像与可见光图像在军事、工程、科研以及日常生活等各方面都有着广泛地应用。其中,红外传感器成像基于物体的热辐射特性,具有较强的云雾穿透能力,可在复杂环境下对具有较强热辐射特性的目标进行有效成像,但红外传感器成像对物体的细节表现能力差,往往表现为图像空间分辨率低、细节纹理少、图像模糊等特点。可见光传感器成像基于物体对光的反射率特性,具有图像空间分辨率高、细节纹理丰富、图像相对清晰等特点,但可见光传感器成像受光照条件影响较大,且极易受天气、云雾遮挡等的影响。红外/可见光图像融合可集成两者优势,弥补单一传感器成像的不足,实现对成像场景全面精确地表达。
目前,红外/可见光图像融合方法主要有:基于多尺度分解的融合方法、基于稀疏表示的融合方法、基于神经网络的融合方法等。基于多尺度分解的融合方法应用较为广泛,为红外/可见光图像融合中的研究热点,其基本思想为:首先,利用金字塔、小波变换等对红外图像和可见光图像分别进行低频和高频信息的分解,得到红外图像和可见光图像各自的低频和高频分量;其次,设计合理融合规则对红外图像的低频分量和可见光图像的低频分量进行融合、对红外图像的高频分量和可见光图像的高频分量进行融合;最后,利用融合后的低频分量和融合后的高频分量重建得到最终的融合图像。基于多尺度分解的融合方法主要包括基于金字塔分解的融合方法、基于小波变换的融合方法、基于曲波变换的融合方法、基于轮廓波变换的融合方法、基于引导滤波变换的融合方法等。此外,Bavirisetti等人提出了一种基于二尺度分解和显著性检测的融合方法,其利用均值滤波和中值滤波提取基础层和细节层,并利用视觉显著性获得权重图。此外,低秩分解于近几年引入红外/可见光图像融合领域,如Li等人提出的基于低秩分解的红外/可见光图像融合方法。现阶段使用的低秩分解模型大多基于Liu提出的低秩表示LRR(low-rank representation)理论,但是这种表示方法不能很好地提取区域结构信息。因此,2011年Liu又提出潜在低秩表示LatLRR(Latent low-rank representation)理论,这种表示方法能够在一定程度上从原始数据中获取全局和局部的结构信息。Li在LatLRR理论的基础上提出了基于LatLRR理论的红外与可见光图像融合方法,一定程度上提高了融合精度。
上述基于多尺度分解的红外与可见光图像融合方法往往采用了两层分解方式,即通过一种低通滤波器得到基础层低频信息,再通过与原图相减得到细节层,然而,上述两层分解方式对红外图像和可见光图像中的空间细节信息提取不充分。尽管LatLRR方法在一定程度上分解提取了原图的显著性区域和低秩区域,但分解得到的显著性图和低秩图存在分解不彻底且互相包含,导致融合结果往往存在对比度低、细节与纹理不够清晰、热红外目标不明显等问题。
发明内容
本发明所要解决的技术问题是提供一种基于多尺度低秩矩阵分解的红外与可见光图像融合方法,其充分考虑到红外图像和可见光图像存在的局部相关性特点和显著性目标的多尺度特点,引入了多尺度低秩矩阵分解技术,并对得到的分解图像针对性地设计最优融合规则,提高了融合对比度、细节与纹理的清晰度、热红外目标的明显程度,从而进一步提升了融合效果和精度。
本发明解决上述技术问题所采用的技术方案为:一种基于多尺度低秩矩阵分解的红外与可见光图像融合方法,其特征在于包括以下步骤:
步骤1:选取同一场景的一幅红外图像和一幅可见光图像,对应记为Ir和Iv;然后分别对Ir和Iv进行预处理,将预处理后得到的红外图像记为将预处理后得到的可见光图像记为其中,Ir和Iv的宽度均为M,Ir和Iv的高度均为N;
步骤2:对进行多尺度低秩矩阵分解,将分解为L层分解图像,将的第i层分解图像记为将中坐标位置为(x,y)的像素点的像素值记为将中坐标位置为(x,y)的像素点的像素值记为 同样,对进行多尺度低秩矩阵分解,将分解为L层分解图像,将的第i层分解图像记为将中坐标位置为(x,y)的像素点的像素值记为将中坐标位置为(x,y)的像素点的像素值记为 其中,L表示多尺度低秩矩阵分解的分解层数,符号为向上取整符号,1≤i≤L,1≤x≤M,1≤y≤N;
步骤3_1:将和各自的L层分解图像分为多层次局部低秩图和全局低秩图两类,再将多层次局部低秩图分为局部小低秩块部分和局部大低秩块部分,当L为偶数时,局部小低秩块部分由第1层至第层分解图像组成,局部大低秩块部分由第层至第L-1层分解图像组成,第L层分解图像为全局低秩图;当L为奇数时,局部小低秩块部分由第1层至第层分解图像组成,局部大低秩块部分由第层至第L-1层分解图像组成,第L层分解图像为全局低秩图;
