CN111462032B - 非制冷红外图像与日盲紫外图像融合方法及应用 - Google Patents

非制冷红外图像与日盲紫外图像融合方法及应用 Download PDF

Info

Publication number
CN111462032B
CN111462032B CN202010246707.6A CN202010246707A CN111462032B CN 111462032 B CN111462032 B CN 111462032B CN 202010246707 A CN202010246707 A CN 202010246707A CN 111462032 B CN111462032 B CN 111462032B
Authority
CN
China
Prior art keywords
layer
image
fusion
uncooled infrared
edge
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
Application number
CN202010246707.6A
Other languages
English (en)
Other versions
CN111462032A (zh
Inventor
顾燕
杨锋
赵维骏
吕扬
郭一亮
朱波
焦国力
董隽媛
谷长健
宋淳
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.)
North Night Vision Technology Co Ltd
Original Assignee
North Night Vision Technology Co Ltd
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 North Night Vision Technology Co Ltd filed Critical North Night Vision Technology Co Ltd
Priority to CN202010246707.6A priority Critical patent/CN111462032B/zh
Publication of CN111462032A publication Critical patent/CN111462032A/zh
Application granted granted Critical
Publication of CN111462032B publication Critical patent/CN111462032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10048Infrared image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20212Image combination
    • G06T2207/20221Image fusion; Image merging

Landscapes

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

Abstract

本发明设计图像处理领域,公开了一种非制冷红外图像与日盲紫外图像融合方法及应用。首先将非制冷红外图像和紫外图像分别进行两轮双边滤波和高斯滤波;然后将两轮得到的双边滤波和高斯滤波后的图像做差,得到两层边缘信息层,将两轮得到的双边滤波图像分别与原图像和第一次高斯滤波后的图像做差,得到两层细节信息层,第二轮得到的高斯滤波图像为顶层近似层;接着将非制冷红外图像和紫外图像分层融合;最后将分层融合后的细节信息层和边缘信息层从第三层开始通过双线性差值进行上采样,得到的图像继续上采样,完成重构过程,得到最终的融合图像。通过本发明的方法进行图像融合后,图像细节清晰、紫外目标信息突出。

