CN114119436A - 红外图像与可见光图像融合方法、装置、电子设备及介质 - Google Patents
红外图像与可见光图像融合方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114119436A CN114119436A CN202111168314.9A CN202111168314A CN114119436A CN 114119436 A CN114119436 A CN 114119436A CN 202111168314 A CN202111168314 A CN 202111168314A CN 114119436 A CN114119436 A CN 114119436A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- visible light
- low
- determining
- 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.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title description 6
- 230000004927 fusion Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001931 thermography 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20064—Wavelet transform [DWT]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Studio Devices (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种红外图像与可见光图像融合方法、装置、电子设备及介质，其包括：获取目标区域对应的红外图像和可见光图像；对红外图像进行多尺度分解得到第一图像信息，对可见光图像进行多尺度分解得到第二图像信息；确定可见光图像的清晰度信息；基于清晰度信息确定第一图像信息对应的第一权重以及第二特征融合对应的第二权重；基于第一图像信息、第二图像信息、第一权重以及第二权重进行融合，得到融合后的图像。本申请具有提高融合图像在不同场景下的丰富性与可靠性的效果。
Description
技术领域
本申请涉及图像处理的领域，尤其是涉及红外图像与可见光图像融合方法、装置、电子设备及介质。
背景技术
由于人类视觉的局限性，不同的传感器可以用来获取不同情况下人类视觉无法获取的信息，图像融合技术能够协同利用同一场景的多种传感器图像信息，并生成融合图像，以获得更准确、可靠和全面的场景描述，也便于人类视觉感知或计算机进一步处理和分析。
其中，红外和可见光传感器获取的图像在内容上具有互补性，具体体现在红外图像传感器是热成像工作原理，受黑暗或恶劣天气影响较小，但是成像一般较暗且无彩色信息。而可见光图像光谱信息丰富，能够保留更多的细节和纹理信息，但是需要有照明良好的工作环境，二者的融合可以有效提高图像对场景细节与热目标的描述能力，获得更加详细准确的信息，在军事作战、目标检测、跟踪等领域都具有广泛的使用价值。
由于拍摄区域的成像效果所在场景随时间和其他动态因素而存在差异，如何提高融合图像在全时段中信息的丰富性与可靠性是亟待解决的问题。
发明内容
为了提高融合图像在不同场景下的丰富性与可靠性，本申请提供一种红外图像与可见光图像融合方法、装置、电子设备及介质。
第一方面，本申请提供一种红外图像与可见光图像融合方法，采用如下的技术方案：
一种红外图像与可见光图像融合方法，包括：
获取目标区域对应的红外图像和可见光图像；
对所述红外图像进行多尺度分解得到第一图像信息，对所述可见光图像进行多尺度分解得到第二图像信息；
确定所述可见光图像的清晰度信息；