步骤3_2:对于局部小低秩块部分,将的局部小低秩块部分中的每层分解图像和的局部小低秩块部分中的每层分解图像的最优融合权重均设计为1;然后根据的局部小低秩块部分中的每层分解图像和的局部小低秩块部分中对应层分解图像,获取对应层融合图像,当的第j层分解图像Tr j属于的局部小低秩块部分且的第j层分解图像Tv j属于的局部小低秩块部分时,将获取的第j层融合图像记为Fj,将Fj中坐标位置为(x,y)的像素点的像素值记为Fj(x,y),其中,当L为偶数时当L为奇数时1≤x≤M,1≤y≤N,表示中坐标位置为(x,y)的像素点的像素值,表示中坐标位置为(x,y)的像素点的像素值;
对于局部大低秩块部分,根据的局部大低秩块部分中的每层分解图像和的局部大低秩块部分中对应层分解图像,获取对应层融合图像,当的第k层分解图像Tr k属于的局部大低秩块部分且的第k层分解图像Tv k属于的局部大低秩块部分时,将获取的第k层融合图像记为Fk,将Fk中坐标位置为(x,y)的像素点的像素值记为Fk(x,y),其中,当L为偶数时当L为奇数时 表示Tv k的最优融合权重,表示的最优融合权重,Wk表示Tv k的初始融合权重,Wk为最大绝对值方法权重系数,符号“||”为取绝对值符号,符号为卷积运算符号,G(x,y,σs)为高斯滤波器,σs表示高斯滤波器的标准差,Tr k(x,y)表示Tr k中坐标位置为(x,y)的像素点的像素值,Tv k(x,y)表示Tv k中坐标位置为(x,y)的像素点的像素值;
对于全局低秩图,将的全局低秩图即第L层分解图像Tr L的最优融合权重设计为wr,将的全局低秩图即第L层分解图像Tv L的最优融合权重设计为wv;然后根据的全局低秩图即第L层分解图像Tr L和的全局低秩图即第L层分解图像Tv L,获取第L层融合图像,记为FL,将FL中坐标位置为(x,y)的像素点的像素值记为FL(x,y),FL(x,y)=wrTr L(x,y)+wvTv L(x,y);其中,wr+wv=1,Tr L(x,y)表示Tr L中坐标位置为(x,y)的像素点的像素值,Tv L(x,y)表示Tv L中坐标位置为(x,y)的像素点的像素值;
所述的步骤1中,对Ir进行预处理的过程为采用SIFT的特征点提取方法对Ir进行空间几何配准,经空间几何配准后得到的图像即为预处理后得到的红外图像同样,对Iv进行预处理的过程为采用SIFT的特征点提取方法对Iv进行空间几何配准,经空间几何配准后得到的图像即为预处理后得到的可见光图像
与现有技术相比,本发明的优点在于:
1)本发明方法充分考虑到红外图像和可见光图像存在的局部相关性特点和显著性目标的多尺度特点,引入了多尺度低秩矩阵分解技术,将红外图像和可见光图像分别分解为多层次局部低秩图(也就是显著图)和全局低秩图两类,以更充分地提取红外图像和可见光图像的纹理和目标显著性信息。
2)本发明方法充分考虑到多层次分解图像的特点,针对性地设计最优融合策略,从而更加全面地保留了原图像的细节纹理信息和显著性信息。
3)本发明方法得到的最终融合图像的细节与纹理清晰、热红外辐射目标突出、融合对比度较高,具有良好的实际工程应用前景。
附图说明
图1为本发明方法的总体流程框图;
图2a为一幅Nato_camp场景的红外图像经本发明方法的步骤1预处理后得到的红外图像;
图2b为一幅Nato_camp场景的可见光图像经本发明方法的步骤1预处理后得到的可见光图像;
图3为图2a所示的红外图像经本发明方法的步骤2后再进行多尺度低秩矩阵分解得到的6层分解图像;
图4为图2a和图2b的最终融合图像。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
充分考虑到红外/可见光图像融合在目标识别、夜视仪等工程应用的需求,即红外/可见光融合图像既要突显红外图像的目标信息,同时又不丢失可见光图像的内容以及避免加入人工伪影,因此提出了一种基于多尺度低秩矩阵分解的红外与可见光图像融合方法,其总体流程框图如图1所示,其包括以下步骤:
步骤1:选取同一场景的一幅红外图像和一幅可见光图像,对应记为Ir和Iv;然后分别对Ir和Iv进行预处理,将预处理后得到的红外图像记为将预处理后得到的可见光图像记为其中,Ir和Iv的宽度均为M,Ir和Iv的高度均为N。
在此具体实施例中,步骤1中,对Ir进行预处理的过程为采用SIFT(Scale-invariant feature transform,尺度不变特征变换)的特征点提取方法对Ir进行空间几何配准,经空间几何配准后得到的图像即为预处理后得到的红外图像同样,对Iv进行预处理的过程为采用SIFT的特征点提取方法对Iv进行空间几何配准,经空间几何配准后得到的图像即为预处理后得到的可见光图像在此,空间几何配准所使用的软件为matlab。