Description

非制冷红外图像与日盲紫外图像融合方法及应用
技术领域
本发明属于图像处理领域,特别是一种基于细节信息与边缘信息提取的非制冷红外图像与日盲紫外图像融合方法。
背景技术
电力系统中,输电线路承受的负荷随着国家电网规模的扩大不断上升。由于输电线路绝缘特性的降低,暴露在空气中的输电线会产生电晕放电,并且会随着时间的增加而积累热量,如果不及时发现并进行修复,会导致财产遭受更大的损失,因此高性能的电晕检测设备有着广大的应用前景和市场需求。
电晕放电的过程中,空气被强电场电离后,会在电离区产生气体发光现象。电晕放电的紫外光谱段主要集中在300~400nm的紫外线区域和230~280nm的日盲区域。由于太阳光中小于280nm的紫外辐射在经过大气层的时候,会被臭氧层所吸收,因此低于280nm的波长区间称为“日盲区”。在地表附近检测日盲区的紫外辐射不会受到太阳光的干扰,所以具有较高的探测率与灵敏度,但是紫外图像可分辨能力差,需要其他波段的图像提供背景参考。而红外图像具有全天候工作,目标纹理细节清晰,探测距离远的有点。
发明内容
本发明的目的在于提供一种图像融合效果好、细节清晰、紫外目标信息突出的基于细节信息与边缘信息提取的非制冷红外图像与日盲紫外图像融合方法。
实现本发明目的的技术解决方案为:
一种基于细节信息与边缘信息提取的非制冷红外图像与日盲紫外图像融合方法,包括以下步骤:
步骤1、将非制冷红外图像与日盲紫外图像分别进行边缘、细节信息分解,得到近似层、细节信息层和边缘信息层;每个图像具有对应的、成为金字塔形分解的底层、中间层和顶层,底层为第三层细节信息层、第三层边缘信息层,中间层为第二层细节信息层及第二层边缘信息层,顶层为近似层;
步骤2、将非制冷红外图像和紫外图像进行分成融合,即将对应的每一层的边缘信息层取绝对值最大融合,每一层的细节信息层进行加权融合,对顶层的近似层取最大值融合,得到融合细节层三、融合边缘层三、融合细节层二、融合边缘层二以及融合近似层;
步骤3、将分层融合后的细节信息层和边缘信息层从第三层开始进行叠加,并将融合近似层通过双线性插值进行上采样,再将得到的图像继续上采样,完成图像重构过程,得到最终的融合图像。
本发明与现有技术相比,其显著优点在于:可利用红外成像进行全天候工作,作用距离远,细节丰富,有助于寻找定位放电位置;同时,融合紫外图像中的目标信息的细节更加突出,有助于及时发现紫外放电。
附图说明
图1是本发明基于细节信息与边缘信息提取的非制冷红外图像和日盲紫外图像融合过程的流程图。
图2是本发明基于细节信息与边缘信息提取的非制冷红外图像和日盲紫外图像融合算法边缘、细节信息分解模块示意图。
图3A-3B是本发明中非制冷红外图像的两层细节信息层图像。
图4A-4B是本发明中非制冷红外图像的两层边缘信息层图像。
图5是本发明中非制冷红外图像的顶层近似层图像。
图6A-6B是本发明中日盲紫外图像的两层细节信息层图像。
图7A-7B是本发明中日盲紫外图像的两层边缘信息层图像。
图8是本发明中日盲紫外图像的顶层近似层图像。
图9是本发明中的非制冷红外图像与日盲紫外图像的最终融合效果图。
具体实施方式
本发明基于细节信息与边缘信息提取的非制冷红外图像与日盲紫外图像融合方法,包括以下步骤:
步骤1、将非制冷红外图像与日盲紫外图像分别进行边缘、细节信息分解,得到近似层、细节信息层和边缘信息层;每个图像具有对应的、成为金字塔形分解的底层、中间层和顶层,底层为第三层细节信息层、第三层边缘信息层,中间层为第二层细节信息层及第二层边缘信息层,顶层为近似层;
步骤2、将非制冷红外图像和紫外图像进行分成融合,即将对应的每一层的边缘信息层取绝对值最大融合,每一层的细节信息层进行加权融合,对顶层的近似层取最大值融合,得到融合细节层三、融合边缘层三、融合细节层二、融合边缘层二以及融合近似层;
步骤3、将分层融合后的细节信息层和边缘信息层从第三层开始进行叠加,并将融合近似层通过双线性插值进行上采样,再将得到的图像继续上采样,完成图像重构过程,得到最终的融合图像。
进一步地,步骤1中所述的将非制冷红外图像与日盲紫外图像分别通过边缘、细节信息分解模块,得到顶层近似层、细节信息层、边缘信息层,具体过程为:
步骤1-1、将非制冷红外图像IIR进行双边滤波,得到边缘被保持,细节被滤除的滤波图像IIRB1
步骤1-2、将非制冷红外图像IIR进行高斯滤波并且下采样,去除偶数行和列,得到滤波图像IIRG1
步骤1-3、将步骤1-2中得到的滤波图像IIRG1进行双线性插值上采样,得到图像IIRG1_up