基于所述清晰度信息确定所述第一图像信息对应的第一权重以及所述第二特征融合对应的第二权重；
基于所述第一图像信息、所述第二图像信息、所述第一权重以及所述第二权重进行融合，得到融合后的图像。
通过采用上述技术方案，在正常光照条件下或者是不存在遮挡时，可见光图像具有更多的细节纹理部分，图像对比度更高；在环境场景影响较大时，红外光图像的适应能力更强，抗干扰性更强，能够保留更多有用信息。因此，需要根据可见光图像的清晰度信息确定其监控区域的场景是否发生变化(例如是否存在出入人员、是否存在遮挡等等)，在不同干扰场景下，对第一图像信息与第二图像信息之间融合的权重进行适应性调整，以提高融合后的图像质量。
可选的，所述确定所述可见光图像的清晰度信息，包括：
确定所述可见光图像对应的平均灰度信息、对比度信息、以及信息熵；
基于所述平均灰度信息、对比度信息、以及信息熵以及预设对应关系，确定所述可见光图像的清晰度信息。
通过采用上述技术方案，基于平均灰度信息、对比度信息、以及信息熵确定可见光图像的清晰度信息，通过多个参数能够准确确定可见光图像的清晰度。
可选的，所述确定所述可见光图像的清晰度信息，包括：
提取所述红外图像对应的第一边缘信息以及所述可见光图像对应的第二边缘信息；
对比所述第一边缘信息以及所述第二边缘信息，确定差异信息；基于所述差异信息确定所述清晰度信息。
可选的，所述基于所述第一图像信息、所述第二图像信息、所述第一权重以及所述第二权重进行融合，得到融合后的图像，包括：
所述第一图像信息包括所述红外图像基于小波变换得到的第一低频分量以及第一高频分量，所述第二图像信息包括所述可见光图像基于小波变换得到的第二低频分量以及第二高频分量；
所述第一权重包括与所述第一低频分量对应的第一低频系数，所述第二权重包括与所述第二低频分量对应的第二低频系数；
基于所述第一低频分量、第二低频分量、第一低频系数以及第二低频系数得到低频图像，基于所述第一高频分量以及第二高频分量得到高频图像；
基于所述低频图像以及所述高频图像进行小波逆变换，得到所述融合后的图像。
可选的，基于所述清晰度信息确定所述第一图像信息对应的第一权重以及所述第二特征融合对应的第二权重，包括：基于所述清晰度信息确定所述第二低频系数，基于所述第二低频系数以及预设分配关系确定所述第一低频系数。
可选的，基于所述清晰度信息确定所述第二低频系数，基于所述第二低频系数以及预设分配关系确定所述第一低频系数，包括：
第二低频系数为：(k+h)/2，
第一低频系数为：1-(k+h)/2；
其中，h为系统评价值,k、h均大于0且小于1。
通过采用上述技术方案，融合系统评价值对于权重分配的干扰，能够有效提高提高分配权重的准确度。
可选的，确定系统评价值h，包括：
基于历史时间段获取到的可见光图像信息确定系统噪声信号；
确定所述系统噪声信号的噪声强度阈值；
基于所述噪声阈值确定系统噪声补偿值h。
第二方面，本申请提供一种红外图像与可见光图像融合装置，采用如下的技术方案：
一种红外图像与可见光图像融合装置，包括：
获取模块，用于获取目标区域对应的红外图像和可见光图像；
分解模块，用于对所述红外图像进行多尺度分解得到第一图像信息，对所述可见光图像进行多尺度分解得到第二图像信息；
第一分析模块，用于确定所述可见光图像的清晰度信息；
权重分配模块，用于基于所述清晰度信息确定所述第一图像信息对应的第一权重以及所述第二特征融合对应的第二权重；
反变换模块，用于基于所述第一图像信息、所述第二图像信息、所述第一权重以及所述第二权重进行融合，得到融合后的图像。
可选的，第一分析模块在确定所述可见光图像的清晰度信息时，具体用于：
确定所述可见光图像对应的平均灰度信息、对比度信息、以及信息熵；
基于所述平均灰度信息、对比度信息、以及信息熵以及预设对应关系，确定所述可见光图像的清晰度信息。
可选的，第一分析模块在确定所述可见光图像的清晰度信息时，具体用于：
提取所述红外图像对应的第一边缘信息以及所述可见光图像对应的第二边缘信息；