步骤2:对进行多尺度低秩矩阵分解,将分解为L层分解图像,将的第i层分解图像记为Tr i,将中坐标位置为(x,y)的像素点的像素值记为将Tr i中坐标位置为(x,y)的像素点的像素值记为Tr i(x,y),同样,对进行多尺度低秩矩阵分解,将分解为L层分解图像,将的第i层分解图像记为Tv i,将中坐标位置为(x,y)的像素点的像素值记为将Tv i中坐标位置为(x,y)的像素点的像素值记为Tv i(x,y),其中,多尺度低秩矩阵分解是一种现有技术,文献(Frank Ong andMichael Lustig,Beyond Low Rank+Sparse:Multiscale Low Rank MatrixDecomposition,IEEE JSTSP,2016)(Frank Ong and Michael Lustig,比低秩+稀疏更优越的多尺度低秩矩阵分解方法,IEEE JSTSP,2016)公开了这种技术,L表示多尺度低秩矩阵分解的分解层数,符号为向上取整符号,1≤i≤L,分解图像的宽度为M且高度为N,1≤x≤M,1≤y≤N。
步骤3_1:和各自分解得到的L层分解图像包括多层次局部低秩图和全局低秩图两类,在此多层次局部低秩图基于图像的局部低秩性特点,采用不同大小的局部图像块进行分解得到,全局低秩图是对图像整体进行低秩分解得到的,因此为合理设计最优融合权重,本发明进一步将多层次局部低秩图分为两部分,分别是局部小低秩块部分(采用较小局部图像块分解得到)和局部大低秩块部分(采用较大局部图像块分解得到),具体为:将和各自的L层分解图像分为多层次局部低秩图和全局低秩图两类,再将多层次局部低秩图分为局部小低秩块部分和局部大低秩块部分,当L为偶数时,局部小低秩块部分由第1层至第层分解图像组成,局部大低秩块部分由第层至第L-1层分解图像组成,第L层分解图像为全局低秩图;当L为奇数时,局部小低秩块部分由第1层至第层分解图像组成,局部大低秩块部分由第层至第L-1层分解图像组成,第L层分解图像为全局低秩图。
步骤3_2:对于局部小低秩块部分,将的局部小低秩块部分中的每层分解图像和的局部小低秩块部分中的每层分解图像的最优融合权重均设计为1;然后根据的局部小低秩块部分中的每层分解图像和的局部小低秩块部分中对应层分解图像,获取对应层融合图像,当的第j层分解图像Tr j属于的局部小低秩块部分且的第j层分解图像Tv j属于的局部小低秩块部分时,将获取的第j层融合图像记为Fj,将Fj中坐标位置为(x,y)的像素点的像素值记为Fj(x,y),考虑到的局部小低秩块部分中的各层分解图像和的局部小低秩块部分中的各层分解图像具有极强的互补性,因此采用求和融合策略求得对应层融合图像,以最大化保持红外图像和可见光图像的显著性信息,表示为Fj(x,y)=Tr j(x,y)+Tv j(x,y);其中,当L为偶数时当L为奇数时1≤x≤M,1≤y≤N,Tr j(x,y)表示Tr j中坐标位置为(x,y)的像素点的像素值,Tv j(x,y)表示Tv j中坐标位置为(x,y)的像素点的像素值。
对于局部大低秩块部分,根据的局部大低秩块部分中的每层分解图像和的局部大低秩块部分中对应层分解图像,获取对应层融合图像,当的第k层分解图像Tr k属于的局部大低秩块部分且的第k层分解图像Tv k属于的局部大低秩块部分时,将获取的第k层融合图像记为Fk,将Fk中坐标位置为(x,y)的像素点的像素值记为Fk(x,y),Fk(x,y)=(1-Wd k)×Tr k(x,y)+Wd k×Tv k(x,y);其中,当L为偶数时当L为奇数时 表示Tv k的最优融合权重,表示Tr k的最优融合权重,考虑到的局部大低秩块部分中的各层分解图像和的局部大低秩块部分中的各层分解图像具有较好的互补性,同时存在一定的冗余性,因此采用最大绝对值融合策略进行融合,Wk为最大绝对值方法权重系数,同时为了减小噪声,使用高斯滤波器来平滑初始融合权重,因此表示为Wk表示Tv k的初始融合权重,Wk为最大绝对值方法权重系数,符号“||”为取绝对值符号,符号为卷积运算符号,G(x,y,σs)为高斯滤波器,σs表示高斯滤波器的标准差,通常设σs=2,Tr k(x,y)表示Tr k中坐标位置为(x,y)的像素点的像素值,Tv k(x,y)表示Tv k中坐标位置为(x,y)的像素点的像素值。
对于全局低秩图,将的全局低秩图即第L层分解图像Tr L的最优融合权重设计为wr,将的全局低秩图即第L层分解图像Tv L的最优融合权重设计为wv;然后根据的全局低秩图即第L层分解图像Tr L和的全局低秩图即第L层分解图像Tv L,获取第L层融合图像,记为FL,将FL中坐标位置为(x,y)的像素点的像素值记为FL(x,y),FL(x,y)=wrTr L(x,y)+wvTv L(x,y);其中,wr+wv=1,为了更好地保留红外图像和可见光图像的全局结构信息和纹理信息、减少不必要的冗余信息以及复杂融合方法所带来的人工伪影,因此采用直接平均加权方式进行融合,在本实施例中取wr=wv=0.5,Tr L(x,y)表示Tr L中坐标位置为(x,y)的像素点的像素值,Tv L(x,y)表示Tv L中坐标位置为(x,y)的像素点的像素值。
