CN111462028A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111462028A
CN111462028A CN202010180560.5A CN202010180560A CN111462028A CN 111462028 A CN111462028 A CN 111462028A CN 202010180560 A CN202010180560 A CN 202010180560A CN 111462028 A CN111462028 A CN 111462028A
Authority
CN
China
Prior art keywords
image
frequency
low
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.)
Granted
Application number
CN202010180560.5A
Other languages
English (en)
Other versions
CN111462028B (zh
Inventor
伍康乐
陈珺
罗林波
龚文平
宋俊磊
陈小强
魏龙生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202010180560.5A priority Critical patent/CN111462028B/zh
Publication of CN111462028A publication Critical patent/CN111462028A/zh
Application granted granted Critical
Publication of CN111462028B publication Critical patent/CN111462028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Studio Devices (AREA)

Abstract

本发明提出了一种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；首先，使用拉普拉斯金字塔对源图像进行多尺度分解得到高低频子带；然后，对于高频子带，采用相位一致性提取图像特征图，使用特征图计算权重矩阵进而得出融合的高频子带；对于低频子带，首先根据显著性构造初始权重矩阵，然后把红外低频子带的权重矩阵和由低频子带特征图计算出的修正项相加，得到最终的红外低频子带权重矩阵，从而得出融合的低频子带；最后，通过拉普拉斯金字塔逆变换重建得到融合图像。本发明能够有效地反映出融合图像的边缘和纹理信息，较好的保留红外目标的显著性，同时也具有良好的对比度和视觉效果。

