CN112102217B - 一种可见光图像与红外图像快速融合方法及系统 - Google Patents
一种可见光图像与红外图像快速融合方法及系统 Download PDFInfo
- Publication number
- CN112102217B CN112102217B CN202010995003.9A CN202010995003A CN112102217B CN 112102217 B CN112102217 B CN 112102217B CN 202010995003 A CN202010995003 A CN 202010995003A CN 112102217 B CN112102217 B CN 112102217B
- Authority
- CN
- China
- Prior art keywords
- image
- visible light
- infrared
- pixel point
- added
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/20048—Transform domain processing
-
- 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
本发明公开了一种可见光图像与红外图像快速融合方法及系统，方法包括以下步骤：S1、判断可见光图像与红外图像是否配准；S2、调节源图像或重新选择源图像；S3、获取转换到频域空间的可见光图像与红外图像；S4、将转换到频域空间的可见光图像与红外图像相加后进行逆变换；S5、对视觉图像进行灰度归一化；S6、将灰度归一化后的图像与可见光图像相加；S7、将相加后的图像分别与可见光图像和红外图像进行差值最小化处理，更新相加后图像中的像素值，完成可见光图像与红外图像的快速融合。本发明不需要进行大量的训练，整个过程运算量小，因此本发明既保证了融合效果，又加快了处理速度。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种可见光图像与红外图像快速融合方法及系统。
背景技术
可见光图像与红外图像的融合可以实现信息互补，使融合后的图像包含了更为全面、丰富的信息，其更符合人或机器的视觉特性、更有利于对图像的进一步分析处理以及自动目标识别。
如今关于可见光与红外图像的融合算法有很多，包括多尺度分解、主成分分析、金字塔变换以及神经网络的相关方法等。金字塔变换是一种经典的融合算法，早在1983年，Peter J.Burt等人就已经提出拉普拉斯金字塔变换LPT的融合算法。在1989年研究人员又针对LPT提出了基于形态金字塔的算法，并在1994年应用在了医学领域。到了1992年，BurtP.J.提出了基于梯度金字塔的图像融合算法GPT。后来发现，与金字塔相比，小波提供了良好的时频表示，因此离散小波变换DWT被提出来。这些经典算法为图像融合领域带来了极大的进展，但同时存在融合速度慢以及融合程度不够高的缺点。
近年来，Zhizhong Fu等人提出了一种新的红外和可见光图像融合算法，它利用了稳健的主成分分析(RPCA)和非下采样轮廓波变换(NSCT)。Jiayi Ma等提出了一种新的融合算法，称为梯度转移融合(GTF)，它基于梯度转移和总变化(TV)最小化，他们将融合问题公式化为1-TV最小化问题，其中数据保真度项保持了红外图像中的主要强度分布。为了获得包含明显的目标信息和高空间分辨率背景信息的集成图像，Tan Wei提出了一种基于多级高斯曲率滤波(MLGCF)图像分解的融合算法。这些方法有一定的融合效果，但或多或少存在一部分伪影或失真。目前，神经网络已经渗透到各个领域，并且在图像融合方面有许多相关的研究。例如，Wen-bo An提出了一种基于监督卷积神经网络(CNN)的红外和可见图像融合算法。Jing Li等人提出了端到端的双重鉴别器Wasserstein生成对抗网络，称为D2WGAN。然而，神经网络需要大量的训练，并且在融合处理速度上没有竞争优势，这在战场上对态势感知的实时要求是极为不利的。TSSD方法拥有较为明显的融合优势，在多项图像对比实验中有着出色的性能，但在处理速度上没有良好的表现。Hui Li等人提出的快速融合方法虽然在速度和融合性能上都有良好的表现，但在某些处理过程中会比拉普拉斯金字塔更慢，这与其快速融合的描述不太相符。
发明内容
针对现有技术中的上述不足，本发明提供的一种可见光图像与红外图像快速融合方法及系统解决了现有可见光图像与红外图像融合速度慢的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种可见光图像与红外图像快速融合方法，其包括以下步骤：