对比所述第一边缘信息以及所述第二边缘信息，确定差异信息；基于所述差异信息确定所述清晰度信息。
权重分配模块在基于所述第一图像信息、所述第二图像信息、所述第一权重以及所述第二权重进行融合，得到融合后的图像时，具体用于：
所述第一图像信息包括所述红外图像基于小波变换得到的第一低频分量以及第一高频分量，所述第二图像信息包括所述可见光图像基于小波变换得到的第二低频分量以及第二高频分量；
所述第一权重包括与所述第一低频分量对应的第一低频系数，所述第二权重包括与所述第二低频分量对应的第二低频系数；
基于所述第一低频分量、第二低频分量、第一低频系数以及第二低频系数得到低频图像，基于所述第一高频分量以及第二高频分量得到高频图像；
基于所述低频图像以及所述高频图像进行小波逆变换，得到所述融合后的图像。
可选的，权重分配模块在基于所述清晰度信息确定所述第一图像信息对应的第一权重以及所述第二特征融合对应的第二权重时具体用于，包括：基于所述清晰度信息确定所述第二低频系数，基于所述第二低频系数以及预设分配关系确定所述第一低频系数。
可选的，第一分析模块在基于所述清晰度信息确定所述第二低频系数，基于所述第二低频系数以及预设分配关系确定所述第一低频系数时，具体用于：
第二低频系数为：(k+h)/2，
第一低频系数为：1-(k+h)/2；
其中，h为系统评价值,k、h均大于0且小于1。
可选的，第一分析模块在确定系统评价值h时，具体用于：
基于历史时间段获取到的可见光图像信息确定系统噪声信号；
确定所述系统噪声信号的噪声强度阈值；
基于所述噪声阈值确定系统噪声补偿值h。
第三方面，本申请提供一种电子设备，采用如下的技术方案：
一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个应用程序配置用于：执行上述一种红外图像与可见光图像融合方法。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，包括：存储有能够被处理器加载并执行上述一种红外图像与可见光图像融合方法的计算机程序。
综上所述，本申请包括以下有益技术效果：
环境变换影响可见光图像的清晰度，根据不同外界环境条件下可见光图像的清晰度信息，对第一图像信息与第二图像信息之间融合的权重进行适应性调整，在保证融合图像清晰度的情况下，保留更多细节，以提高融合后的图像质量。
附图说明
图1是本申请实施例的方法流程示意图；
图2是本申请实施例的装置示意图；
图3是本申请实施例的电子设备的示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
本申请实施例提供了一种红外图像与可见光图像融合方法，由电子设备执行，参照图1，该方法包括：
步骤S101、获取目标区域对应的红外图像和可见光图像。
对于本申请实施例，目标区域为具体的监控场景，例如：在厂房内的某一区域对外来人员进行监控的区间，或者是厂房内对仪器设备进行监控的区间，等等。
具体地，红外图像和可见光图像可采用相同聚焦，例如都是左聚焦、或者都是右聚焦进行拍摄，或者是，红外图像和可见光图像可以采用不同的聚焦，例如红外图像采用左聚焦，可见光图像采用右聚焦等等，本申请实施例对此不做限定。
步骤S102、对红外图像进行多尺度分解得到第一图像信息，对可见光图像进行多尺度分解得到第二图像信息。
具体地，根据信息表征的层次，图像融合从信息抽象程度可以分成三类，由高到低分别为：决策级图像融合、特征级图像融合和像素级图像融合。其中，像素级图像融合基于基础数据层面，特征级图像融合基于中间层次上(如形状、区域等信息)，决策级图像融合以做出最优决策为目的。
为了使融合后的图像能够提供丰富的纹理贴图、更深刻地反映被测对象形貌特征，在本申请实施例中采用基于像素级图像融合。
常见的像素级图像融合算法分为两种类型：第一类是基于空间域的图像融合算法，第二类是基于变换域的图像融合算法，本申请实施例采用基于变换域的图像融合算法。