Description

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
技术领域
本发明涉及图像处理技术领域，尤其涉及一种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。
背景技术
红外(IR)与可见光图像的融合在其中起着重要的军事作用和民用应用，如目标探测、监视和情报收集红外成像传感器可以捕获物体发出的热辐射，受影响较小黑暗或恶劣的天气条件。然而，获得的IR图像通常缺乏足够的背景细节的场景。在对比之下，可见图像通常包含更多的细节和纹理信息，并具有较高的空间分辨率相应的红外图像。红外与可见光图像融合可以产生为人类观察提供更多信息的合成图像或计算机视觉任务。
基于多尺度分解的融合方法在过去几十年里被广泛研究，多尺度融合方法的本质是利用多尺度分解的方法将空间重叠的特征分离到不同的尺度上然后分别进行融合。有很多的多尺度分解方法已经应用到了图像融合领域，如：拉普拉斯金字塔变换、离散小波变换、非亚采样轮廓波变换、引导滤波器等等，这些基于多尺度分解的算法可以简单概括为以下几个步骤：(1)对源图像进行多尺度分解，以得到含有不同频率信息的子图像；(2)根据不同频率子图像的特点，选取不同的融合规则分别进行融合；(3)采用对应的逆变换获取最终的融合图像。
然而，现有的融合算法得出的融合结果存在纹理细节丢失、红外目标不够显著、对比度较低导致视觉效果不尽人意等缺点。
发明内容
为了解决传统的拉普拉斯金字塔融合方法纹理细节丢失、对比度差以及红外目标显著性损失的问题，本发明提供了一种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，主要包括以下步骤：
S101：使用拉普拉斯金字塔把输入图像进行多尺度分解得到输入图像的高频子带和低频子带；
S102：对于高频子带：利用根据相位一致性提取的特征图建立权重矩阵，从而得到高频融合图像；
S103：对于低频子带：首先利用低频子带建立初始的权重矩阵，然后在红外图像低频权重矩阵中加入由低频子带特征图计算出的修正项，得出最终的权重矩阵，从而得出低频融合图像；
S104：通过拉普拉斯金字塔逆变换将所述高频融合图像和所述低频融合图像重构得出重构的融合图像。
进一步地，步骤S101中，所述的输入图像包括：同一目标场景获取的红外图像和可见光图像。
进一步地，步骤S101中，使用拉普拉斯金字塔把输入图像进行多尺度分解得到输入图像的高频子带和低频子带，如公式(1)所示：
[Bn,Dn]＝lp_dec(In) (1)
上式中，n＝1,2分别代表红外图像和可见光图像：B1和D1分别表示红外图像的低频子带和高频子带，B2和D2分别表示可见光图像的低频子带和高频子带，I1和I2分别表示红外图像和可见光图像。
进一步地，所述的红外图像和可见光图像提前经过严格的配准且图片大小严格一致。
进一步地，步骤S102中，对于高频子带：利用根据相位一致性提取的特征图建立权重矩阵，从而得到高频融合图像；具体包括：
S201：利用相位一致性提取红外图像的特征图P1和可见光图像的特征图P2；
S202：分别对P1和P2使用“absolute max”原则构造P1和P2对应的权重矩阵W1和W2，以保留目标的显著性；
S203：结合高频子带D1和D2融合得到高频融合图像D，具体如公式(2)所示：
D＝W1.*D1+W2.*D2 (2)。
进一步地，步骤S103中，对于低频子带：首先利用低频子带建立初始的权重矩阵，然后在红外图像低频权重矩阵中加入由低频子带特征图计算出的修正项，得出最终的权重矩阵，从而得出低频融合图像；具体包括：
S301：利用低频子带B1和B2分别建立红外图像和可见光图像初始的权重矩阵W11和W22，具体由如公式(3)所示：
Figure BDA0002412381710000031
S302：把红外图像的低频子带的权重矩阵W11和由低频子带特征图计算出的修正项ΔP相加，得到最终的红外图像的低频子带权重矩阵W1'，可见光图像的低频子带权重矩阵W2'保持不变；W1'、W2'由公式(4)得出：
Figure BDA0002412381710000032
上式中，
Figure BDA0002412381710000033
λ为抑制系数，为预设值。
303：通过公式(5)得到低频融合图像B：
B＝W1'.*B1+W2'.*B2 (5)。
进一步地，步骤S104中，将高频融合图像D和低频融合图像B进行像素级的相加，确保与输入图像大小相同，即可得到重构的融合图像。
本发明提供的技术方案带来的有益效果是：本发明所提出的技术方案通过计算一些常用的图像融介客观评价指标，与其他几种传统融合算法进行对比,无论从主观视觉效果还是客观评价标准上都优于其他对比图像融合算法,本发明所提出的方法可以很好的保留源图像的细节、纹理和红外特征的显著性，具有更好的对比度这使得融合后的图像更为清晰、可靠、便于人眼直观视觉观察。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种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的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种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；
请参考图1，图1是本发明实施例中一种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的流程图，具体包括如下步骤：
S101：使用拉普拉斯金字塔把输入图像进行多尺度分解得到输入图像的高频子带和低频子带；
S102：对于高频子带：利用根据相位一致性提取的特征图建立权重矩阵，从而得到高频融合图像；
S103：对于低频子带：首先利用低频子带建立初始的权重矩阵，然后在红外图像低频权重矩阵中加入由低频子带特征图计算出的修正项，得出最终的权重矩阵，从而得出低频融合图像；
S104：通过拉普拉斯金字塔逆变换将所述高频融合图像和所述低频融合图像重构得出重构的融合图像。
步骤S101中，所述的输入图像包括：同一目标场景获取的红外图像和可见光图像，所述的红外图像和可见光图像提前经过严格的配准且图片大小严格一致；
可见光图像中能够有效地呈现出目标场景的背景信息，红外图像具有突出目标信息的优点；
使用拉普拉斯金字塔把输入图像进行多尺度分解得到输入图像的高频子带和低频子带，如公式(1)所示：
[Bn,Dn]＝lp_dec(In) (1)
上式中，n＝1,2分别代表红外图像和可见光图像：B1和D1分别表示红外图像的低频子带和高频子带，B2和D2分别表示可见光图像的低频子带和高频子带，I1和I2分别表示红外图像和可见光图像。
高频子带主要包括局部信息，如边缘、纹理；而低频子带主要包括全局信息，如像素强度分布。
步骤S102中，对于高频子带：利用根据相位一致性提取的特征图建立权重矩阵，从而得到高频融合图像；具体包括：
S201：利用相位一致性提取红外图像的特征图P1和可见光图像的特征图P2，该特征图对于图片的亮度、噪声具有很好的鲁棒性，包含的特征也更加全面；
S202：分别对P1和P2使用“absolute max”原则构造P1和P2对应的权重矩阵W1和W2，以保留目标的显著性；
S203：结合高频子带D1和D2融合得到高频融合图像D，具体如公式(2)所示：
D＝W1.*D1+W2.*D2 (2)