为了验证本发明方法的可行性和有效性,对本发明方法进行实验。
图2a给出了一幅Nato_camp场景的红外图像经本发明方法的步骤1预处理后得到的红外图像,图2b给出了一幅Nato_camp场景的可见光图像经本发明方法的步骤1预处理后得到的可见光图像。从图2a和图2b中可以看出,可见光图像在正常的光照条件下获得场景的细节纹理信息,图片清晰,而红外图像在光照不足的情况下对热辐射目标有较为明显的成像结果。
图3给出了图2a所示的红外图像经本发明方法的步骤2后再进行多尺度低秩矩阵分解得到的6层分解图像,图3中Y代表图2a所示的红外图像,X1表示Y的第1层分解图像,X2表示Y的第2层分解图像,X3表示Y的第3层分解图像,X4表示Y的第4层分解图像,X5表示Y的第5层分解图像,X6表示Y的第6层分解图像。从图3中可以看出,不同层的分解图像包含了原图的不同信息,前5层分解图像有较多的显著性信息,最后一层分解图像呈现较好的全局低秩结构。通过多尺度低秩矩阵分解能够更好地区分原始图像的显著性区域和低秩区域,其分解相对于普通的两层低秩分解方法,分解图像效果更好,显著部分每幅图也包含不同的信息,可以更加有针对性地制定不同融合规则,这样在减少融合结果人工伪影和斑块的同时完整地保留了图像的显著性信息和细节纹理信息。
图4给出了图2a和图2b的最终融合图像,从图4中可以看出,最终融合图像的融合对比度高,突出了目标信息,热红外显著性信息保留完整,这有利于后续的目标跟踪和检测,同时保留了更多可见光图像的纹理信息。
Claims (2)
1.一种基于多尺度低秩矩阵分解的红外与可见光图像融合方法,其特征在于包括以下步骤:
步骤1:选取同一场景的一幅红外图像和一幅可见光图像,对应记为Ir和Iv;然后分别对Ir和Iv进行预处理,将预处理后得到的红外图像记为将预处理后得到的可见光图像记为其中,Ir和Iv的宽度均为M,Ir和Iv的高度均为N;
步骤2:对进行多尺度低秩矩阵分解,将分解为L层分解图像,将的第i层分解图像记为将中坐标位置为(x,y)的像素点的像素值记为将中坐标位置为(x,y)的像素点的像素值记为同样,对进行多尺度低秩矩阵分解,将分解为L层分解图像,将的第i层分解图像记为将中坐标位置为(x,y)的像素点的像素值记为将中坐标位置为(x,y)的像素点的像素值记为其中,L表示多尺度低秩矩阵分解的分解层数,符号为向上取整符号,1≤i≤L,1≤x≤M,1≤y≤N;
步骤3_1:将和各自的L层分解图像分为多层次局部低秩图和全局低秩图两类,再将多层次局部低秩图分为局部小低秩块部分和局部大低秩块部分,当L为偶数时,局部小低秩块部分由第1层至第层分解图像组成,局部大低秩块部分由第层至第L-1层分解图像组成,第L层分解图像为全局低秩图;当L为奇数时,局部小低秩块部分由第1层至第层分解图像组成,局部大低秩块部分由第层至第L-1层分解图像组成,第L层分解图像为全局低秩图;
步骤3_2:对于局部小低秩块部分,将的局部小低秩块部分中的每层分解图像和的局部小低秩块部分中的每层分解图像的最优融合权重均设计为1;然后根据的局部小低秩块部分中的每层分解图像和的局部小低秩块部分中对应层分解图像,获取对应层融合图像,当的第j层分解图像属于的局部小低秩块部分且的第j层分解图像属于的局部小低秩块部分时,将获取的第j层融合图像记为Fj,将Fj中坐标位置为(x,y)的像素点的像素值记为Fj(x,y),其中,当L为偶数时当L为奇数时1≤x≤M,1≤y≤N,表示中坐标位置为(x,y)的像素点的像素值,表示中坐标位置为(x,y)的像素点的像素值;
对于局部大低秩块部分,根据的局部大低秩块部分中的每层分解图像和的局部大低秩块部分中对应层分解图像,获取对应层融合图像,当的第k层分解图像属于的局部大低秩块部分且的第k层分解图像属于的局部大低秩块部分时,将获取的第k层融合图像记为Fk,将Fk中坐标位置为(x,y)的像素点的像素值记为Fk(x,y),其中,当L为偶数时当L为奇数时 表示的最优融合权重,表示的最优融合权重,Wk表示的初始融合权重,Wk为最大绝对值方法权重系数,符号“||”为取绝对值符号,符号为卷积运算符号,G(x,y,σs)为高斯滤波器,σs表示高斯滤波器的标准差,表示中坐标位置为(x,y)的像素点的像素值,表示中坐标位置为(x,y)的像素点的像素值;
