CN112115979A - 一种红外图像和可见图像的融合方法及设备 - Google Patents

一种红外图像和可见图像的融合方法及设备 Download PDF

Info

Publication number
CN112115979A
CN112115979A CN202010858349.4A CN202010858349A CN112115979A CN 112115979 A CN112115979 A CN 112115979A CN 202010858349 A CN202010858349 A CN 202010858349A CN 112115979 A CN112115979 A CN 112115979A
Authority
CN
China
Prior art keywords
image
target
infrared
visible
detail
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
CN202010858349.4A
Other languages
English (en)
Other versions
CN112115979B (zh
Inventor
李国法
林勇杰
赖伟鉴
杨一帆
谢恒�
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202010858349.4A priority Critical patent/CN112115979B/zh
Publication of CN112115979A publication Critical patent/CN112115979A/zh
Application granted granted Critical
Publication of CN112115979B publication Critical patent/CN112115979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Studio Devices (AREA)
  • Image Processing (AREA)

Abstract

本申请适用于计算机技术领域，提供了一种红外图像和可见图像的融合方法，包括：获取红外图像和可见图像；将红外图像和可见图像进行预融合，得到预融合图像；根据预融合图像计算目标基础层图像和目标细节层图像；将目标基础层图像和目标细节层图像进行融合，得到目标融合图像。上述方案，通过将目标基础层图像和目标细节层图像进行融合，通过红外图像可以反映有效信息的特点来滤除可见图像中的干扰信息，使得最终得到的目标融合图像能够更好地突出显示目标，同时保留红外图像和可见图像中更多有用的细节。