S1、获取待融合的可见光图像与红外图像，并判断可见光图像与红外图像是否配准，若是则进入步骤S3，否则进入步骤S2；
S2、调节源图像或重新选择源图像，并返回步骤S1；
S3、通过图像傅里叶变换将可见光与红外图像转换到频域空间，分别得到转换到频域空间的可见光图像与红外图像；
S4、将转换到频域空间的可见光图像与红外图像相加后进行逆变换，得到视觉图像；
S5、对视觉图像进行灰度归一化，得到灰度归一化后的图像；
S6、将灰度归一化后的图像与可见光图像相加，得到相加后的图像；
S7、将相加后的图像分别与可见光图像和红外图像进行差值最小化处理，更新相加后图像中的像素值，完成可见光图像与红外图像的快速融合。
进一步地，步骤S1中判断可见光图像与红外图像是否配准的具体方法为：
判断可见光图像与红外图像的像素分辨率是否一致，若是则为已配准，否则为未配准。
进一步地，步骤S3的具体方法为：
根据公式：
分别得到转换到频域空间的可见光图像mf1(u,v)与红外图像mf2(u,v)；其中m1(x,y)为可见光图像，(x,y)表示像素坐标；e为自然常数；j为虚数；π为180°；m2(x,y)为红外图像。
进一步地，步骤S5的具体方法为：
采用Matlab中的mat2gray函数将视觉图像进行灰度归一化，得到灰度归一化后的图像。
进一步地，步骤S7的具体方法为：
将相加后的图像与可见光图像中的每一个像素点做差，得到第i个像素点的差值Ai；将相加后的图像与红外图像中的每一个像素点做差，得到第i个像素点的差值Bi；若Ai<Bi，则将相加后的图像中的第i个像素点的像素值更新为可见光图像中对应像素点的像素值；若Ai＝Bi，则保留相加后的图像中的第i个像素点的像素值；若Ai>Bi，则将相加后的图像中的第i个像素点的像素值更新为红外图像中对应像素点的像素值；遍历相加后的图像中的每个像素点，完成可见光图像与红外图像的快速融合。
提供一种可见光图像与红外图像快速融合系统，其包括图像挑选模块、图像转换模块、图像合并模块、图像灰度归一化模块和图像融合模块；
图像挑选模块，用于判断可见光图像与红外图像的像素分辨率是否一致，若是则将可见光图像与红外图像挑选出来备用，否则调节源图像或重新选择源图像；
图像转换模块，用于通过图像傅里叶变换将可见光与红外图像转换到频域空间，分别得到转换到频域空间的可见光图像与红外图像；
图像合并模块，用于将转换到频域空间的可见光图像与红外图像相加后进行逆变换，得到视觉图像；
图像灰度归一化模块，用于对视觉图像进行灰度归一化，得到灰度归一化后的图像，并将灰度归一化后的图像与可见光图像相加，得到相加后的图像；
图像融合模块，用于将相加后的图像与可见光图像中的每一个像素点做差，得到第i个像素点的差值Ai；将相加后的图像与红外图像中的每一个像素点做差，得到第i个像素点的差值Bi；若Ai<Bi，则将相加后的图像中的第i个像素点的像素值更新为可见光图像中对应像素点的像素值；若Ai＝Bi，则保留相加后的图像中的第i个像素点的像素值；若Ai>Bi，则将相加后的图像中的第i个像素点的像素值更新为红外图像中对应像素点的像素值；遍历相加后的图像中的每个像素点，完成可见光图像与红外图像的快速融合。
本发明的有益效果为：本发明首先通过傅里叶变换使得两个源图像的高低频信息可以被反映出来，可以避免特征信息的丢失，能够最大限度的保留图像真实性；然后通过差值最小化处理将图像融合，使最终图像在结合两种源图像特征信息的同时能够最大程度的还原源图像信息；且由于本发明不需要进行大量的训练，整个过程运算量小，因此本发明既保证了融合效果，又加快了处理速度。
附图说明
图1为本发明的流程示意图；
图2为本发明与其他方法的融合效果对比图；
图3为本发明与其他方法的融合时间对比图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该可见光图像与红外图像快速融合方法(FFVI)包括以下步骤：
S1、获取待融合的可见光图像与红外图像，并判断可见光图像与红外图像是否配准，若是则进入步骤S3，否则进入步骤S2；
S2、调节源图像或重新选择源图像，并返回步骤S1；
S3、通过图像傅里叶变换将可见光与红外图像转换到频域空间，分别得到转换到频域空间的可见光图像与红外图像；
S4、将转换到频域空间的可见光图像与红外图像相加后进行逆变换，得到视觉图像；
S5、对视觉图像进行灰度归一化，得到灰度归一化后的图像；
S6、将灰度归一化后的图像与可见光图像相加，得到相加后的图像；
S7、将相加后的图像分别与可见光图像和红外图像进行差值最小化处理，更新相加后图像中的像素值，完成可见光图像与红外图像的快速融合。
步骤S1中判断可见光图像与红外图像是否配准的具体方法为：判断可见光图像与红外图像的像素分辨率是否一致，若是则为已配准，否则为未配准。
步骤S3的具体方法为：根据公式：