对于全局低秩图,将的全局低秩图即第L层分解图像的最优融合权重设计为wr,将的全局低秩图即第L层分解图像的最优融合权重设计为wv;然后根据的全局低秩图即第L层分解图像和的全局低秩图即第L层分解图像获取第L层融合图像,记为FL,将FL中坐标位置为(x,y)的像素点的像素值记为FL(x,y),其中,wr+wv=1,表示中坐标位置为(x,y)的像素点的像素值,表示中坐标位置为(x,y)的像素点的像素值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010119950.1A CN111462025B (zh) | 2020-02-26 | 2020-02-26 | 基于多尺度低秩矩阵分解的红外与可见光图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010119950.1A CN111462025B (zh) | 2020-02-26 | 2020-02-26 | 基于多尺度低秩矩阵分解的红外与可见光图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462025A true CN111462025A (zh) | 2020-07-28 |
CN111462025B CN111462025B (zh) | 2023-04-07 |
Family
ID=71684159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010119950.1A Active CN111462025B (zh) | 2020-02-26 | 2020-02-26 | 基于多尺度低秩矩阵分解的红外与可见光图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462025B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950518A (zh) * | 2021-03-19 | 2021-06-11 | 中国科学院长春光学精密机械与物理研究所 | 基于潜在低秩表示嵌套滚动引导图像滤波的图像融合方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846268A (zh) * | 2017-01-04 | 2017-06-13 | 温州大学 | 一种高斯‑脉冲混合图像噪声去除方法 |
CN109801250A (zh) * | 2019-01-10 | 2019-05-24 | 云南大学 | 基于adc-scm与低秩矩阵表达的红外与可见光图像融合方法 |
WO2019153651A1 (zh) * | 2018-02-06 | 2019-08-15 | 江苏宇特光电科技股份有限公司 | 基于双边滤波金字塔的三光图像智能融合方法 |
-
2020
- 2020-02-26 CN CN202010119950.1A patent/CN111462025B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846268A (zh) * | 2017-01-04 | 2017-06-13 | 温州大学 | 一种高斯‑脉冲混合图像噪声去除方法 |
WO2019153651A1 (zh) * | 2018-02-06 | 2019-08-15 | 江苏宇特光电科技股份有限公司 | 基于双边滤波金字塔的三光图像智能融合方法 |
CN109801250A (zh) * | 2019-01-10 | 2019-05-24 | 云南大学 | 基于adc-scm与低秩矩阵表达的红外与可见光图像融合方法 |
Non-Patent Citations (2)
Title |
---|
LI H,ET.AL: "infrared and visible image fusion using latent low-rank representation" * |
朱雄泳;等: "求解低秩矩阵融合高动态范围图像" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950518A (zh) * | 2021-03-19 | 2021-06-11 | 中国科学院长春光学精密机械与物理研究所 | 基于潜在低秩表示嵌套滚动引导图像滤波的图像融合方法 |
CN112950518B (zh) * | 2021-03-19 | 2022-10-04 | 中国科学院长春光学精密机械与物理研究所 | 基于潜在低秩表示嵌套滚动引导图像滤波的图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111462025B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ozcelik et al. | Rethinking CNN-based pansharpening: Guided colorization of panchromatic images via GANs | |
