CN112734683B - 基于目标增强的多尺度sar与红外图像融合方法 - Google Patents
基于目标增强的多尺度sar与红外图像融合方法 Download PDFInfo
- Publication number
- CN112734683B CN112734683B CN202110019241.0A CN202110019241A CN112734683B CN 112734683 B CN112734683 B CN 112734683B CN 202110019241 A CN202110019241 A CN 202110019241A CN 112734683 B CN112734683 B CN 112734683B
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- low
- fusion
- sar
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 77
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 abstract description 5
- 238000007499 fusion processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于目标增强的多尺度SAR与红外图像融合方法,包括步骤:首先利用非下采样轮廓波变换得到源图像的多尺度分解信息,然后利用分解后的红外低频信息确定低频融合权重,突出目标;最后提出一种基于区域能量和梯度特征相结合的融合规则来计算高频子带系数;再对融合系数进行非下采样轮廓波逆变换得到融合图像。本发明实现了SAR图像与红外图像的高效融合,利用二者的信息互补特性,显示红外目标,并保留场景的详细信息。解决了现有SAR和红外图像融合过程中出现的图像信息丢失、光谱扭曲等问题。
Description
技术领域
本发明涉及雷达图像处理技术领域,具体涉及一种基于目标增强的多尺度SAR与红外图像融合方法。
背景技术
随着空间技术的快速发展以及新型传感器的不断出现,人们能够获取大量空间分辨率、不同时间分辨率、不同光谱分辨率的SAR、红外图像等数据,从而构成用于全球变化研究、地理信息系统数据库更新、环境监测、资源调查等方面的多层次遥感影像集。
传感器数量的不断增加使得系统获得的信息量急剧增加且呈现复杂性和多样性,传统的信息处理方法已经不能满足需求,迫切需要研究新方法,提出新技术来解决人们所面临的新问题。为了充分利用来自不同传感器的各类遥感信息,克服遥感影像信息提取与解译单一信息源的不足,多传感器信息融合技术为多源信息的融合利用提供了主要解决途径。所谓信息融合,是指在一定的准则下,对来自多个传感器的信息进行多层次、多方面、多级别的处理和综合,从而获得更可靠、更精确、更丰富的信息,它是为完成所需要的决策和评估而进行的信息处理过程。
SAR属于主动式微波成像传感器,穿透性好,具有全天候、全天时对地观测的能力,主要根据地物介电常数和表明粗糙度等特性成像,SAR图像的地物轮廓清楚,对比度、结构信息比较好,具有丰富的纹理信息;红外图像传感器主要根据物体的热辐射特性成像,红外图像很好地给出了目标存在特性和位置特性,但目标边缘模糊。因此,采用图像融合技术将多源图像传感器的特性有机地结合起来,对于充分发挥多种图像数据的潜力,提高遥感解译和信息提取的精度和效率具有重要的意义。
由于SAR和红外图像融合过程中会出现图像信息丢失、光谱扭曲等问题,因此需要寻找一种新的多源图像融合方法突破这一瓶颈。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种基于目标增强的多尺度SAR与红外图像融合方法,本发明实现了SAR图像与红外图像的高效融合,利用二者的信息互补特性,显示红外目标,并保留场景的详细信息。
为了达到上述目的,本发明采用以下技术方案予以实现。
基于目标增强的多尺度SAR与红外图像融合方法,包括以下步骤:
步骤1,获取原始SAR图像与红外图像,分别对所述原始SAR图像与红外图像进行配准处理,得到校准后的SAR图像和红外图像;
步骤2,采用非下采样轮廓波变换分别对所配准后的SAR图像和红外图像进行多尺度分解,对应得到一幅低频SAR图像、多幅高频SAR图像和一副低频红外图像、多幅高频红外图像;
步骤3,利用所述低频红外图像确定低频融合权重,采用所述低频融合权重对所述低频SAR图像和低频红外图像进行融合,得到融合后的低频子代系数;采用基于区域能量和梯度特征相结合的融合规则对所述多幅高频SAR图像和多幅高频红外图像进行融合,得到融合后的高频子带系数;
步骤4,采用非下采样轮廓波逆变换对融合后的低频子代系数和融合后的高频子代系数进行多尺度合成,得到异源融合结果图。
与现有技术相比,本发明的有益效果为:
本发明首先利用非下采样轮廓波变换(NSCT)得到源图像的多尺度分解信息,然后利用分解后的红外低频信息确定低频融合权重,突出目标;最后提出一种基于区域能量和梯度特征相结合的融合规则来计算高频子带系数;再对融合系数进行非下采样轮廓波逆变换得到融合图像。本发明实现了SAR图像与红外图像的高效融合,利用二者的信息互补特性,显示红外目标,并保留场景的详细信息。解决了现有SAR和红外图像融合过程中出现的图像信息丢失、光谱扭曲等问题。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1是本发明实施例提供的基于目标增强的多尺度SAR与红外图像融合方法的流程示意图;
图2是本发明实验一采用不同融合方法得到的融合结果图;其中,(a)原始SAR图像,(b)原始红外图像,(c)NSCT变换结果,(d)采用基于稀疏表示的融合结果,(e)本发明融合结果;
图3是本发明实验二采用不同融合方法得到的融合结果图;其中,(a)原始SAR图像,(b)原始红外图像,(c)NSCT变换结果,(d)采用基于稀疏表示的融合结果,(e)本发明融合结果。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域的技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限制本发明的范围。
参考图1,本发明提供的一种基于目标增强的多尺度SAR与红外图像融合方法,包括以下步骤:
步骤1,获取原始SAR图像与红外图像,分别对所述原始SAR图像与红外图像进行配准处理,得到校准后的SAR图像和红外图像;
由于在多传感器图像配准时,获取的多源图像灰度往往有差异,这样同名控制点的选择就变得困难,此时基于图像灰度的配准方法大多都会失效。因此,本发明采用基于多源图像的轮廓信息的配准方法,利用配准的特征建立的映射关系变换来完成配准,完成两幅图像的校准工作。
步骤2,采用非下采样轮廓波变换分别对所配准后的SAR图像和红外图像进行多尺度分解,对应得到一幅低频SAR图像、多幅高频SAR图像和一副低频红外图像、多幅高频红外图像;
针对光谱差异较大的SAR与红外图像,采用非下采样轮廓波变换获取图像的低频和高频信息。
非下采样轮廓波变换由两部分组成:非下采样的金字塔结构和非下采样的滤波器组。其变换过程为:首先用非下采样金字塔变换将输入图像分解为低频子带图像(低频分量)和带通子带图像(高频分量),以实现图像的多尺度分解;然后利用非下采样方向滤波器组将带通子带图像分解为多个方向子带图像,以实现图像的多尺度分解,最后对每一层的低通子带图像重复上述操作,得到了输入图像的多层NSCT分解结果。
步骤3,利用所述低频红外图像确定低频融合权重,采用所述低频融合权重对所述低频SAR图像和低频红外图像进行融合,得到融合后的低频子代系数;采用基于区域能量和梯度特征相结合的融合规则对所述多幅高频SAR图像和多幅高频红外图像进行融合,得到融合后的高频子带系数;
1、低频融合:对于步骤2获得的低频子带即(低频SAR图像和低频红外图像),它代表着图像的主要能量,是图像的近似部分,低频分量的融合规则决定最终的融合效果。因此,利用分解后的红外低频信息确定低频融合权重,突出目标,得到最终低频融合系数。
(3.1)对低频红外图像即红外低频子带的每个像素取绝对值:
R=|LAN|
其中,LAN代表低频红外图像的像素值;R反映了显著的红外特征分布,对于图像中的任意一点,R的值越大,则像素强度也会越大,红外图像的特征分布越明显。将R归一化可以得到
其中,Ω表示低频红外图像区域;x表示低频红外图像区域内的某一点;maxx∈Ω{R(x)}表示整个低频红外图像区域像素强度最大值,P为R归一化后的结果,该归一化结果反映了红外特征分布。
(3.2)低频红外图像的融合系数权重为:
其中,λ是经验参数,用来控制红外信息量的参数,C反映了红外图像特征的分布情况,其中C(x)的值决定了低频融合的权重,若C(x)的值越大,红外目标的可能性越大,融合过程中红外信息的比例也应该更大。
(3.3)低频SAR图像与低频红外图像的融合结果为:
其中,C代表融合图像中红外图像低频信息所代表的权重值,LBN代表SAR低频图像;为低频子带的融合系数。
2、高频融合:高频子带通常反映图像的边缘、轮廓等,该部分能够反映图像对应位置的信息丰富度,为了能让高频分量更好地反映图像的边缘特征和纹理信息,并考虑到图像像素间的相关性,所以应该是通过计算以某一像素为中心的固定领域内的特征来计算得到高频子带的融合系数。因此,对区域能量和区域梯度采用加权平均的方式得到最终NSCT分解后的不同方向的高频子带。具体步骤为:
(3.4)采用固定窗口将任一高频SAR图像或任一高频红外图像进行区域划分,对任一以像素点(i,j)为中心的窗口区域,该区域的能量为:
式中,i-W≤m≤i+W,j-W≤n≤j+W,w为窗口大小2W+1像素的正方形区域;Dk,h(m,n)为图像经过NSCT分解后在尺度k层h方向上的高频子带。
(3.5)对任一以像素点(i,j)为中心的窗口区域,该区域的平均梯度为:
式中,w为窗口大小2W+1像素的正方形区域,Dk,h(m,n)为图像经过NSCT分解后在尺度k层h方向上的高频子带。
(3.6)采用加权平均的方式对SAR高频子带和红外高频子带进行融合,得到融合后的高频子带系数。
先对区域能量和区域梯度因子进行归一化处理:
式中,分别为图像A、图像B中以像素点(i,j)为中心的滑窗区域的归一化系数;/>分别为图像A、图像B中以像素点(i,j)为中心的滑窗区域的平均梯度;/>分别为图像A、图像B中以像素点(i,j)为中心的滑窗区域的能量;图像A和图像B分别表示高频SAR图像和高频红外图像;
然后,该区域对应的高频子带融合系数为:
其中,代表第k层h方向的高频子带融合系数。
每个区域都进行步骤(3.4)-(3.6),即可得到整幅图对应的融合后的高频子带系数。
步骤4,采用非下采样轮廓波逆变换对融合后的低频子带系数和融合后的高频子带系数进行多尺度合成,得到异源融合结果图。
仿真实验
以下通过仿真实验验证本发明的有效性。
为了验证本发明所提算法的融合效果,选取SAR图像和红外图像实测数据,分别对其进行仿真实验。最后将本发明所提算法与NSCT多尺度分解、基于稀疏表示的图像融合算法进行对比,同时选取以下4个客观质量指标作为评判标准:
(1)边缘信息保留度(QABF)
其中,和/>分别是A图像的边缘强度和方向保持值,QBF(i,j)的定义类似于QAF(i,j)。ωA(i,j)和ωB(i,j)分别是衡量QAF(i,j)和QBF(i,j)的权重值。
(2)信息熵(EN)
其中,L是通常设置为256的灰度等级,pl是图像在灰度值为l的像素比例。
(3)评估图像结构特性的矩阵相似度(SSIM)
SSIM=ωASSIMAf+ωBSSIMBf
式中,SSIMAB代表图像A与B的矩阵相似度,分别代表图像A、B的平均值,分别代表图像A、B的标准差,c1,c2和c3是使算法稳定的参数。且ωA和ωB分别代表图像A与B的权重值。
(4)互信息(MI)
式中,PABF(i,j,k)是图像A,B,F的归一化联合灰度直方图,PAB(i,j)是图像A,B的归一化联合灰度直方图,PF(k)是图像F的归一化灰度直方图,L是图像的灰度,(i,j,k)分别代表图像A,B,F的像素值。
其中,QABF的值越大,表明融合图像所获取的边缘信息越丰富,质量越好。SSIM的值越大,表明融合图像的结构与源图像的结构越相似。MI的值从侧面表明融合图像能提供的信息越多,融合效果越好,空间频率越大,图像的清晰度越好,融合的质量也会越好。
(1)实验一
本发明以某农田的SAR实测图像数据为例。算法的多尺度分解NSCT算法采用“maxflat”作为金字塔滤波器,其中分解层数为4层,每层分解的方向数为[4,4,8,8],低频融合规则中的λ=50,高频融合规则中的窗口大小取为3×3,即W=1。原始SAR、红外图像及各算法的融合结果如图2所示,相比之下,本发明算法的融合图像包含更多显著的红外目标信息和更丰富的SAR图像背景信息,因此具有较好的主观融合效果。融合质量效果定量对比如表1所示。
(2)实验二
本发明以某机场跑道的SAR实测图像数据为例。算法的多尺度分解NSCT算法采用“maxflat”作为金字塔滤波器,其中分解层数为4层,每层分解的方向数为[4,4,8,8],低频融合规则中的λ=50,高频融合规则中的窗口大小取为3×3,即W=1。原始SAR、红外图像及各算法的融合结果如图3所示,相比之下,本发明算法的融合图像包含更多显著的红外目标信息和更丰富的SAR图像背景信息,因此具有较好的主观融合效果。融合质量效果定量对比如表1所示。
表1融合结果定量分析
其中:A代表NSCT多尺度分解方法,B代表基于稀疏表示的图像融合,C代表本发明所提算法。
从两组实验对比中可以发现,本发明方法相对于其他算法的4种评价值均保持领先的水平。这表明本发明所提出的融合框架以及融合算法的规则能更好地解决融合问题,这与主观视觉观感是相似的。综上所述,本发明提出的算法可以弥补两种源图像较大的光谱差异性,同时较完整地保留了丰富的纹理信息和细节信息。最终,该算法在视觉质量和定量评价方面都优于传统的算法。
虽然,本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (3)
1.基于目标增强的多尺度SAR与红外图像融合方法,其特征在于,包括以下步骤:
步骤1,获取原始SAR图像与红外图像,分别对所述原始SAR图像与红外图像进行配准处理,得到校准后的SAR图像和红外图像;
步骤2,采用非下采样轮廓波变换分别对所配准后的SAR图像和红外图像进行多尺度分解,对应得到一幅低频SAR图像、多幅高频SAR图像和一副低频红外图像、多幅高频红外图像;
步骤3,利用所述低频红外图像确定低频融合权重,采用所述低频融合权重对所述低频SAR图像和低频红外图像进行融合,得到融合后的低频子代系数;采用基于区域能量和梯度特征相结合的融合规则对所述多幅高频SAR图像和多幅高频红外图像进行融合,得到融合后的高频子带系数;
所述利用所述低频红外图像确定低频融合权重,具体为:
(3.1)对低频红外图像即红外低频子带的每个像素取绝对值:
R=|LAN|
其中,LAN代表低频红外图像的像素值;
将R归一化得到:
其中,Ω表示低频红外图像区域;x表示低频红外图像区域内的某一点;maxx∈Ω{R(x)}表示整个低频红外图像区域像素强度最大值,P为R归一化后的结果;
(3.2)低频红外图像的融合系数权重为:
其中,λ是经验参数,用来控制红外信息量的参数;
所述采用所述低频融合权重对所述低频SAR图像和低频红外图像进行融合,具体公式为:
其中,C代表融合图像中红外图像低频信息所代表的权重值,LBN代表SAR低频图像;为低频子带的融合系数;
所述采用基于区域能量和梯度特征相结合的融合规则对所述多幅高频SAR图像和多幅高频红外图像进行融合,具体为:
(3.4)采用固定窗口将任一高频SAR图像或任一高频红外图像进行区域划分,对任一以像素点(i,j)为中心的窗口区域,该区域的能量为:
式中,i-W≤m≤i+W,j-W≤n≤j+W,(m,n)表示该区域内的任一像素点,w为窗口大小2W+1像素的正方形区域;Dk,h(m,n)为图像经过NSCT分解后在尺度k层h方向上的高频子带;
(3.5)对任一以像素点(i,j)为中心的窗口区域,该区域的平均梯度为:
式中,w为窗口大小2W+1像素的正方形区域;
(3.6)采用加权平均的方式对SAR高频子带和红外高频子带进行融合,得到融合后的高频子带系数;
先对区域能量和区域梯度因子进行归一化处理:
式中,分别为图像A、图像B中以像素点(i,j)为中心的滑窗区域的归一化系数;/>分别为图像A、图像B中以像素点(i,j)为中心的滑窗区域的平均梯度;/>分别为图像A、图像B中以像素点(i,j)为中心的滑窗区域的能量;图像A和图像B分别表示高频SAR图像和高频红外图像;
然后,该区域对应的高频子带融合系数为:
其中,代表融合后的第k层h方向的高频子带系数;
每个区域都进行步骤(3.4)-(3.6),即可得到整幅图对应的融合后的高频子带系数;
步骤4,采用非下采样轮廓波逆变换对融合后的低频子代系数和融合后的高频子代系数进行多尺度合成,得到异源融合结果图。
2.根据权利要求1所述的一种基于目标增强的多尺度SAR与红外图像融合方法,其特征在于,所述配准处理为采用原始SAR图像与红外图像的轮廓信息进行配准。
3.根据权利要求1所述的基于目标增强的多尺度SAR与红外图像融合方法,其特征在于,所述非下采样轮廓波变换具体为:
首先,采用非下采样金字塔变换将输入图像分解为低频子带图像和带通子带图像,以实现图像的多尺度分解;
然后,采用非下采样方向滤波器组将带通子带图像分解为多个方向子带图像,以实现图像的多尺度分解;
最后,对每一层的低频子带图像重复上述操作,得到输入图像的多层NSCT分解结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110019241.0A CN112734683B (zh) | 2021-01-07 | 2021-01-07 | 基于目标增强的多尺度sar与红外图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110019241.0A CN112734683B (zh) | 2021-01-07 | 2021-01-07 | 基于目标增强的多尺度sar与红外图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734683A CN112734683A (zh) | 2021-04-30 |
CN112734683B true CN112734683B (zh) | 2024-02-20 |
Family
ID=75591125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110019241.0A Active CN112734683B (zh) | 2021-01-07 | 2021-01-07 | 基于目标增强的多尺度sar与红外图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734683B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284079B (zh) * | 2021-05-27 | 2023-02-28 | 山东第一医科大学(山东省医学科学院) | 一种多模态医学图像融合方法 |
CN113628151B (zh) * | 2021-08-06 | 2024-04-26 | 苏州东方克洛托光电技术有限公司 | 一种红外与可见光图像融合方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017020595A1 (zh) * | 2015-08-05 | 2017-02-09 | 武汉高德红外股份有限公司 | 一种可见光图像与红外图像融合处理系统及融合方法 |