其具体过程为：先将图像转换到变换域，对图像的变换域系数进行融合。在本申请实施例中采用基于多分辨率分析的图像融合算法，常用的算法有小波变换、金字塔变换、Contourlet变换、傅里叶变换、Ridgelet变换、Curvelet变换、Bandelet变换等等。
经多尺度分解后产生的变换系数，将在融合规则的指导下完成系数融合，融合规则是确定系数之间如何取舍，决定了融合图像中包含原始图像信息量的大小，对融合效果起重要作用，融合后的多尺度分解系数将通过逆变换生成重构图像，完成整个融合过程。
对于本申请实施例，第一图像信息为红外图像进行多尺度分解后得到的变换系数，第二图像信息为可见光图像进行多尺度分解后得到的变换系数。
步骤S103、确定可见光图像的清晰度信息。
接上例，对厂房内某一区域的人员或者是器械的工作情况进行监控时，可见光图像受环境影响较大(例如光照、遮挡物遮挡情况等等)，可见光图像中可能存在局部遮挡(遮挡物)，也可能是整张画面不清晰(例如强光照射或者是黑暗条件下)。将红外光图像与可见光图像融合后的图像供管理人员查看，能够在保留更多有用信息的前提下，使图像更加适应人眼的观察范围。
具体地，在正常光照条件下或者是不存在遮挡时，可见光图像具有更多的细节纹理部分，图像对比度更高；在环境场景影响较大时，红外光图像的适应能力更强，抗干扰性更强，能够保留更多有用信息。因此，需要根据可见光图像的清晰度信息确定其监控区域的场景是否发生变化(例如是否存在出入人员、是否存在遮挡等等)，在不同干扰场景下，对第一图像信息与第二图像信息之间融合的权重进行适应性调整，以提高融合后的图像质量。
步骤S104、基于清晰度信息确定第一图像信息对应的第一权重以及第二特征融合对应的第二权重。
具体地，预先设有多个清晰度阈值，分别为0.3、0.5、0.7、1.0，当可见光图像的清晰度信息低于0.3时，第一权重值大于第二权重值且呈第一预设对应关系，当可见光图像的清晰度信息低于0.3且大于0.5时，第一权重值大于第二权重值且呈第二预设对应关系，当可见光图像的清晰度信息大于0.5且小于0.7时，第一权重值小于第二权重值且呈第三预设对应关系，当可见光图像的清晰度信息大于0.7且小于1.0时，第一权重值小于第二权重值且呈第四预设对应关系；由上，基于可见光图像的清晰度信息，即可确定该场景下可见光图像与红外光图像融和的权重分配。
步骤S105、基于第一图像信息、第二图像信息、第一权重以及第一权重进行融合，得到融合后的图像。
根据可见光图像的清晰度信息，根据动态场景变化调整可见光图像对应特征的权重以及红外光图像对应特征的权重，实现第一图像信息和第二图像信息的自适应融合，能够以自动调节的方式在不同场景下提供更为清晰的融合图像，使得融合后的图像保留更多适应于人眼的细节。
本申请实施例对步骤S102与步骤S103之间的步骤不作限定，图1只是本申请实施例一种红外图像与可见光图像融合方法中其中一种情况的示意。
在本申请实施例一种可能的实现方式中，确定可见光图像的清晰度信息，包括：确定可见光图像对应的平均灰度信息、对比度信息、以及信息熵；基于平均灰度信息、对比度信息、以及信息熵以及预设对应关系，确定可见光图像的清晰度信息。
具体地，图像平均灰度直接反应了图像像素的平均亮暗程度，针对同一拍摄对象，在不同光强下获得的图像，其平均灰度值在一定范围内呈现良好的线性关系；图像对比度可以衡量一幅图像中灰度反差的大小，在黑暗环境下，可见光图像对比度较低，随着拍摄环境光强的增大，对比度逐渐增强，然而在光强过大，可见光图像呈现“过曝光”效果时，图像对比度也会相应降低；图像的信息熵反映了图像中信息量的大小，在成像环境光照过暗或过亮时，图像的信息熵会较正常光照下拍摄的图像更小。
对于本申请实施例，对平均灰度信息、对比度信息、以及信息熵这三个参数分别进行统计，再根据预设对应关系得到清晰度信息，预设对应关系为：
清晰度信息＝α×平均灰度信息+β×对比度信息+γ×信息熵；
其中，α、β、γ均为系数。