分别得到转换到频域空间的可见光图像mf1(u,v)与红外图像mf2(u,v)；其中m1(x,y)为可见光图像，(x,y)表示像素坐标；e为自然常数；j为虚数；π为180°；m2(x,y)为红外图像。
步骤S5的具体方法为：采用Matlab中的mat2gray函数将视觉图像进行灰度归一化，得到灰度归一化后的图像。
步骤S7的具体方法为：将相加后的图像与可见光图像中的每一个像素点做差，得到第i个像素点的差值Ai；将相加后的图像与红外图像中的每一个像素点做差，得到第i个像素点的差值Bi；若Ai<Bi，则将相加后的图像中的第i个像素点的像素值更新为可见光图像中对应像素点的像素值；若Ai＝Bi，则保留相加后的图像中的第i个像素点的像素值；若Ai>Bi，则将相加后的图像中的第i个像素点的像素值更新为红外图像中对应像素点的像素值；遍历相加后的图像中的每个像素点，完成可见光图像与红外图像的快速融合。
该可见光图像与红外图像快速融合系统包括图像挑选模块、图像转换模块、图像合并模块、图像灰度归一化模块和图像融合模块；
图像挑选模块，用于判断可见光图像与红外图像的像素分辨率是否一致，若是则将可见光图像与红外图像挑选出来备用，否则调节源图像或重新选择源图像；
图像转换模块，用于通过图像傅里叶变换将可见光与红外图像转换到频域空间，分别得到转换到频域空间的可见光图像与红外图像；
图像合并模块，用于将转换到频域空间的可见光图像与红外图像相加后进行逆变换，得到视觉图像；
图像灰度归一化模块，用于对视觉图像进行灰度归一化，得到灰度归一化后的图像，并将灰度归一化后的图像与可见光图像相加，得到相加后的图像；
图像融合模块，用于将相加后的图像与可见光图像中的每一个像素点做差，得到第i个像素点的差值Ai；将相加后的图像与红外图像中的每一个像素点做差，得到第i个像素点的差值Bi；若Ai<Bi，则将相加后的图像中的第i个像素点的像素值更新为可见光图像中对应像素点的像素值；若Ai＝Bi，则保留相加后的图像中的第i个像素点的像素值；若Ai>Bi，则将相加后的图像中的第i个像素点的像素值更新为红外图像中对应像素点的像素值；遍历相加后的图像中的每个像素点，完成可见光图像与红外图像的快速融合。
在本发明的一个实施例中，基于相同的数据将本方法与现有的部分算法进行融合效果对比，对比结果如图2所示，由图2可知，本申请在像素互信息和边缘信息方面效果最好，在交叉熵和结构相似度方面效果与最优值差距非常小，因此本方法的整体融合效果好。图2中四个参数都是客观指标：MI是像素互信息，值越大融合效果越好；QABF是边缘信息，值越大融合效果越好；CE是交叉熵，值越小融合效果越好；SSIM是结构相似度，值越大融合效果越好。LPT、DWT、GPT、LBP、TSSD分别表示拉普拉斯金字塔算法、离散小波变换、梯度金字塔算法、LBP纹理特征算法、TSSD算法，FFVI是本方法。
基于相同的数据将本方法与现有的部分算法进行融合速度对比，对比结果如图3所示，由图3可知，本方法的融合速度最快。图3中LPT、DWT、GPT、LBP、TSSD分别表示拉普拉斯金字塔算法、离散小波变换、梯度金字塔算法、LBP纹理特征算法、TSSD算法，FFVI是本方法。
综上所述，本发明首先通过傅里叶变换使得两个源图像的高低频信息可以被反映出来，可以避免特征信息的丢失，能够最大限度的保留图像真实性；然后通过差值最小化处理将图像融合，使最终图像在结合两种源图像特征信息的同时能够最大程度的还原源图像信息；且由于本发明不需要进行大量的训练，整个过程运算量小，因此本发明既保证了融合效果，又加快了处理速度。
Claims (5)
1.一种可见光图像与红外图像快速融合方法，其特征在于，包括以下步骤：
S1、获取待融合的可见光图像与红外图像，并判断可见光图像与红外图像是否配准，若是则进入步骤S3，否则进入步骤S2；
S2、调节源图像或重新选择源图像，并返回步骤S1；
S3、通过图像傅里叶变换将可见光与红外图像转换到频域空间，分别得到转换到频域空间的可见光图像与红外图像；
S4、将转换到频域空间的可见光图像与红外图像相加后进行逆变换，得到视觉图像；
S5、对视觉图像进行灰度归一化，得到灰度归一化后的图像；
S6、将灰度归一化后的图像与可见光图像相加，得到相加后的图像；
S7、将相加后的图像分别与可见光图像和红外图像进行差值最小化处理，更新相加后图像中的像素值，完成可见光图像与红外图像的快速融合；
步骤S7的具体方法为：
将相加后的图像与可见光图像中的每一个像素点做差，得到第i个像素点的差值Ai；将相加后的图像与红外图像中的每一个像素点做差，得到第i个像素点的差值Bi；若Ai<Bi，则将相加后的图像中的第i个像素点的像素值更新为可见光图像中对应像素点的像素值；若Ai＝Bi，则保留相加后的图像中的第i个像素点的像素值；若Ai>Bi，则将相加后的图像中的第i个像素点的像素值更新为红外图像中对应像素点的像素值；遍历相加后的图像中的每个像素点，完成可见光图像与红外图像的快速融合。