步骤1-4、细节信息层LDIR3和边缘信息层LEIR3(得到的细节层和边缘层为金字塔形分解的底层(即第三层级),分别命名其为第三层细节信息层(图3A)和第三层边缘信息层(图4A),可以通过将IIR和IIRB1、IIR和IIRG1_up做差得到,具体计算公式如下:
LDIR3=IIR-IIRB1 (1)
LEIR3=IIRB1-IIRG1_up (2)
步骤1-5、将步骤1-3中得到的图像IIRG1_up作为输入图像,重复步骤1-1到步骤1-4的过程,得到第二层细节信息层LDIR2(图3B)和第二层边缘信息层LEIR2(图4B),其中过程中得到的IIRG2作为顶层的近似层LTIR(如图5);
步骤1-6、对日盲紫外图像IUV重复步骤1-1到步骤1-5的过程,得到紫外图像的第三层细节信息层LDUV3(图6A)、第三层边缘信息层LEUV3(图7A)、第二层细节信息层LDUV2(图6B)、第二层边缘信息层LEUV2(图7B)和顶层的近似层LTUV(图8)。
进一步地,步骤2中的分层融合,具体过程为:
步骤2-1、将非制冷红外图像和日盲紫外图像的两层边缘信息层,即LEIR2和LEUV2、LEIR3和LEUV3进行逐像素比较筛选,从两者中选出绝对值较大的数值,组成两个新的融合图像边缘信息层,分别为LE2和LE3,具体计算公式如下:
LE2=(|LEIR2|>|LEUV2|)?LEIR2:LEUV2 (3)
LE3=(|LEIR3|>|LEUV3|)?LEIR3:LEUV3 (4)
步骤2-2、将非制冷红外图像和日盲紫外图像的两层细节信息层,即LDIR2和LDUV2、LDIR3和LDUV3分别进行加权融合,组成两个新的融合图像细节信息层,分别为LD2和LD3,具体计算公式如下:
LD2=a*LDIR2+b*LDUV2 (5)
LD3=a*LDIR3+b*LDUV3 (6)
其中,a和b为大于1的整数。
优选地,本方法中a=2,b=1。
其中,前述公式3-4中,如果判断结果是>,则取值为冒号前面的值,如果判断结果是<,取值为冒号后面的值。
如此,通过步骤2的融合,实现了紫外目标的细节增强。
步骤2-3、将非制冷红外图像和日盲紫外图像的顶层近似层,即LTIR和LTUV进行逐像素比较筛选,从两者中选出数值较大的数字,组成新的融合图像顶层近似层LT,具体计算公式如下:
LT=MAX(LTIR,LTUV) (7)
其中MAX()表示取两个矩阵中相同位置数值较大的数字。
进一步地,步骤3的融合图像的重构过程具体包括以下步骤:
步骤3-1、将步骤2中得到的融合边缘层三LE3和融合细节层三LD3相加得到最终的第三层信息层L3,融合边缘层二LE2和融合细节层二LD2相加得到第二层信息层L2,具体如下:
L2=LE2+LD2 (8)
L3=LE3+LD3 (9)
步骤3-2、将步骤2中得到的融合图像近似层LT通过双线性插值进行上采样,得到LTup,使其尺度与L2层相同,然后将L2与LTup相加,所得的和再经过双线性插值进行上采样与层相加,得到最终融合图像IF,如图9所示。其中,融合图像具体表示如下:
IF=UP(UP(LT)+L2)+L3 (10)
其中,运算UP()表示双线性插值上采样操作。
优选地,步骤1-1中所述的双边滤波空间域方差为3,值域方差为0.1。
优选地,步骤1-2中所述的高斯滤波模板,具体如下:
Figure BDA0002434153260000051
下面结合附图及具体实施例对本发明作进一步详细说明。
结合以上本发明的示例性实施过程,在红外图像与日盲紫外图像的提取、融合和重构过程中,充分考虑紫外图像背景可参考性低,细节不清晰的特点,将非制冷红外图像和紫外图像经过双边滤波和高斯滤波处理后,提取出各自图像在不同尺度的细节信息图和边缘信息图,在不同的空间频率区间上分别进行融合,既保留了清晰且细节丰富的红外图像信息,有突出了紫外图像中的目标。
由于太阳光中小于280nm的紫外辐射经过大气层中的臭氧层时,被大部分吸收了,形成了一个“日盲区”,所以在地表附近探测200~280nm的紫外光时,成像背景纯净。但是由于日盲区波段的紫外光发射源并不普遍,使得日盲紫外成像往往只在目标位置有信号,在其他区域无法辨别具体的背景信息。因此,本发明的具体实施过程中为了提供紫外图像的背景信息,并且辅助电晕探测,对红外图像与紫外图像进行融合和重构,从而在电力系统的电晕放电检测过程中,通过红外成像进行全天候工作,定位放电位置,同时融合紫外成像图像中反应的细节信息,可及时发现紫外放电,融合后的图像细节清洗,紫外放电信息的检测更加突出。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。