可见光图像除了受到光照影响以外，还可能会受到其他因素的影响，例如烟雾、粉尘、雾霾等的遮挡，若气体粒子遮挡被测对象反射至图像传感器的光线，则可造成被测对象成像模糊，甚至使得图像传感器无法获取完整轮廓的现象；而红外辐射可穿透烟雾，成像效果几乎不受气体粒子影响，因此被测对象的轮廓信息可以较为完整地在红外图像中体现出来。
在上述外界环境影响下，图像中被拍摄物品的轮廓存在较大差异，因此可根据轮廓差异确定可见光图像是否清晰，因此，在本申请实施例一种可能的实现方式中，确定可见光图像的清晰度信息，包括：提取红外图像对应的第一边缘信息以及可见光图像对应的第二边缘信息；对比第一边缘信息以及第二边缘信息，确定差异信息；基于差异信息确定清晰度信息。
具体地，在红外图像中通过图像分割算法提取前景图像，再针对前景图像提取边缘，对红外图像进行前景分割的目的是为了将被测对象从中提取出来，尽量排除背景环境背景干扰，采用边缘提取算法对可见光图像提取边缘。在两幅图像的边缘部分均提取完成之后，对比第一边缘信息与第二边缘信息，以第一边缘信息作为参考，确定可见光图像对应的第二边缘信息的完整程度。
基于差异信息确定清晰度信息的方法为：清晰度信息＝δ×差异信息(其中，δ为系数)。
在本申请实施例一种可能的实现方式中，基于第一图像信息、第二图像信息、第一权重以及第一权重进行融合，得到融合后的图像，包括：第一图像信息包括红外图像基于小波变换得到的第一低频分量以及第一高频分量，第二图像信息包括可见光图像基于小波变换得到的第二低频分量以及第二高频分量；第一权重包括与第一低频分量对应的第一低频系数，第一权重包括与第二低频分量对应的第二低频系数；基于第一低频分量、第二低频分量、第一低频系数以及第二低频系数得到低频图像；基于第一高频分量以及第二高频分量得到高频图像；基于低频图像以及高频图像进行小波逆变换，得到融合后的图像。
具体地，基于小波变换的图像融合方法可分为小波变换和融合规则两部分，小波变换的作用是提取图像的高频和低频信息，再根据融合后的高频和低频信息反变换为图像，而融合规则包括低频子带融合规则和高频子带融合规则，融合规则确定了融合后图像的高频和低频信息，从而决定了融合后的图像质量。其中，图像的低频子带包含图像的主要能量成分，与图像的亮度、对比度密切相关.图像的高频子带包含图像的细节信息，与图像的清晰度相关。
对于本申请实施例，为了保留图像中更多细节信息，所以采用对小波变换中的低频分量进行自适应权重分配。
具体地，基于小波的图像融合过程是先对待融合图像进行二维小波分解，分别得到1个低频子带和3个高频子带，然后用不同的融合规则对这4个子带信息进行处理，得到融合后的低频和高频子带信息，最后用二维小波反变换得到融合后的图像，LL是图像经小波分解后的低频子带；HL，LH和HH是图像经小波分解后的3个高频子带。
基于第一高频分量以及第二高频分量得到高频图像，包括：基于局部平均梯度准则对高频子带进行融合：
其中，
表示平均梯度；f(i，j)表示某一点的系数值；
和
分别表示在x轴和y轴方向上的一阶梯度。
在本申请实施例一种可能的实现方式中，基于清晰度信息确定第一图像信息对应的第一权重以及第二特征融合对应的第二权重，包括：基于清晰度信息确定第一低频系数；基于第一权重以及预设分配关系确定第二低频系数。
具体地，基于清晰度信息确定第一低频系数过程为：
设清晰度信息为k，则可见光图像对应的第二低频系数为：(k+h)/2，其中h为系统评价值,k、h均大于0且小于1。
红外图像对应的第一低频系数为：1-(k+h)/2。
具体地，h为系统噪声补偿值，确定系统噪声补偿包括步骤S001(图中未示出)、步骤S002(图中未示出)、以及步骤003(图中未示出)：
步骤S001、基于历史时间段获取到的可见光图像信息确定系统噪声信号。具体包括：
步骤S110(图中未示出)、利用最远优先策略选出K个聚类中心作为当前聚类中心，K为自然数；
步骤S111(图中未示出)、根据当前聚类中心对所有轴向频域信号进行聚类，将每个轴向频域信号聚到离它最近的聚类中心表示的聚类簇中；
步骤S112(图中未示出)、计算当前每个聚类簇的均值作为新的聚类中心；