Description

一种红外图像和可见图像的融合方法及设备
技术领域
本申请属于计算机技术领域，尤其涉及一种红外图像和可见图像的融合方法及设备。
背景技术
可见图像可以为计算机视觉任务提供丰富的细节，红外图像可以根据目标之间的热辐射差异来区分目标与背景，而不受照明和天气条件的影响。但是，由于可见图像可能无法突出显示重要目标，红外图像无法提供纹理细节。因此，仅使用可见图像或红外图像不能提供足够的信息来促进计算机视觉应用。所以，多种红外图像和可见图像融合方法被提出以生成更具有鲁棒性的图像。现有的技术方案以深度学习的方法为主，但是，神经网络方法需要依赖大量的训练数据来确保准确性，并且网络结构无法解释。
发明内容
本申请实施例提供了一种红外图像和可见图像的融合方法及设备，可以解决现有的以深度学习为主的图像融合方法中，神经网络需要依赖大量的训练数据来确保准确性，并且网络结构无法解释的问题。
第一方面，本申请实施例提供了一种红外图像和可见图像的融合方法，包括：
获取红外图像和可见图像；
将所述红外图像和所述可见图像进行预融合，得到预融合图像；
根据所述预融合图像计算目标基础层图像和目标细节层图像；
将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。
进一步地，所述将所述红外图像和所述可见图像进行预融合，得到预融合图像，包括：
根据所述红外图像和预设对比度函数计算所述红外图像的对比度信息；
根据所述红外图像、所述可见图像和预设约束函数计算梯度稀疏约束信息；
根据所述对比度信息和所述梯度稀疏约束信息确定目标损失函数；
根据预设优化策略对目标损失函数进行优化，得到预融合图像。
进一步地，所述根据预设优化策略对目标损失函数进行优化，得到预融合图像，包括：
根据预设计算规则对所述目标损失函数对应的中间变量进行优化，得到目标中间变量；
根据所述目标中间变量，计算得到预融合图像。
进一步地，所述根据所述预融合图像计算目标基础层图像和目标细节层图像，包括：
根据预设图像分解算法对所述预融合图像进行图像分解，得到目标基础层图像；
根据预设细节层提取策略、所述预融合图像、所述红外图像和所述可见图像，得到目标细节层图像。
进一步地，所述根据预设细节层提取策略、所述预融合图像、所述红外图像和所述可见图像，得到目标细节层图像，包括：
提取所述红外图像的第一细节信息和所述可见图像的第二细节信息；
计算所述预融合图像和所述红外图像之间的第一结构相似度、所述预融合图像和所述可见图像之间的第二结构相似度；
根据所述第一细节信息、所述第二细节信息、所述第一结构相似度和所述第二结构相似度确定目标细节层图像。
进一步地，所述根据所述第一细节信息、所述第二细节信息、所述第一结构相似度和所述第二结构相似度确定目标细节层图像，包括：
根据所述第一结构相似度得到所述预融合图像和所述红外图像之间的第一结构相似得分图；
根据所述第二结构相似度得到所述预融合图像和所述可见图像之间的第二结构相似得分图；
根据所述第一结构相似得分图和所述第二结构相似得分图，确定平衡系数；
获取所述红外图像的第一增强系数和所述可见图像的第二增强系数；
根据所述第一细节信息、所述第二细节信息、所述平衡系数、所述第一增强系数和所述第二增强系数，计算目标细节层图像。
进一步地，所述根据预设图像分解算法对所述预融合图像进行图像分解，得到目标基础层图像，包括：
根据MDLatLRR图像分解算法从所述预融合图像中提取第一级的细节层图像；
根据所述第一级的细节层图像和所述预融合图像确定第一级的基础层图像；
根据所述MDLatLRR图像分解算法从第i级的基础层图像中提取第i+1级的细节层图像，i大于或等于1，且i小于或等于n-1，n为预设正整数；
根据第i级的基础层图像和所述第i+1级的细节层图像确定第i+1级的基础层图像；
当检测到获取到第n级的基础层图像时，将所述第n级的基础层图像作为目标基础层图像。
进一步地，所述将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像，包括：
根据预设逆变换融合函数将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。
第二方面，本申请实施例提供了一种红外图像和可见图像的融合装置，包括：
第一获取单元，用于获取红外图像和可见图像；
第一融合单元，用于将所述红外图像和所述可见图像进行预融合，得到预融合图像；
第一计算单元，用于根据所述预融合图像计算目标基础层图像和目标细节层图像；
第二融合单元，用于将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。
进一步地，所述第一融合单元，包括：
第二计算单元，用于根据所述红外图像和预设对比度函数计算所述红外图像的对比度信息；
第三计算单元，用于根据所述红外图像、所述可见图像和预设约束函数计算梯度稀疏约束信息；
第一确定单元，用于根据所述对比度信息和所述梯度稀疏约束信息确定目标损失函数；
第一优化单元，用于根据预设优化策略对目标损失函数进行优化，得到预融合图像。
进一步地，所述第一优化单元，具体用于：
根据预设计算规则对所述目标损失函数对应的中间变量进行优化，得到目标中间变量；
根据所述目标中间变量，计算得到预融合图像。
进一步地，所述第一计算单元，包括：
第二处理单元，用于根据预设图像分解算法对所述预融合图像进行图像分解，得到目标基础层图像；
第三处理单元，用于根据预设细节层提取策略、所述预融合图像、所述红外图像和所述可见图像，得到目标细节层图像。
进一步地，所述第三处理单元，包括：
第一提取单元，用于提取所述红外图像的第一细节信息和所述可见图像的第二细节信息；
第四计算单元，用于计算所述预融合图像和所述红外图像之间的第一结构相似度、所述预融合图像和所述可见图像之间的第二结构相似度；
第二确定单元，用于根据所述第一细节信息、所述第二细节信息、所述第一结构相似度和所述第二结构相似度确定目标细节层图像。
进一步地，所述第二确定单元，具体用于：
根据所述第一结构相似度得到所述预融合图像和所述红外图像之间的第一结构相似得分图；
根据所述第二结构相似度得到所述预融合图像和所述可见图像之间的第二结构相似得分图；
根据所述第一结构相似得分图和所述第二结构相似得分图，确定平衡系数；
获取所述红外图像的第一增强系数和所述可见图像的第二增强系数；
根据所述第一细节信息、所述第二细节信息、所述平衡系数、所述第一增强系数和所述第二增强系数，计算目标细节层图像。