CN107451984A (zh) * | 2017-07-27 | 2017-12-08 | 桂林电子科技大学 | 一种基于混合多尺度分析的红外与可见光图像融合算法 |
CN109242888A (zh) * | 2018-09-03 | 2019-01-18 | 中国科学院光电技术研究所 | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780392B (zh) * | 2016-12-27 | 2020-10-02 | 浙江大华技术股份有限公司 | 一种图像融合方法及装置 |
-
2021
- 2021-01-07 CN CN202110019241.0A patent/CN112734683B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017020595A1 (zh) * | 2015-08-05 | 2017-02-09 | 武汉高德红外股份有限公司 | 一种可见光图像与红外图像融合处理系统及融合方法 |
CN107451984A (zh) * | 2017-07-27 | 2017-12-08 | 桂林电子科技大学 | 一种基于混合多尺度分析的红外与可见光图像融合算法 |
CN109242888A (zh) * | 2018-09-03 | 2019-01-18 | 中国科学院光电技术研究所 | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 |
Non-Patent Citations (2)
Title |
---|
丁文杉 ; 毕笃彦 ; 何林远 ; 凡遵林 ; 吴冬鹏 ; .基于剪切波变换和邻域结构特征的红外与可见光图像融合.光学学报.2017,(第10期),全文. * |
张惊雷 ; 赵俄英 ; .基于NSCT的红外与可见光图像融合方法.激光与红外.2013,(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112734683A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
CN108830819B (zh) | 一种深度图像与红外图像的图像融合方法及装置 | |
CN110969088B (zh) | 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法 | |
CN109242888B (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN101546428B (zh) | 基于区域分割的序列红外与可见光图像融合 | |
CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
CN112734683B (zh) | 基于目标增强的多尺度sar与红外图像融合方法 | |
CN113298147B (zh) | 基于区域能量和直觉模糊集的图像融合方法及装置 | |
CN107230197B (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
CN111339948B (zh) | 一种高分辨率遥感影像新增建筑自动识别方法 | |
CN107273813A (zh) | 基于高分卫星遥感数据的地理空间要素提取系统 | |
CN114627104A (zh) | 一种机场净空保护区建筑变化的遥感影像检测方法 | |
CN117237740B (zh) | 一种基于CNN和Transformer的SAR图像分类方法 | |
CN112115871B (zh) | 适用于行人目标检测的高低频交织边缘特征增强方法 | |
Cai et al. | Infrared and visible image fusion based on BEMSD and improved fuzzy set | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 | |
CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
CN109671038A (zh) | 一种基于伪不变特征点分类分层的相对辐射校正方法 | |
CN106096650B (zh) | 基于收缩自编码器的sar图像分类方法 | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
Cheng et al. | Tensor locality preserving projections based urban building areas extraction from high-resolution SAR images |
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 |