步骤S103中，对于低频子带：首先利用低频子带建立初始的权重矩阵，然后在红外图像低频权重矩阵中加入由低频子带特征图计算出的修正项，得出最终的权重矩阵，从而得出低频融合图像；具体包括：
S301：利用低频子带B1和B2分别建立红外图像和可见光图像初始的权重矩阵W11和W22，具体由如公式(3)所示：
Figure BDA0002412381710000051
S302：把红外图像的低频子带的权重矩阵W11和由低频子带特征图计算出的修正项ΔP相加，得到最终的红外图像的低频子带权重矩阵W1'，可见光图像的低频子带权重矩阵W2'保持不变，W1'、W2'由公式(4)得出：
Figure BDA0002412381710000052
其中，
Figure BDA0002412381710000053
λ为抑制系数，过大会导致红外目标附近的过曝光情况，本发明实施例中，取λ＝0.5可得出理想的实验结果；
S303：通过公式(5)得到低频融合图像B：
B＝W1'.*B1+W2'.*B2 (5)
步骤S104中，将高频融合图像D和低频融合图像B进行像素级的相加，确保与输入图像大小相同，即可得到重构的融合图像。
在本发明实施例中，采用已严格配准过的TNO Human Factors数据集中的B01和Road图像对作为源输入图像；采用传统的图像质量评价指标：信息熵(InformationEntroy，EN)、标准差(Standard Deviation，SD)、互相关信息(Mutual Information，MI)、结构相似性(Structural similarity index measure，SSIM)，视觉信息逼真度(Visualinformation fidelity,VIF)。与基于目标增强的融合算法(LP_fuse)、基于低通金字塔的融合算法(RP)、基于离散小波变换的融合算法(DWT)、基于曲波变换的融合算法(CVT)、基于非亚采样轮廓波变换的融合算法(NSCT)进行比较。实验结果如表1、2所示，本发明的融合算法在各个指标上都有较好的表现，表明融合图像的对比度、和源图像的相似程度都比较高，且能有效的突出红外目标以及很好地显现融合图像的边缘和纹理信息。
表1 B01图像对融合图像
Figure BDA0002412381710000061
表2 Road图像对融合图像
Figure BDA0002412381710000062
本发明的有益效果是：本发明所提出的技术方案通过计算一些常用的图像融介客观评价指标，与其他几种传统融合算法进行对比,无论从主观视觉效果还是客观评价标准上都优于其他对比图像融合算法,本发明所提出的方法可以很好的保留源图像的细节、纹理和红外特征的显著性，具有更好的对比度这使得融合后的图像更为清晰、可靠、便于人眼直观视觉观察。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种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，其特征在于：包括以下步骤：
S101：使用拉普拉斯金字塔把输入图像进行多尺度分解得到输入图像的高频子带和低频子带；
S102：对于高频子带：利用根据相位一致性提取的特征图建立权重矩阵，从而得到高频融合图像；
S103：对于低频子带：首先利用低频子带建立初始的权重矩阵，然后在红外图像低频权重矩阵中加入由低频子带特征图计算出的修正项，得出最终的权重矩阵，从而得出低频融合图像；
S104：通过拉普拉斯金字塔逆变换将所述高频融合图像和所述低频融合图像重构得出重构的融合图像。
2.如权利要求1所述的一种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，其特征在于：步骤S101中，所述的输入图像包括：同一目标场景获取的红外图像和可见光图像。
3.如权利要求2所述的一种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，其特征在于：步骤S101中，使用拉普拉斯金字塔把输入图像进行多尺度分解得到输入图像的高频子带和低频子带，如公式(1)所示：
[Bn，Dn]＝lp_dec(In) (1)
上式中，n＝1，2分别代表红外图像和可见光图像：B1和D1分别表示红外图像的低频子带和高频子带，B2和D2分别表示可见光图像的低频子带和高频子带，I1和I2分别表示红外图像和可见光图像。
4.如权利要求2所述的一种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，其特征在于：所述的红外图像和可见光图像提前经过严格的配准且图片大小严格一致。
5.如权利要求3所述的一种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，其特征在于：步骤S102中，对于高频子带：利用根据相位一致性提取的特征图建立权重矩阵，从而得到高频融合图像；具体包括：
S201：利用相位一致性提取红外图像的特征图P1和可见光图像的特征图P2；
S202：分别对P1和P2使用“absolute max”原则构造P1和P2对应的权重矩阵W1和W2，以保留目标的显著性；
S203：结合高频子带D1和D2融合得到高频融合图像D，具体如公式(2)所示：
D＝W1.*D1+W2.*D2 (2)。
6.如权利要求5所述的一种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，其特征在于：步骤S103中，对于低频子带：首先利用低频子带建立初始的权重矩阵，然后在红外图像低频权重矩阵中加入由低频子带特征图计算出的修正项，得出最终的权重矩阵，从而得出低频融合图像；具体包括：
S301：利用低频子带B1和B2分别建立红外图像和可见光图像初始的权重矩阵W11和W22，具体由如公式(3)所示：
Figure FDA0002412381700000021
S302：把红外图像的低频子带的权重矩阵W11和由低频子带特征图计算出的修正项ΔP相加，得到最终的红外图像的低频子带权重矩阵W1＇，可见光图像的低频子带权重矩阵W2＇保持不变；W1＇、W2＇由公式(4)得出：
Figure FDA0002412381700000022
上式中，
Figure FDA0002412381700000023
λ为抑制系数，为预设值。
303：通过公式(5)得到低频融合图像B：
B＝W1＇.*B1+W2＇.*B2 (5)。
7.如权利要求6所述的一种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，其特征在于：步骤S104中，将高频融合图像D和低频融合图像B进行像素级的相加，确保与输入图像大小相同，即可得到重构的融合图像。
CN202010180560.5A 2020-03-16 2020-03-16 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 Active CN111462028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010180560.5A CN111462028B (zh) 2020-03-16 2020-03-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010180560.5A CN111462028B (zh) 2020-03-16 2020-03-16 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