进一步地，所述第二处理单元，具体用于：
根据MDLatLRR图像分解算法从所述预融合图像中提取第一级的细节层图像；
根据所述第一级的细节层图像和所述预融合图像确定第一级的基础层图像；
根据所述MDLatLRR图像分解算法从第i级的基础层图像中提取第i+1级的细节层图像，i大于或等于1，且i小于或等于n-1，n为预设正整数；
根据第i级的基础层图像和所述第i+1级的细节层图像确定第i+1级的基础层图像；
当检测到获取到第n级的基础层图像时，将所述第n级的基础层图像作为目标基础层图像。
进一步地，所述第二融合单元，具体用于：
根据预设逆变换融合函数将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。
第三方面，本申请实施例提供了一种红外图像和可见图像的融合设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的红外图像和可见图像的融合方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面所述的红外图像和可见图像的融合方法。
本申请实施例中，获取红外图像和可见图像；将红外图像和可见图像进行预融合，得到预融合图像；根据预融合图像计算目标基础层图像和目标细节层图像；将目标基础层图像和目标细节层图像进行融合，得到目标融合图像。上述方案，通过将目标基础层图像和目标细节层图像进行融合，通过红外图像可以反映有效信息的特点来滤除可见图像中的干扰信息，使得最终得到的目标融合图像能够更好地突出显示目标，同时保留红外图像和可见图像中更多有用的细节，提升了图像融合的准确度，并且提升了图像融合可行性和可解释性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的一种红外图像和可见图像的融合方法的示意流程图；
图2是本申请第一实施例提供的一种红外图像和可见图像的融合方法中S102细化的示意流程图；
图3是本申请第一实施例提供的一种红外图像和可见图像的融合方法中S1024细化的示意流程图；
图4是本申请第一实施例提供的一种红外图像和可见图像的融合方法中S103细化的示意流程图；
图5是本申请第一实施例提供的一种红外图像和可见图像的融合方法中S1031细化的示意流程图；
图6是本申请第一实施例提供的一种红外图像和可见图像的融合方法中S1032细化的示意流程图；
图7是本申请第一实施例提供的一种红外图像和可见图像的融合方法中S10323细化的示意流程图；
图8是本申请第二实施例提供的红外图像和可见图像的融合装置的示意图；
图9是本申请第三实施例提供的红外图像和可见图像的融合设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
请参见图1，图1是本申请第一实施例提供的一种红外图像和可见图像的融合方法的示意流程图。本实施例中一种红外图像和可见图像的融合方法的执行主体为具有红外图像和可见图像的融合功能的设备，例如，服务器、个人电脑等等。如图1所示的红外图像和可见图像的融合方法可包括：
S101：获取红外图像和可见图像。
可见图像可以为计算机视觉任务提供丰富的细节。但是，由于数据收集环境的影响，可见图像可能无法突出显示重要目标。与可见图像不同，红外图像可以根据目标之间的热辐射差异来区分目标与背景，而不受照明和天气条件的影响。但是，红外图像的局限性在于它们无法提供纹理细节。因此，仅使用可见图像或红外图像不能提供足够的信息来促进计算机视觉应用，例如各种环境中的目标检测，识别和跟踪。为了解决这个问题，多种红外和可见光图像融合方法被提出以生成更具有鲁棒性的图像。现有技术方案以深度学习为主进行红外图像和可见图像的融合，但是，神经网络的方法需要依赖大量的训练数据来确保准确性，并且网络结构无法解释。
基于多尺度变换的混合方法融合了各种融合方法的优势，提高了图像融合质量，多尺度变换使融合后的图像具有与人类视觉系统相同的视觉效果。与基于神经网络的方法相比，基于多尺度变换的混合方法具有更多灵活性，可行性和可解释性。当前基于多尺度变换的混合方法存在两个主要问题。首先，用于基础层的常规“权重分配”融合规则通常会使融合图像趋向于保留红外和可见图像中高像素强度的特征，而忽略图像的整体对比度，从而导致融合图像无法在复杂场景中突出显示目标(例如，夜间有汽车或路灯的场景)。其次，用于细节层的常规融合策略旨在保留源图像的更多细节。但是，并非所有可见图像中的详细信息都是有效的，尤其是在复杂的情况下，通过融合来自可见图像的更多细节来改善融合图像的质量并不总是有帮助。因此，本实施例提出一种方法，能够更好地提取并融合红外图像和可见图像的特征，以利于目标检测、识别与跟踪等图像应用算法的设计。
首先，设备获取红外图像和可见图像。设备需要对红外图像和可见图像进行融合，红外图像和可见图像为最后得到的融合图像的源图像。
S102：将所述红外图像和所述可见图像进行预融合，得到预融合图像。
设备中可以预先设置预融合策略，预融合策略用于将红外图像和可见图像进行预融合，得到预融合图像。本实施例中，先对红外图像和可见图像进行预融合，得到预融合图像，预融合图像只是对红外图像和可见图像简单的进行融合，便于后续对特征的提取。
在对红外图像和可见图像进行预融合时，为了方便后续对特征的提取，准确的获取到目标细节层图像和目标基础层图像，从而得到目标融合图像。可以通过红外图像的对比度信息和红外图像和可见图像的梯度稀疏约束信息为目标设计损失函数，然后优化损失函数以获取预融合图像。在本实施例中，S102可以包括S1021～S1024，如图2所示，S1021～S1024具体如下：
S1021：根据所述红外图像和预设对比度函数计算所述红外图像的对比度信息。
设备中预先存储预设对比度函数，预设对比度函数用于计算红外图像的对比度信息。其中，红外图像的对比度信息为红外图像的目标与背景对比度保真信息。设备根据红外图像和预设对比度函数计算所述红外图像的对比度信息。
其中，预设对比度函数可以为：
Figure BDA0002647244190000101
其中，r1表示红外图像的对比度信息，f表示预融合图像，Ir表示红外图像，a表示采用的范数，a可以等于2，表示采用L2范数。
S1022：根据所述红外图像、所述可见图像和预设约束函数计算梯度稀疏约束信息。
设备中预先存储预设约束函数，预设约束函数用于计算梯度稀疏约束信息。设备根据红外图像、可见图像和预设约束函数计算梯度稀疏约束信息。
其中，预设约束函数可以为：