Yang et al. | Deep joint rain detection and removal from a single image | |
CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
CN106934766B (zh) | 一种基于稀疏表示的红外图像超分辨率重建方法 | |
Zhang et al. | One-two-one networks for compression artifacts reduction in remote sensing | |
CN112233026A (zh) | 一种基于多尺度残差注意力网络的sar图像去噪方法 | |
Huang et al. | Deep hyperspectral image fusion network with iterative spatio-spectral regularization | |
Liu et al. | Hyperspectral restoration and fusion with multispectral imagery via low-rank tensor-approximation | |
CN110189286B (zh) | 一种基于ResNet的红外与可见光图像融合方法 | |
CN113222877B (zh) | 红外和可见光图像融合方法及其在机载光电视频中的应用 | |
Wang et al. | MAGAN: Unsupervised low-light image enhancement guided by mixed-attention | |
CN114862731B (zh) | 低秩先验与空谱信息引导的多-高光谱影像融合方法 | |
Yadav et al. | A review on image fusion methodologies and applications | |
Li et al. | Infrared-visible image fusion method based on sparse and prior joint saliency detection and LatLRR-FPDE | |
Yu et al. | Split-attention multiframe alignment network for image restoration | |
Ren et al. | Unsupervised single image dehazing with generative adversarial network | |
Mun et al. | Texture preserving photo style transfer network | |
CN111462025B (zh) | 基于多尺度低秩矩阵分解的红外与可见光图像融合方法 | |
Wali et al. | Recent Progress in Digital Image Restoration Techniques: A Review | |
CN116563101A (zh) | 一种基于频域残差的无人机图像盲超分辨率重建方法 | |
Van Noord et al. | Light-weight pixel context encoders for image inpainting | |
Li et al. | ConvFormerSR: Fusing Transformers and Convolutional Neural Networks for Cross-sensor Remote Sensing Imagery Super-resolution | |
Liu et al. | Dnt: Learning unsupervised denoising transformer from single noisy image | |
CN113436123B (zh) | 去云-分辨率提升协同的高分sar与低分多光谱图像融合方法 | |
CN114331894A (zh) | 一种基于潜在特征重构和掩模感知的人脸图像修复方法 |
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 |