Publications (2)

Publication Number Publication Date
CN111462028A true CN111462028A (zh) 2020-07-28
CN111462028B CN111462028B (zh) 2023-06-27

Family

ID=71685158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010180560.5A Active CN111462028B (zh) 2020-03-16 2020-03-16 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

Country Status (1)

Country Link
CN (1) CN111462028B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077375A (zh) * 2021-04-07 2021-07-06 有方（合肥）医疗科技有限公司 图像获取方法、图像获取装置、电子设备及存储介质
CN113298744A (zh) * 2021-06-07 2021-08-24 长春理工大学 一种端到端的红外与可见光图像融合方法
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
CN114331937A (zh) * 2021-12-27 2022-04-12 哈尔滨工业大学 基于反馈迭代调节的低光照条件下多源图像融合方法
CN114677316A (zh) * 2022-05-27 2022-06-28 深圳顶匠科技有限公司 可实时的可见光图像与红外图像多通道融合方法及装置
CN115205224A (zh) * 2022-06-22 2022-10-18 锋睿领创(珠海)科技有限公司 自适应特征增强的多源融合视觉检测方法、装置及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5325449A (en) * 1992-05-15 1994-06-28 David Sarnoff Research Center, Inc. Method for fusing images and apparatus therefor
US20090169102A1 (en) * 2007-11-29 2009-07-02 Chao Zhang Multi-scale multi-camera adaptive fusion with contrast normalization
CN104809734A (zh) * 2015-05-11 2015-07-29 中国人民解放军总装备部军械技术研究所 一种基于引导滤波的红外图像与可见光图像融合的方法
CN105719263A (zh) * 2016-01-22 2016-06-29 昆明理工大学 基于nsct域底层视觉特征的可见光和红外图像融合算法
CN109670522A (zh) * 2018-09-26 2019-04-23 天津工业大学 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
CN110223265A (zh) * 2019-05-05 2019-09-10 中国地质大学（武汉） 基于多尺度变换分解的目标显著的图像融合方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578395B (zh) * 2017-08-31 2019-12-17 中国地质大学（武汉） 一种基于视觉感知的图像质量评价方法
CN109102485A (zh) * 2018-09-11 2018-12-28 中国科学院长春光学精密机械与物理研究所 基于nsst和自适应双通道pcnn的图像融合方法及装置
CN109447909A (zh) * 2018-09-30 2019-03-08 安徽四创电子股份有限公司 基于视觉显著性的红外与可见光图像融合方法及系统
CN110458192B (zh) * 2019-07-05 2022-06-14 中国地质大学（武汉） 基于视觉显著性的高光谱遥感图像分类方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5325449A (en) * 1992-05-15 1994-06-28 David Sarnoff Research Center, Inc. Method for fusing images and apparatus therefor
US20090169102A1 (en) * 2007-11-29 2009-07-02 Chao Zhang Multi-scale multi-camera adaptive fusion with contrast normalization
CN104809734A (zh) * 2015-05-11 2015-07-29 中国人民解放军总装备部军械技术研究所 一种基于引导滤波的红外图像与可见光图像融合的方法
CN105719263A (zh) * 2016-01-22 2016-06-29 昆明理工大学 基于nsct域底层视觉特征的可见光和红外图像融合算法
CN109670522A (zh) * 2018-09-26 2019-04-23 天津工业大学 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
CN110223265A (zh) * 2019-05-05 2019-09-10 中国地质大学（武汉） 基于多尺度变换分解的目标显著的图像融合方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈 峰，李 敏，马 乐，邱晓华: "基于滚动引导滤波的红外与可见光图像融合算法" *