Figure BDA0002647244190000102
其中，r2表示梯度稀疏约束信息，
Figure BDA0002647244190000103
表示预融合图像的梯度，
Figure BDA0002647244190000104
表示红外图像的梯度，
Figure BDA0002647244190000105
表示可见图像的梯度，b表示采用的范数，b可以等于1，表示采用L1范数。
S1023：根据所述对比度信息和所述梯度稀疏约束信息确定目标损失函数。
设备根据对比度信息和梯度稀疏约束信息确定目标损失函数，在确定目标损失函数时，是以对比度信息和梯度稀疏约束信息为目标进行设计的，也就是说，目标损失函数要包括对比度信息和梯度稀疏约束信息这两个因素。
设备根据对比度信息和梯度稀疏约束信息确定目标损失函数可以为：
Figure BDA0002647244190000106
其中，ξ(f)表示目标损失函数，r1表示红外图像的对比度信息，f表示预融合图像，Ir表示红外图像，a表示采用的范数，a可以等于2，表示采用L2范数，r2表示梯度稀疏约束信息，
Figure BDA0002647244190000111
表示预融合图像的梯度，
Figure BDA0002647244190000112
表示红外图像的梯度，
Figure BDA0002647244190000113
表示可见图像的梯度，b表示采用的范数，b可以等于1，表示采用L1范数，ρ表示对比度信息和梯度稀疏约束信息之间的平衡参数。
S1024：根据预设优化策略对目标损失函数进行优化，得到预融合图像。
设备中预先存储预设优化策略，预设优化策略用于对目标损失函数进行优化，得到预融合图像。此处对于优化策略不做限制，只要能对目标损失函数中的参数进行优化即可。在本实施例中，一种可能的实施方式，使用基于分割Bregman的方法对目标损失函数进行优化，S1024可以包括S10241～S10242，如图3所示，S10241～S10242具体如下：
S10241：根据预设计算规则对所述目标损失函数对应的中间变量进行优化，得到目标中间变量。
在本实施例中，可以预设预融合图像是根据红外图像、可见图像和中间变量得到的。根据目标损失函数对中间变量进行优化，得到中间变量，就可以得到预融合图像。
具体来说，当目标损失函数为：
Figure BDA0002647244190000114
令预融合图像f＝k+Ir+Vis，μ＝2·ρ，r＝-Vis，a等于2，b等于1
其中，k为中间变量，根据目标损失函数可以得到
Figure BDA0002647244190000115
则
Figure BDA0002647244190000116
Figure BDA0002647244190000117
Figure BDA0002647244190000121
Figure BDA0002647244190000122
Figure BDA0002647244190000123
其中，p表示像素的空间位置；
Figure BDA0002647244190000124
是的k梯度；
Figure BDA0002647244190000125
和
Figure BDA0002647244190000126
表示k的水平梯度和垂直梯度，Sobalx和Sobaly表示Sobal的水平和垂直算子。
然后，根据上述公式，可得
Figure BDA0002647244190000127
最后使用Split Bregman对k′进行优化，即可得到k′最小值，即为目标中间值。
S10242：根据所述目标中间变量，计算得到预融合图像。
设备确定了目标中间变量，预融合图像f＝k+Ir+Vis，k取目标中间变量，计算得到预融合图像。
S103：根据所述预融合图像计算目标基础层图像和目标细节层图像。
设备根据预融合图像计算目标基础层图像和目标细节层图像，设备可以根据预设的图像算法对预融合图像进行图像分解，得到目标基础层图像和目标细节层图像。设备对于目标基础层图像和目标细节层可以设置两个不同的算法来获取，S103可以包括S1031～S1032，如图4所示，S1031～S1032具体如下：
S1031：根据预设图像分解算法对所述预融合图像进行图像分解，得到目标基础层图像。
在本实施例中，设备中预存预设图像分解算法，预设图像分解算法用于对预融合图像进行图像分解，得到目标基础层，设备对预设图像分解算法不做限制。下面，以预存预设图像分解算法为MDLatLRR的图像分解算法为例，详细说明具体如何得到目标基础层图像。S1031可以包括S10311～S10315，如图5所示，S10311～S10315具体如下：
S10311：根据MDLatLRR图像分解算法从所述预融合图像中提取第一级的细节层图像。
MDLatLRR的图像分解方法，用于从输入的图像中提取显着性特征，显着性特征即为输入的图像的细节层图像。在本实施例中，会一级一级的对预融合图像进行分解，由上一级的基础层图像与当前级别的细节层图像作差可得当前级别的基础层图像。举例来说：
Vi d＝P·K(Ii-1 b),Ii d＝R(Vi d)
Ii b＝Ii-1 b-Ii d,I0 b＝I
其中，I表示预融合图像，作为第0级的基础层图像；i和n表示当前和最终的分解级别；P表示LatLRR学习的投影矩阵；K(·)表示两个操作，即滑动窗口技术和重组；Vi d表示图像I的初级分解结果；R(·)表示基于Vd重构图像细节层的算子；Ii d表示图像的第i级细节图像；Ii b表示图像第i级基础层图像，由上一级的基础层图像Ii-1 b与当前级别的细节层图像作差可得。
根据上述描述可以理解，在本实施例中，首先，预融合图像作为第0级的基础层图像，设备根据MDLatLRR图像分解算法从预融合图像中提取第一级的细节层图像。
S10312：根据所述第一级的细节层图像和所述预融合图像确定第一级的基础层图像。
第一级的细节层图像需要和预融合图像做差，得到第一级的基础层图像。
S10313：根据所述MDLatLRR图像分解算法从第i级的基础层图像中提取第i+1级的细节层图像，i大于或等于1，且i小于或等于n-1，n为预设正整数。
设备根据MDLatLRR图像分解算法从第i级的基础层图像中提取第i+1级的细节层图像。图像分解的过程基于DLatLRR构成了循环，每循环一次即分解出一层细节层图像与基础层图像，分解级别逐渐加深，其中，基础层图像参与了下一级别中细节层图像的生成，直至达到第n级,i大于或等于1，且i小于或等于n-1，n为预设正整数。
S10314：根据第i级的基础层图像和所述第i+1级的细节层图像确定第i+1级的基础层图像。