步骤S113(图中未示出)、判断新的聚类中心与上一次的聚类中心是否相同，若是，则执行步骤S114；若否，则将新的聚类中心作为当前聚类中心，循环步骤S112～步骤S113；
步骤S114(图中未示出)、计算所有新的聚类中心中任意两个聚类中心之间的距离；
步骤S115(图中未示出)、判断任意两个聚类中心之间的距离是否大于设定的基准阈值，若是，则提取将任意两个聚类中心之间的距离大于设定的基准阈值的那部分簇筛选出来，将筛选出来的簇对应的轴向频域信号作为噪声信号；若否，则输出表征不存在噪声信号的信息。
步骤S002、确定系统噪声信号的噪声强度阈值。
步骤S003、基于噪声阈值确定系统噪声补偿值。
提取在历史时间段内获取的多张可见光图像，提取所有噪声信号并确定强度阈值，假设强度阈值为p，系统噪声补偿值h＝R*p(R为系数)。
上述实施例从方法流程的角度介绍一种红外图像与可见光图像融合方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种红外图像与可见光图像融合装置，具体详见下述实施例。
本申请实施例提供一种红外图像与可见光图像融合装置，参照图2，包括：
获取模块1001，用于获取目标区域对应的红外图像和可见光图像；
分解模块1002，用于对红外图像进行多尺度分解得到第一图像信息，对可见光图像进行多尺度分解得到第二图像信息；
第一分析模块1003，用于确定可见光图像的清晰度信息；
权重分配模块1004，用于基于清晰度信息确定第一图像信息对应的第一权重以及第二特征融合对应的第二权重；
反变换模块1005，用于基于第一图像信息、第二图像信息、第一权重以及第一权重进行融合，得到融合后的图像。
本申请实施例一种可能的实现方式，第一分析模块1003在确定可见光图像的清晰度信息时，具体用于：
确定可见光图像对应的平均灰度信息、对比度信息、以及信息熵；
基于平均灰度信息、对比度信息、以及信息熵以及预设对应关系，确定可见光图像的清晰度信息。
本申请实施例一种可能的实现方式，第一分析模块1003在确定可见光图像的清晰度信息时，具体用于：
提取红外图像对应的第一边缘信息以及可见光图像对应的第二边缘信息；
对比第一边缘信息以及第二边缘信息，确定差异信息；基于差异信息确定清晰度信息。
权重分配模块1004在基于第一图像信息、第二图像信息、第一权重以及第一权重进行融合，得到融合后的图像时，具体用于：
第一图像信息包括红外图像基于小波变换得到的第一低频分量以及第一高频分量，第二图像信息包括可见光图像基于小波变换得到的第二低频分量以及第二高频分量；
第一权重包括与第一低频分量对应的第一低频系数，第二权重包括与第二低频分量对应的第二低频系数；
基于第一低频分量、第二低频分量、第一低频系数以及第二低频系数得到低频图像，基于第一高频分量以及第二高频分量得到高频图像；
基于低频图像以及高频图像进行小波逆变换，得到融合后的图像。
本申请实施例一种可能的实现方式，权重分配模块1004在基于清晰度信息确定第一图像信息对应的第一权重以及第二特征融合对应的第二权重时具体用于，包括：基于清晰度信息确定第二低频系数，基于第二低频系数以及预设分配关系确定第一低频系数。
本申请实施例一种可能的实现方式，第一分析模块1003在基于清晰度信息确定第二低频系数，基于第二低频系数以及预设分配关系确定第一低频系数时，具体用于：
第二低频系数为：(k+h)/2，
第一低频系数为：1-(k+h)/2；
其中，h为系统评价值,k、h均大于0且小于1。
本申请实施例一种可能的实现方式，第一分析模块1003在确定系统评价值h时，具体用于：
基于历史时间段获取到的可见光图像信息确定系统噪声信号；
确定系统噪声信号的噪声强度阈值；
基于噪声阈值确定系统噪声补偿值h。
本申请实施例中提供了一种电子设备，如图3所示，图3所示的电子设备1000包括：处理器1001和存储器1003。其中，处理器1001和存储器1003相连，如通过总线5002相连。可选地，电子设备1000还可以包括收发器1004。需要说明的是，实际应用中收发器1004不限于一个，该电子设备1000的结构并不构成对本申请实施例的限定。