Cited By (6)

* Cited by examiner, † Cited by third party
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
CN113077375A (zh) * 2021-04-07 2021-07-06 有方（合肥）医疗科技有限公司 图像获取方法、图像获取装置、电子设备及存储介质
CN113298744A (zh) * 2021-06-07 2021-08-24 长春理工大学 一种端到端的红外与可见光图像融合方法
CN114331937A (zh) * 2021-12-27 2022-04-12 哈尔滨工业大学 基于反馈迭代调节的低光照条件下多源图像融合方法
CN114677316A (zh) * 2022-05-27 2022-06-28 深圳顶匠科技有限公司 可实时的可见光图像与红外图像多通道融合方法及装置
CN115205224A (zh) * 2022-06-22 2022-10-18 锋睿领创(珠海)科技有限公司 自适应特征增强的多源融合视觉检测方法、装置及介质

Also Published As

Publication number Publication date
CN111462028B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN111462028B (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
Li et al. Single image de-hazing using globally guided image filtering
Ma et al. Infrared and visible image fusion based on visual saliency map and weighted least square optimization
Vanmali et al. Visible and NIR image fusion using weight-map-guided Laplacian–Gaussian pyramid for improving scene visibility
Yang et al. Fusion of infrared polarization and intensity images using support value transform and fuzzy combination rules
CN104021532B (zh) 一种红外图像的图像细节增强方法
US20150254813A1 (en) Methods and systems for suppressing atmospheric turbulence in images
Jun et al. Image defogging algorithm of single color image based on wavelet transform and histogram equalization
CN112801927B (zh) 一种基于三尺度分解的红外和可见光图像融合方法
Kwok et al. Visual impact enhancement via image histogram smoothing and continuous intensity relocation
CN109345481B (zh) 一种用于航天光学遥感图像的量子优化方法
Ling et al. Perception oriented transmission estimation for high quality image dehazing
CN111815550B (zh) 一种基于灰度共生矩阵的红外与可见光图像融合方法
Bansal et al. A review of image restoration based image defogging algorithms
Zhang et al. Single image dehazing based on fast wavelet transform with weighted image fusion
Chen et al. Weighted sparse representation and gradient domain guided filter pyramid image fusion based on low-light-level dual-channel camera
Patel et al. A review on infrared and visible image fusion techniques
Zhao et al. An adaptive low-illumination image enhancement algorithm based on weighted least squares optimization
Al-Samaraie A new enhancement approach for enhancing image of digital cameras by changing the contrast
Gao et al. Infrared and visible image fusion using dual-tree complex wavelet transform and convolutional sparse representation
Thai et al. Performance evaluation of high dynamic range image tone mapping operators based on separable non-linear multiresolution families
Liu et al. Infrared and visible image fusion via rolling guidance filter and convolutional sparse representation
Dong et al. Low lighting image enhancement using local maximum color value prior
Voronin et al. Block-based multi-scale haze image enhancement method for surveillance application
Goel The implementation of image enhancement techniques using Matlab

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