Claims (7)

1.一种基于细节信息与边缘信息提取的非制冷红外图像与日盲紫外图像融合方法,其特征在于,包括以下步骤:
步骤1、将非制冷红外图像与日盲紫外图像分别进行边缘、细节信息分解,得到近似层、细节信息层和边缘信息层;每个图像具有对应的、成为金字塔形分解的底层、中间层和顶层,底层为第三层细节信息层、第三层边缘信息层,中间层为第二层细节信息层及第二层边缘信息层,顶层为近似层;
步骤2、将非制冷红外图像和紫外图像进行分层融合,即将对应的每一层的边缘信息层取绝对值最大融合,每一层的细节信息层进行加权融合,对顶层的近似层取最大值融合,得到融合细节层三、融合边缘层三、融合细节层二、融合边缘层二以及融合近似层;
步骤3、将分层融合后的细节信息层和边缘信息层从第三层开始进行叠加,并将融合近似层通过双线性插值进行上采样,再将得到的图像继续上采样,完成图像重构过程,得到最终的融合图像;
其中,所述步骤1的具体处理包括以下步骤1-1至步骤1-6的过程,具体如下:
步骤1-1、将非制冷红外图像IIR作为原始输入图像进行双边滤波,得到边缘被保持、细节被滤除的滤波图像IIRB1
步骤1-2、将非制冷红外图像IIR进行高斯滤波并且下采样,去除偶数行和列,得到滤波图像IIRG1
步骤1-3、将步骤1-2中得到的滤波图像IIRG1进行双线性插值上采样,得到图像IIRG1_up
步骤1-4、通过将前述图像IIR和IIRB1、IIR和IIRG1_up做差,得到第三细节信息层LDIR3和第三边缘信息层LEIR3,具体计算公式如下:
LDIR3=IIR-IIRB1 (1)
LEIR3=IIRB1-IIRG1_up (2)
步骤1-5、将步骤1-3中得到的图像IIRG1_up替换步骤1-1中的非制冷红外图像IIR,作为原始输入图像,重复步骤1-1到步骤1-4的过程,得到第二层细节信息层LDIR2和第二层边缘信息层LEIR2,其中过程中得到的IIRG2作为顶层的近似层LTIR
步骤1-6、对日盲紫外图像IUV作为原始输入图像,重复步骤1-1到步骤1-5的过程,得到日盲紫外图像的第三层细节信息层LDUV3、第三层边缘信息层LEUV3、第二层细节信息层LDUV2、第二层边缘信息层LEUV2和顶层的近似层LTUV
2.根据权利要求1所述的基于细节信息与边缘信息提取的非制冷红外图像与日盲紫外图像融合方法,其特征在于,所述步骤2中,非制冷红外图像和紫外图像的分层融合过程包括:
步骤2-1、将非制冷红外图像和日盲紫外图像的两层边缘信息层,即LEIR2和LEUV2、LEIR3和LEUV3分别进行逐像素比较筛选,从两者中选出绝对值较大的数值,组成两个新的融合图像边缘信息层,分别为LE2和LE3,具体计算公式如下:
LE2=(|LEIR2|>|LEUV2|)?LEIR2:LEUV2 (3)
LE3=(|LEIR3|>|LEUV3|)?LEIR3:LEUV3 (4)
步骤2-2、将非制冷红外图像和日盲紫外图像的两层细节信息层,即LDIR2和LDUV2、LDIR3和LDUV3分别进行加权融合,组成两个新的融合图像细节信息层,分别为LD2和LD3,具体计算公式如下:
LD2=a*LDIR2+b*LDUV2 (5)
LD3=a*LDIR3+b*LDUV3 (6)
其中,a和b均为大于等于1的正整数;
步骤2-3、将非制冷红外图像和日盲紫外图像的顶层的近似层,即LTIR和LTUV进行逐像素比较筛选,从两者中选出数值较大者,组成新的融合图像顶层近似层LT,具体计算公式如下:
LT=MAX(LTIR,LTUV) (7)
其中,运算MAX()表示取两个图像的矩阵中相同位置数值较大的数字。
3.根据权利要求2所述的基于细节信息与边缘信息提取的非制冷红外图像与日盲紫外图像融合方法,其特征在于,所述步骤3中,融合图像重构过程具体包括:
步骤3-1、将步骤2中得到的融合边缘层三LE3和融合细节层三LD3相加得到最终的第三层信息层L3,融合边缘层二LE2和融合细节层二LD2相加得到第二层信息层L2,具体如下:
L2=LE2+LD2 (8)
L3=LE3+LD3 (9)
步骤3-2、将步骤2中得到的融合图像近似层LT通过双线性插值进行上采样,得到LTup,使其尺度与L2层相同,然后将L2与LTup相加,所得的和再经过双线性插值进行上采样与层相加,得到最终融合图像IF,具体如下:
IF=UP(UP(LT)+L2)+L3 (10)
其中,运算UP()表示双线性插值上采样操作。
4.根据权利要求1所述的基于细节信息与边缘信息提取的非制冷红外图像与日盲紫外图像融合方法,其特征在于,步骤1-1中所述的双边滤波空间域方差为3,值域方差为0.1。
5.根据权利要求1所述的基于细节信息与边缘信息提取的非制冷红外图像与日盲紫外图像融合方法,其特征在于,步骤1-2中所述的高斯滤波模板,具体如下:
Figure FDA0004071566710000031
6.根据权利要求2所述的基于细节信息与边缘信息提取的非制冷红外图像与日盲紫外图像融合方法,其特征在于,所述a和b的取值如下:
a=2;
b=1。
7.一种根据权利要求1-6中任意一项所述的方法在电晕检测中的应用。
CN202010246707.6A 2020-03-31 2020-03-31 非制冷红外图像与日盲紫外图像融合方法及应用 Active CN111462032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010246707.6A CN111462032B (zh) 2020-03-31 2020-03-31 非制冷红外图像与日盲紫外图像融合方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010246707.6A CN111462032B (zh) 2020-03-31 2020-03-31 非制冷红外图像与日盲紫外图像融合方法及应用