2.根据权利要求1所述的可见光图像与红外图像快速融合方法，其特征在于，所述步骤S1中判断可见光图像与红外图像是否配准的具体方法为：
判断可见光图像与红外图像的像素分辨率是否一致，若是则为已配准，否则为未配准。
3.根据权利要求1所述的可见光图像与红外图像快速融合方法，其特征在于，所述步骤S3的具体方法为：
根据公式：
分别得到转换到频域空间的可见光图像mf1(u,v)与红外图像mf2(u,v)；其中m1(x,y)为可见光图像，(x,y)表示像素坐标；e为自然常数；j为虚数；π为180°；m2(x,y)为红外图像。
4.根据权利要求1所述的可见光图像与红外图像快速融合方法，其特征在于，所述步骤S5的具体方法为：
采用Matlab中的mat2gray函数将视觉图像进行灰度归一化，得到灰度归一化后的图像。
5.一种可见光图像与红外图像快速融合系统，其特征在于，包括图像挑选模块、图像转换模块、图像合并模块、图像灰度归一化模块和图像融合模块；
所述图像挑选模块，用于判断可见光图像与红外图像的像素分辨率是否一致，若是则将可见光图像与红外图像挑选出来备用，否则调节源图像或重新选择源图像；
所述图像转换模块，用于通过图像傅里叶变换将可见光与红外图像转换到频域空间，分别得到转换到频域空间的可见光图像与红外图像；
所述图像合并模块，用于将转换到频域空间的可见光图像与红外图像相加后进行逆变换，得到视觉图像；
所述图像灰度归一化模块，用于对视觉图像进行灰度归一化，得到灰度归一化后的图像，并将灰度归一化后的图像与可见光图像相加，得到相加后的图像；
所述图像融合模块，用于将相加后的图像与可见光图像中的每一个像素点做差，得到第i个像素点的差值Ai；将相加后的图像与红外图像中的每一个像素点做差，得到第i个像素点的差值Bi；若Ai<Bi，则将相加后的图像中的第i个像素点的像素值更新为可见光图像中对应像素点的像素值；若Ai＝Bi，则保留相加后的图像中的第i个像素点的像素值；若Ai>Bi，则将相加后的图像中的第i个像素点的像素值更新为红外图像中对应像素点的像素值；遍历相加后的图像中的每个像素点，完成可见光图像与红外图像的快速融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010995003.9A CN112102217B (zh) | 2020-09-21 | 2020-09-21 | 一种可见光图像与红外图像快速融合方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010995003.9A CN112102217B (zh) | 2020-09-21 | 2020-09-21 | 一种可见光图像与红外图像快速融合方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112102217A CN112102217A (zh) | 2020-12-18 |
| CN112102217B true CN112102217B (zh) | 2023-05-02 |
Family
ID=73755959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010995003.9A Active CN112102217B (zh) | 2020-09-21 | 2020-09-21 | 一种可见光图像与红外图像快速融合方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112102217B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114372948A (zh) * | 2022-01-14 | 2022-04-19 | 无锡英菲感知技术有限公司 | 图像融合方法、设备以及存储介质 |
| CN114500850B (zh) * | 2022-02-22 | 2024-01-19 | 锐芯微电子股份有限公司 | 图像处理方法及装置、系统、可读存储介质 |
| CN114783141A (zh) * | 2022-04-24 | 2022-07-22 | 王江湖 | 一种消防安全系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2018076732A1 (zh) * | 2016-10-31 | 2018-05-03 | 广州飒特红外股份有限公司 | 红外图像和可见光图像融合的方法及装置 |
| CN108364272A (zh) * | 2017-12-30 | 2018-08-03 | 广东金泽润技术有限公司 | 一种高性能红外-可见光融合探测方法 |