S10315：当检测到获取到第n级的基础层图像时，将所述第n级的基础层图像作为目标基础层图像。
设备检测到获取到第n级的基础层图像时，完成本次循环，完成图像分解，将第n级的基础层图像作为目标基础层图像。
S1032：根据预设细节层提取策略、所述预融合图像、所述红外图像和所述可见图像，得到目标细节层图像。
在本实施例中，设备中预存细节层提取策略，细节层提取策略用于从预融合图像中提取特征，得到目标细节层图像，设备对细节层提取策略不做限制。下面的实施例为具体的提取目标细节层图像的一种方式，对于目标细节层图像的获取方式，提出了一种基于SSIM的L2范数优化方法，该方法评估可见图像中的细节信息，并保留源图像中丰富而有用的细节。S1032可以包括S10321～S10323，如图6所示，S10321～S10323具体如下：
S10321：提取所述红外图像的第一细节信息和所述可见图像的第二细节信息。
在本实施例中，先提取红外图像的第一细节信息和可见图像的第二细节信息。其中第一细节信息和第二细节信息可以采用上文S10311～S10315中提到的MDLatLRR的图像分解算法来进行提取，具体可以参阅S10311～S10315中的相关描述，此处不再赘述。
S10322：计算所述预融合图像和所述红外图像之间的第一结构相似度、所述预融合图像和所述可见图像之间的第二结构相似度。
设备计算预融合图像和红外图像之间的第一结构相似度、预融合图像和可见图像之间的第二结构相似度。由于红外图像依赖于红外光成像，不受环境亮度的影响。尽管红外图像在局部高亮度场景中的细节信息较少，但所包含的大部分信息是有效的。然而，局部高亮度会干扰可见光图像的细节。因此，应当充分利用红外图像能够反映有效信息的特点，滤除可见光图像中的干扰信息。首先将红外图像、可见光图像和预融合图像分成多个图像块。然后，计算红外图像与预融合图像对应的图像块之间的第一结构相似度，计算可见图像与预融合图像对应的图像块之间的第二结构相似度，以评估图像的局部相似性。
其中，计算结构相似度的公式可以为：
Figure BDA0002647244190000151
其中，(i,j)表示图像对，图像对为红外图像与预融合图像、或者可见图像与预融合图像，μi表示图像i的像素平均值，σi表示图像i的标准差，σij表示图像对的协方差，b1和b2是为了防止分母为0的常量。SSIM的范围在[0,1]之内，SSIM越高，表示两个图像局部位置之间的结构越相似。
S10323：根据所述第一细节信息、所述第二细节信息、所述第一结构相似度和所述第二结构相似度确定目标细节层图像。
设备根据第一细节信息、第二细节信息、第一结构相似度和第二结构相似度确定目标细节层图像。设备根据第一结构相似度和第二结构相似度可以对第一细节信息和第二细节信息进行整合或者筛选，得到最终的目标细节层图像。
一种可能的实施方式中，可以将第一结构相似度和第二结构相似度聚合成矩阵，得到结构相似得分图，基于结构相似得分图来确定对第一细节信息和第二细节信息进行整合或者筛选时的权重系数，从而得到目标细节层图像。S10323可以包括S103231～S10325，如图7所示，S103231～S10325具体如下：
S103231：根据所述第一结构相似度得到所述预融合图像和所述红外图像之间的第一结构相似得分图。
S103232：根据所述第二结构相似度得到所述预融合图像和所述可见图像之间的第二结构相似得分图。
具体来说，第一结构相似得分图和第二结构相似得分图的计算方式可以如下：
ScoreI-P＝LS(I,P,N,S)
ScoreV-P＝LS(V,P,N,S)
其中，I是红外图像，P是预融合图像，V是可见图像，LS(·)是局部SSIM算子，标识了两幅图像的局部结构相似度，ScoreI-P表示了预融合图像和红外图像之间的第一结构相似得分图，ScoreV-P表示了预融合图像和可见图像之间的第二结构相似得分图。大小为N×N的滑动窗口用于在水平和垂直方向上移动S个像素，以将输入图像分解为若干个图像块。
S103233：根据所述第一结构相似得分图和所述第二结构相似得分图，确定平衡系数。
设备根据第一结构相似得分图和第二结构相似得分图，确定平衡系数。通过整合两个得分图来突出显示有用和干扰详细信息之间的差异，从而获得平衡系数。其中，平衡系数ω可以定义为：
ω＝0.5+ScoreV-P-ScoreI-P
Figure BDA0002647244190000161
其中，平衡系数ω控制红外图像和可见图像中的细节信息之间的权衡。如果ScoreV-P＝ScoreI-P，则在相应位置的ω值为0.5，这意味着将在该位置平均红外图像和可见图像的细节信息。如果ScoreV-P>ScoreI-P，则在相应位置的ω值将大于0.5，这意味着最后的目标融合图像在该位置中将从可见图像的细节信息中获取更多信息。同样，如果ScoreV-P<ScoreI-P，则ω的值将小于0.5，这意味着最后的目标融合图像将在该对应位置具有来自红外图像的更多细节信息。
S103234：获取所述红外图像的第一增强系数和所述可见图像的第二增强系数。
对于最后获取到的目标细节层图像，旨在使目标细节层图像在可见图像中的细节信息更有效的位置处靠近可见图像，并且在红外图像中的细节信息的有效性所在位置处接近红外图像。因此，可以通过以下目标函数将获取目标细节层图像的问题转化为最小化问题：
Figure BDA0002647244190000171
其中，Di F，Di in和Di vis分别是最终的目标融合图像，红外图像和可见图像的第i级细节层；ω是平衡系数。αi in和αi vis是红外图像和可见图像的第i级细节层的增强系数，它们根据细节层像素值的局部均方误差进行自适应更改。Di F-αi in·Di in和Di F-αi vis·Di vis的数值极小但不等于0，采用L2范数，其中，v为单位矩阵。
所以，此处设备先获取红外图像的第一增强系数和可见图像的第二增强系数，αi in为红外图像的第一增强系数，αi vis是可见图像的第二增强系数。
对于增强系数αi in，定义如下：
Figure BDA0002647244190000172
Figure BDA0002647244190000173
Figure BDA0002647244190000174
其中，θi a和θi b是第i级红外细节层中的全局和局部均方差数值；q1和q21红外细节层的的全局尺寸和局部图像块的尺寸；(k,l)是红外细节层的像素空间位置；Bi 1(k,l)和Bi 2(k,l)是第i级红外细节层中的全局和局部图像像素值；