Publications (2)

Publication Number Publication Date
CN111462032A CN111462032A (zh) 2020-07-28
CN111462032B true CN111462032B (zh) 2023-03-31

Family

ID=71680182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010246707.6A Active CN111462032B (zh) 2020-03-31 2020-03-31 非制冷红外图像与日盲紫外图像融合方法及应用

Country Status (1)

Country Link
CN (1) CN111462032B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200617591A (en) * 2004-07-22 2006-06-01 Citiplate Inc Thermally sensitive coating compositions useful for lithographic elements
CN102789640A (zh) * 2012-07-16 2012-11-21 中国科学院自动化研究所 一种将可见光全色图像与红外遥感图像进行融合的方法
CN104459457A (zh) * 2013-09-25 2015-03-25 北京环境特性研究所 一种红外与紫外双路成像电力检测仪
CN205940772U (zh) * 2016-07-27 2017-02-08 深圳天盈光电系统有限公司 一种原棉异性纤维剔除用双通道短波红外成像系统
US9600741B1 (en) * 2015-03-18 2017-03-21 Amazon Technologies, Inc. Enhanced image generation based on multiple images
CN107169947A (zh) * 2017-04-26 2017-09-15 国网上海市电力公司 一种基于特征点定位和边缘检测的图像融合实验方法
CN108399612A (zh) * 2018-02-06 2018-08-14 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
CN109816616A (zh) * 2018-12-25 2019-05-28 南京理工大学 基于塔型分解的非制冷红外图像与日盲紫外图像融合方法
CN109841466A (zh) * 2019-02-27 2019-06-04 北方夜视技术股份有限公司 一种宽光谱响应的透射式多碱光电阴极及其制作方法
CN110082335A (zh) * 2018-01-25 2019-08-02 齐鲁工业大学 一种红外、拉曼和激光三通道点对点实时融合的测量系统
CN110598699A (zh) * 2019-09-16 2019-12-20 华中科技大学 一种基于多光谱图像的防伪票据鉴伪系统和方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6898331B2 (en) * 2002-08-28 2005-05-24 Bae Systems Aircraft Controls, Inc. Image fusion system and method
AU2013202796B2 (en) * 2004-12-28 2016-06-09 Hypermed Imaging, Inc. Hyperspectral/multispectral imaging in determination, assessment and monitoring of systemic physiology and shock