| CN109118466A (zh) * | 2018-08-29 | 2019-01-01 | 电子科技大学 | 一种红外图像与可见光图像融合的处理方法 |
| CN109584193A (zh) * | 2018-10-24 | 2019-04-05 | 航天时代飞鸿技术有限公司 | 一种基于目标预提取的无人机红外与可见光图像融合方法 |
| CN110021002A (zh) * | 2018-01-10 | 2019-07-16 | 青柠优视科技（北京）有限公司 | 一种图像融合方法及装置 |
| 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 |
| CN110443776A (zh) * | 2019-08-07 | 2019-11-12 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种基于无人机吊舱的数据配准融合方法 |
| CN110458877A (zh) * | 2019-08-14 | 2019-11-15 | 湖南科华军融民科技研究院有限公司 | 基于仿生视觉的红外与可见光信息融合的导航方法 |
| CN111079556A (zh) * | 2019-11-25 | 2020-04-28 | 航天时代飞鸿技术有限公司 | 一种多时相无人机视频图像变化区域检测及分类方法 |
| CN111080724A (zh) * | 2019-12-17 | 2020-04-28 | 大连理工大学 | 一种红外和可见光的融合方法 |
| CN111507913A (zh) * | 2020-04-08 | 2020-08-07 | 四川轻化工大学 | 一种基于纹理特征的图像融合算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180098727A1 (en) * | 2015-12-30 | 2018-04-12 | James G. Spahn | System, apparatus and method for assessing wound and tissue conditions |
-
2020
- 2020-09-21 CN CN202010995003.9A patent/CN112102217B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2018076732A1 (zh) * | 2016-10-31 | 2018-05-03 | 广州飒特红外股份有限公司 | 红外图像和可见光图像融合的方法及装置 |
| CN108364272A (zh) * | 2017-12-30 | 2018-08-03 | 广东金泽润技术有限公司 | 一种高性能红外-可见光融合探测方法 |
| CN110021002A (zh) * | 2018-01-10 | 2019-07-16 | 青柠优视科技（北京）有限公司 | 一种图像融合方法及装置 |
| CN109118466A (zh) * | 2018-08-29 | 2019-01-01 | 电子科技大学 | 一种红外图像与可见光图像融合的处理方法 |
| CN109584193A (zh) * | 2018-10-24 | 2019-04-05 | 航天时代飞鸿技术有限公司 | 一种基于目标预提取的无人机红外与可见光图像融合方法 |
| 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 |
| CN110443776A (zh) * | 2019-08-07 | 2019-11-12 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种基于无人机吊舱的数据配准融合方法 |
| CN110458877A (zh) * | 2019-08-14 | 2019-11-15 | 湖南科华军融民科技研究院有限公司 | 基于仿生视觉的红外与可见光信息融合的导航方法 |
| CN111079556A (zh) * | 2019-11-25 | 2020-04-28 | 航天时代飞鸿技术有限公司 | 一种多时相无人机视频图像变化区域检测及分类方法 |
| CN111080724A (zh) * | 2019-12-17 | 2020-04-28 | 大连理工大学 | 一种红外和可见光的融合方法 |
| CN111507913A (zh) * | 2020-04-08 | 2020-08-07 | 四川轻化工大学 | 一种基于纹理特征的图像融合算法 |