Figure BDA0002647244190000181
和
Figure BDA0002647244190000182
是第i级红外细节层中的全局和局部像素值的平均值。
增强系数αi vis求解可以参考增强系数αi ir的求解过程，此处不再赘述。
S103235：根据所述第一细节信息、所述第二细节信息、所述平衡系数、所述第一增强系数和所述第二增强系数，计算目标细节层图像。
根据上文的论述可知，Di F-αi in·Di in与Di F-αi vis·Di vis均为凸函数，可根据凸函数的性质，在同一定义域中两个凸函数之和仍为凸函数，且凸函数的局部最小值为全局最小值。设备根据第一细节信息、第二细节信息、平衡系数、第一增强系数和第二增强系数，计算目标细节层图像。
令M＝αi in·Di in、N＝αi vis·Di vis,可解得目标细节层图像为：
Di F＝{[2MT+NT(ωT+ω)]·(2v+ω+ωT)-1}T
S104：将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。
设备在确定目标基础层图像和目标细节层图像后，对目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。在融合时，可以进行逆变换，得到目标融合图像。S104可以包括：根据预设逆变换融合函数将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。设备中预先存储预设逆变换融合函数，预设逆变换融合函数用于融合目标基础层图像和目标细节层图像。其中，预设逆变换融合函数可以为：
Figure BDA0002647244190000183
其中，Bn F表示通过使用MDLatLRR对预融合图像进行n尺度分解而获得的目标基础层图像。
本申请实施例中，获取红外图像和可见图像；将红外图像和可见图像进行预融合，得到预融合图像；根据预融合图像计算目标基础层图像和目标细节层图像；将目标基础层图像和目标细节层图像进行融合，得到目标融合图像。上述方案，通过将目标基础层图像和目标细节层图像进行融合，通过红外图像可以反映有效信息的特点来滤除可见图像中的干扰信息，使得最终得到的目标融合图像能够更好地突出显示目标，同时保留红外图像和可见图像中更多有用的细节，提升了图像融合的准确度，并且提升了图像融合可行性和可解释性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
请参见图8，图8是本申请第二实施例提供的红外图像和可见图像的融合装置的示意图。包括的各单元用于执行图1～图7对应的实施例中的各步骤。具体请参阅图1～图7各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图8，红外图像和可见图像的融合装置8包括：
第一获取单元810，用于获取红外图像和可见图像；
第一融合单元820，用于将所述红外图像和所述可见图像进行预融合，得到预融合图像；
第一计算单元830，用于根据所述预融合图像计算目标基础层图像和目标细节层图像；
第二融合单元840，用于将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。
进一步地，第一融合单元820，包括：
第二计算单元，用于根据所述红外图像和预设对比度函数计算所述红外图像的对比度信息；
第三计算单元，用于根据所述红外图像、所述可见图像和预设约束函数计算梯度稀疏约束信息；
第一确定单元，用于根据所述对比度信息和所述梯度稀疏约束信息确定目标损失函数；
第一优化单元，用于根据预设优化策略对目标损失函数进行优化，得到预融合图像。
进一步地，所述第一优化单元，具体用于：
根据预设计算规则对所述目标损失函数对应的中间变量进行优化，得到目标中间变量；
根据所述目标中间变量，计算得到预融合图像。
进一步地，所述第一计算单元，包括：
第二处理单元，用于根据预设图像分解算法对所述预融合图像进行图像分解，得到目标基础层图像；
第三处理单元，用于根据预设细节层提取策略、所述预融合图像、所述红外图像和所述可见图像，得到目标细节层图像。
进一步地，所述第三处理单元，包括：
第一提取单元，用于提取所述红外图像的第一细节信息和所述可见图像的第二细节信息；
第四计算单元，用于计算所述预融合图像和所述红外图像之间的第一结构相似度、所述预融合图像和所述可见图像之间的第二结构相似度；
第二确定单元，用于根据所述第一细节信息、所述第二细节信息、所述第一结构相似度和所述第二结构相似度确定目标细节层图像。
进一步地，所述第二确定单元，具体用于：
根据所述第一结构相似度得到所述预融合图像和所述红外图像之间的第一结构相似得分图；
根据所述第二结构相似度得到所述预融合图像和所述可见图像之间的第二结构相似得分图；
根据所述第一结构相似得分图和所述第二结构相似得分图，确定平衡系数；
获取所述红外图像的第一增强系数和所述可见图像的第二增强系数；
根据所述第一细节信息、所述第二细节信息、所述平衡系数、所述第一增强系数和所述第二增强系数，计算目标细节层图像。
进一步地，所述第二处理单元，具体用于：
根据MDLatLRR图像分解算法从所述预融合图像中提取第一级的细节层图像；
根据所述第一级的细节层图像和所述预融合图像确定第一级的基础层图像；
根据所述MDLatLRR图像分解算法从第i级的基础层图像中提取第i+1级的细节层图像，i大于或等于1，且i小于或等于n-1，n为预设正整数；
根据第i级的基础层图像和所述第i+1级的细节层图像确定第i+1级的基础层图像；
当检测到获取到第n级的基础层图像时，将所述第n级的基础层图像作为目标基础层图像。
进一步地，第二融合单元840，具体用于：
根据预设逆变换融合函数将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。
图9是本申请第三实施例提供的红外图像和可见图像的融合设备的示意图。如图9所示，该实施例的红外图像和可见图像的融合设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92，例如红外图像和可见图像的融合程序。所述处理器90执行所述计算机程序92时实现上述各个红外图像和可见图像的融合方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块810至840的功能。