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200617591A (en) * 2004-07-22 2006-06-01 Citiplate Inc Thermally sensitive coating compositions useful for lithographic elements
CN102789640A (zh) * 2012-07-16 2012-11-21 中国科学院自动化研究所 一种将可见光全色图像与红外遥感图像进行融合的方法
CN104459457A (zh) * 2013-09-25 2015-03-25 北京环境特性研究所 一种红外与紫外双路成像电力检测仪
US9600741B1 (en) * 2015-03-18 2017-03-21 Amazon Technologies, Inc. Enhanced image generation based on multiple images
CN205940772U (zh) * 2016-07-27 2017-02-08 深圳天盈光电系统有限公司 一种原棉异性纤维剔除用双通道短波红外成像系统
CN107169947A (zh) * 2017-04-26 2017-09-15 国网上海市电力公司 一种基于特征点定位和边缘检测的图像融合实验方法
CN110082335A (zh) * 2018-01-25 2019-08-02 齐鲁工业大学 一种红外、拉曼和激光三通道点对点实时融合的测量系统
CN108399612A (zh) * 2018-02-06 2018-08-14 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
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
CN109816616A (zh) * 2018-12-25 2019-05-28 南京理工大学 基于塔型分解的非制冷红外图像与日盲紫外图像融合方法
CN109841466A (zh) * 2019-02-27 2019-06-04 北方夜视技术股份有限公司 一种宽光谱响应的透射式多碱光电阴极及其制作方法
CN110598699A (zh) * 2019-09-16 2019-12-20 华中科技大学 一种基于多光谱图像的防伪票据鉴伪系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Xin Jin等.A survey of infrared and visual image fusion methods.《Infrared physics and technology》.2017,全文. *
马立新等.应用于紫外检测技术的ICA图像融合算法.《机 电 工 程》.2016,第33卷(第1期),全文. *

Also Published As

Publication number Publication date
CN111462032A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN103308833B (zh) 一种用于电晕探测的紫外图像故障定位处理系统及方法
CN110942457B (zh) 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN109934788B (zh) 一种基于标准遥感图像的遥感图像缺失数据修复方法
CN104574296A (zh) 一种用于偏振去雾霾的多小波融合处理图片的方法
CN108537735B (zh) 一种焦平面太赫兹成像的图像拼接方法
CN105225213A (zh) 一种基于s-pcnn与拉普拉斯金字塔的彩色图像融合方法
CN104361570A (zh) 一种基于分数阶傅里叶变换的图像融合方法
CN111161161B (zh) 一种颜色保持的特征融合去雾方法
CN109886908A (zh) 红外图像与可见光图像融合方法
CN107958450A (zh) 基于自适应高斯滤波的全色多光谱影像融合方法及系统
CN110751036A (zh) 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法
CN111462032B (zh) 非制冷红外图像与日盲紫外图像融合方法及应用
CN114841885B (zh) 一种基于偏振图像数据的去雾融合处理方法
Zhang et al. Fast polarimetric dehazing method for visibility enhancement in HSI colour space
CN112686829A (zh) 基于角度信息的4d光场全聚焦图像获取方法
Huang et al. Polarization dehazing method based on spatial frequency division and fusion for a far-field and dense hazy image
CN102968767A (zh) 带有白平衡校正的雾天降质图像实时复原方法
CN114155145A (zh) 一种基于深度展开网络的空谱同时超分辨率重建方法
CN101776489A (zh) 飞秒激光等离子体通道干涉图相位和电子密度提取方法
CN110111268B (zh) 基于暗通道和模糊宽度学习的单幅图像去雨方法及装置
CN109816616B (zh) 基于塔型分解的非制冷红外图像与日盲紫外图像融合方法
CN113628151B (zh) 一种红外与可见光图像融合方法
CN110717858A (zh) 低光照度环境下的图像预处理方法及装置
CN102013091B (zh) 结合倒易晶胞的平移不变小波遥感图像复原方法
CN105787896B (zh) 一种顾及辐射二维分布的影像间的匀光匀色方法及系统

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