Non-Patent Citations (1)
| Title |
|---|
| Jiayi Ma等.Infrared and visible image fusion methods and applications: A survey.《Information Fusion》.2019,第第45卷卷第153-178页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112102217A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112102217B (zh) | 一种可见光图像与红外图像快速融合方法及系统 | |
| CN108664839B (zh) | 一种图像处理方法和设备 | |
| CN111899295B (zh) | 一种基于深度学习的单目场景深度预测方法 | |
| CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
| CN109377464A (zh) | 一种红外图像的双平台直方图均衡化方法及其应用系统 | |
| Meher et al. | Visible and infrared image fusion using an efficient adaptive transition region extraction technique | |
| Bhutto et al. | An enhanced image fusion algorithm by combined histogram equalization and fast gray level grouping using multi-scale decomposition and gray-PCA | |
| CN114881905A (zh) | 一种基于小波变换的红外图像与可见光图像融合的处理方法 | |
| CN110084771B (zh) | 一种基于集值映射的双模态红外图像分块多算法优化融合方法 | |
| CN109003247A (zh) | 彩色图像混合噪声的去除方法 | |
| Hsu et al. | Region-based image fusion with artificial neural network | |
| CN103632357B (zh) | 一种基于光照分离的图像超分辨率增强方法 | |
| CN110298807A (zh) | 基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法 | |
| CN109544477A (zh) | 基于自适应字典学习稀疏表示的图像去噪算法 | |
| TWI460667B (zh) | 模糊指紋影像重建方法 | |
| CN110647843B (zh) | 一种人脸面部图像处理方法 | |
| Liang et al. | A segmentation method for mammogram x-ray image based on image enhancement with wavelet fusion | |
| Wang et al. | Fusion algorithm for infrared-visual image sequences | |
| CN111145193B (zh) | 一种自适应全局阈值二值化方法 | |
| Zhang et al. | A Single-Stage Unsupervised Denoising Low-Illumination Enhancement Network Based on Swin-Transformer | |
| CN109300086B (zh) | 基于清晰度的图像分块方法 | |
| Li | Image contrast enhancement algorithm based on gm (1, 1) and power exponential dynamic decision | |
| CN104601861B (zh) | 一种针对光纤监控视频序列的降噪方法及系统 | |
| Xu et al. | A new saliency based video coding method with hevc | |
| Gao et al. | [Retracted] Application of Multimedia Semantic Extraction Method in Fast Image Enhancement Control |
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 |