示例性的，所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述红外图像和可见图像的融合设备9中的执行过程。例如，所述计算机程序92可以被分割成第一获取单元、第一融合单元、第一计算单元、第二融合单元，各单元具体功能如下：
第一获取单元，用于获取红外图像和可见图像；
第一融合单元，用于将所述红外图像和所述可见图像进行预融合，得到预融合图像；
第一计算单元，用于根据所述预融合图像计算目标基础层图像和目标细节层图像；
第二融合单元，用于将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。
所述红外图像和可见图像的融合设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是红外图像和可见图像的融合设备9的示例，并不构成对红外图像和可见图像的融合设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述红外图像和可见图像的融合设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述红外图像和可见图像的融合设备9的内部存储单元，例如红外图像和可见图像的融合设备9的硬盘或内存。所述存储器91也可以是所述红外图像和可见图像的融合设备9的外部存储设备，例如所述红外图像和可见图像的融合设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述红外图像和可见图像的融合设备9还可以既包括所述红外图像和可见图像的融合设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述红外图像和可见图像的融合设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种红外图像和可见图像的融合方法，其特征在于，包括：
获取红外图像和可见图像；
将所述红外图像和所述可见图像进行预融合，得到预融合图像；
根据所述预融合图像计算目标基础层图像和目标细节层图像；
将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。
2.如权利要求1所述的红外图像和可见图像的融合方法，其特征在于，所述将所述红外图像和所述可见图像进行预融合，得到预融合图像，包括：
根据所述红外图像和预设对比度函数计算所述红外图像的对比度信息；
根据所述红外图像、所述可见图像和预设约束函数计算梯度稀疏约束信息；
根据所述对比度信息和所述梯度稀疏约束信息确定目标损失函数；
根据预设优化策略对目标损失函数进行优化，得到预融合图像。
3.如权利要求2所述的红外图像和可见图像的融合方法，其特征在于，所述根据预设优化策略对目标损失函数进行优化，得到预融合图像，包括：
根据预设计算规则对所述目标损失函数对应的中间变量进行优化，得到目标中间变量；
根据所述目标中间变量，计算得到预融合图像。
4.如权利要求1所述的红外图像和可见图像的融合方法，其特征在于，所述根据所述预融合图像计算目标基础层图像和目标细节层图像，包括：
根据预设图像分解算法对所述预融合图像进行图像分解，得到目标基础层图像；
根据预设细节层提取策略、所述预融合图像、所述红外图像和所述可见图像，得到目标细节层图像。
5.如权利要求4所述的红外图像和可见图像的融合方法，其特征在于，所述根据预设细节层提取策略、所述预融合图像、所述红外图像和所述可见图像，得到目标细节层图像，包括：
提取所述红外图像的第一细节信息和所述可见图像的第二细节信息；
计算所述预融合图像和所述红外图像之间的第一结构相似度、所述预融合图像和所述可见图像之间的第二结构相似度；
根据所述第一细节信息、所述第二细节信息、所述第一结构相似度和所述第二结构相似度确定目标细节层图像。
6.如权利要求5所述的红外图像和可见图像的融合方法，其特征在于，所述根据所述第一细节信息、所述第二细节信息、所述第一结构相似度和所述第二结构相似度确定目标细节层图像，包括：
根据所述第一结构相似度得到所述预融合图像和所述红外图像之间的第一结构相似得分图；
根据所述第二结构相似度得到所述预融合图像和所述可见图像之间的第二结构相似得分图；
根据所述第一结构相似得分图和所述第二结构相似得分图，确定平衡系数；
获取所述红外图像的第一增强系数和所述可见图像的第二增强系数；
根据所述第一细节信息、所述第二细节信息、所述平衡系数、所述第一增强系数和所述第二增强系数，计算目标细节层图像。
7.如权利要求4所述的红外图像和可见图像的融合方法，其特征在于，所述根据预设图像分解算法对所述预融合图像进行图像分解，得到目标基础层图像，包括：
根据MDLatLRR图像分解算法从所述预融合图像中提取第一级的细节层图像；
根据所述第一级的细节层图像和所述预融合图像确定第一级的基础层图像；
根据所述MDLatLRR图像分解算法从第i级的基础层图像中提取第i+1级的细节层图像，i大于或等于1，且i小于或等于n-1，n为预设正整数；
根据第i级的基础层图像和所述第i+1级的细节层图像确定第i+1级的基础层图像；
当检测到获取到第n级的基础层图像时，将所述第n级的基础层图像作为目标基础层图像。
8.如权利要求1所述的红外图像和可见图像的融合方法，其特征在于，所述将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像，包括：
根据预设逆变换融合函数将所述目标基础层图像和所述目标细节层图像进行融合，得到目标融合图像。
9.一种红外图像和可见图像的融合设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
CN202010858349.4A 2020-08-24 2020-08-24 一种红外图像和可见图像的融合方法及设备 Active CN112115979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010858349.4A CN112115979B (zh) 2020-08-24 2020-08-24 一种红外图像和可见图像的融合方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010858349.4A CN112115979B (zh) 2020-08-24 2020-08-24 一种红外图像和可见图像的融合方法及设备

Publications (2)

Publication Number Publication Date
CN112115979A true CN112115979A (zh) 2020-12-22
CN112115979B CN112115979B (zh) 2024-03-22

Family

ID=73804812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010858349.4A Active CN112115979B (zh) 2020-08-24 2020-08-24 一种红外图像和可见图像的融合方法及设备

Country Status (1)

Country Link
CN (1) CN112115979B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159229A (zh) * 2021-05-19 2021-07-23 深圳大学 图像融合方法、电子设备及相关产品
CN113379661A (zh) * 2021-06-15 2021-09-10 中国工程物理研究院流体物理研究所 红外与可见光图像融合的双分支卷积神经网络及融合方法
CN113744163A (zh) * 2021-11-03 2021-12-03 季华实验室 集成电路图像增强方法、装置、电子设备及存储介质
CN115082968A (zh) * 2022-08-23 2022-09-20 天津瑞津智能科技有限公司 基于红外光和可见光融合的行为识别方法及终端设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204509A (zh) * 2016-07-07 2016-12-07 西安电子科技大学 基于区域特性的红外与可见光图像融合方法
CN108449555A (zh) * 2018-05-04 2018-08-24 北京化工大学 图像融合方法及系统
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
CN110097617A (zh) * 2019-04-25 2019-08-06 北京理工大学 基于卷积神经网络与显著性权重的图像融合方法
CN110111290A (zh) * 2019-05-07 2019-08-09 电子科技大学 一种基于nsct和结构张量的红外与可见光图像融合方法
AU2020100178A4 (en) * 2020-02-04 2020-03-19 Huang, Shuying DR Multiple decision maps based infrared and visible image fusion
CN111161356A (zh) * 2019-12-17 2020-05-15 大连理工大学 一种基于双层优化的红外和可见光融合方法
CN111429391A (zh) * 2020-03-23 2020-07-17 西安科技大学 一种红外和可见光图像融合方法、融合系统及应用

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204509A (zh) * 2016-07-07 2016-12-07 西安电子科技大学 基于区域特性的红外与可见光图像融合方法
CN108449555A (zh) * 2018-05-04 2018-08-24 北京化工大学 图像融合方法及系统
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
CN110097617A (zh) * 2019-04-25 2019-08-06 北京理工大学 基于卷积神经网络与显著性权重的图像融合方法
CN110111290A (zh) * 2019-05-07 2019-08-09 电子科技大学 一种基于nsct和结构张量的红外与可见光图像融合方法
CN111161356A (zh) * 2019-12-17 2020-05-15 大连理工大学 一种基于双层优化的红外和可见光融合方法
AU2020100178A4 (en) * 2020-02-04 2020-03-19 Huang, Shuying DR Multiple decision maps based infrared and visible image fusion
CN111429391A (zh) * 2020-03-23 2020-07-17 西安科技大学 一种红外和可见光图像融合方法、融合系统及应用

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159229A (zh) * 2021-05-19 2021-07-23 深圳大学 图像融合方法、电子设备及相关产品
CN113159229B (zh) * 2021-05-19 2023-11-07 深圳大学 图像融合方法、电子设备及相关产品
CN113379661A (zh) * 2021-06-15 2021-09-10 中国工程物理研究院流体物理研究所 红外与可见光图像融合的双分支卷积神经网络及融合方法
CN113379661B (zh) * 2021-06-15 2023-03-07 中国工程物理研究院流体物理研究所 红外与可见光图像融合的双分支卷积神经网络装置
CN113744163A (zh) * 2021-11-03 2021-12-03 季华实验室 集成电路图像增强方法、装置、电子设备及存储介质
CN113744163B (zh) * 2021-11-03 2022-02-08 季华实验室 集成电路图像增强方法、装置、电子设备及存储介质
CN115082968A (zh) * 2022-08-23 2022-09-20 天津瑞津智能科技有限公司 基于红外光和可见光融合的行为识别方法及终端设备
CN115082968B (zh) * 2022-08-23 2023-03-28 天津瑞津智能科技有限公司 基于红外光和可见光融合的行为识别方法及终端设备

Also Published As

Publication number Publication date
CN112115979B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
Xie et al. Multilevel cloud detection in remote sensing images based on deep learning
CN112052787B (zh) 基于人工智能的目标检测方法、装置及电子设备
CN112115979A (zh) 一种红外图像和可见图像的融合方法及设备
Negru et al. Exponential contrast restoration in fog conditions for driving assistance
US8630454B1 (en) Method and system for motion detection in an image
CN109389618B (zh) 前景和背景检测方法
CN109871845B (zh) 证件图像提取方法及终端设备
CN107909638A (zh) 虚拟物体的渲染方法、介质、系统和电子设备
CN108205657A (zh) 视频镜头分割的方法、存储介质和移动终端
KR101833943B1 (ko) 동영상의 주요 장면을 추출 및 탐색하는 방법 및 시스템
CN112132753B (zh) 多尺度结构引导图像的红外图像超分辨率方法及系统
CN105574844A (zh) 辐射响应函数估计方法和装置
CN116958393A (zh) 一种增量式图像渲染方法及装置
CN112488985A (zh) 图像质量确定方法、装置及设备
Liu et al. Modified grey world method to detect and restore colour cast images
CN111815529B (zh) 一种基于模型融合和数据增强的低质图像分类增强方法
CN113240611B (zh) 一种基于图片序列的异物检测方法
Chen et al. Candidate region acquisition optimization algorithm based on multi-granularity data enhancement
Li et al. Laplace dark channel attenuation-based single image defogging in ocean scenes
CN114283087A (zh) 一种图像去噪方法及相关设备
CN112884866A (zh) 一种黑白视频的上色方法、装置、设备及存储介质
Zhang et al. Estimation of atmospheric light based on gaussian distribution
Huang et al. Image dust storm synthetic method based on optical model
CN117173523B (zh) 一种基于频率感知的伪装目标检测方法及系统
CN116012248B (zh) 图像处理方法、装置、计算机设备及计算机存储介质

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