处理器1001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线1002可包括一通路，在上述组件之间传送信息。总线1002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器1003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(RandomAccess Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器1003用于存储执行本申请方案的应用程序代码，并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种红外图像与可见光图像融合方法，其特征在于，包括：
获取目标区域对应的红外图像和可见光图像；
对所述红外图像进行多尺度分解得到第一图像信息，对所述可见光图像进行多尺度分解得到第二图像信息；
确定所述可见光图像的清晰度信息；
基于所述清晰度信息确定所述第一图像信息对应的第一权重以及所述第二特征融合对应的第二权重；
基于所述第一图像信息、所述第二图像信息、所述第一权重以及所述第二权重进行融合，得到融合后的图像。
2.根据权利要求1所述的方法，其特征在于，所述确定所述可见光图像的清晰度信息，包括：
确定所述可见光图像对应的平均灰度信息、对比度信息、以及信息熵；
基于所述平均灰度信息、对比度信息、以及信息熵以及预设对应关系，确定所述可见光图像的清晰度信息。
3.根据权利要求1所述的方法，其特征在于，所述确定所述可见光图像的清晰度信息，包括：
提取所述红外图像对应的第一边缘信息以及所述可见光图像对应的第二边缘信息；
对比所述第一边缘信息以及所述第二边缘信息，确定差异信息；
基于所述差异信息确定所述清晰度信息。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第一图像信息、所述第二图像信息、所述第一权重以及所述第二权重进行融合，得到融合后的图像，包括：
所述第一图像信息包括所述红外图像基于小波变换得到的第一低频分量以及第一高频分量，所述第二图像信息包括所述可见光图像基于小波变换得到的第二低频分量以及第二高频分量；
所述第一权重包括与所述第一低频分量对应的第一低频系数，所述第二权重包括与所述第二低频分量对应的第二低频系数；
基于所述第一低频分量、第二低频分量、第一低频系数以及第二低频系数得到低频图像，基于所述第一高频分量以及第二高频分量得到高频图像；
基于所述低频图像以及所述高频图像进行小波逆变换，得到所述融合后的图像。
5.根据权利要求4所述的方法，其特征在于，基于所述清晰度信息确定所述第一图像信息对应的第一权重以及所述第二特征融合对应的第二权重，包括：基于所述清晰度信息确定所述第二低频系数，基于所述第二低频系数以及预设分配关系确定所述第一低频系数。
6.根据权利要求5所述的方法，其特征在于，基于所述清晰度信息确定所述第二低频系数，基于所述第二低频系数以及预设分配关系确定所述第一低频系数，包括：
第二低频系数为：（k+h）/2，
第一低频系数为：1-（k+h）/2；
其中，k为清晰度信息，h为系统评价值,k、h均大于0且小于1。
7.根据权利要求6所述的方法，其特征在于，确定系统评价值h，包括：
基于历史时间段获取到的可见光图像信息确定系统噪声信号；
确定所述系统噪声信号的噪声强度阈值；
基于所述噪声阈值确定系统噪声补偿值h。
8.一种红外图像与可见光图像融合装置，其特征在于，包括：
获取模块，用于获取目标区域对应的红外图像和可见光图像；
分解模块，用于对所述红外图像进行多尺度分解得到第一图像信息，对所述可见光图像进行多尺度分解得到第二图像信息；
第一分析模块，用于确定所述可见光图像的清晰度信息；
权重分配模块，用于基于所述清晰度信息确定所述第一图像信息对应的第一权重以及所述第二特征融合对应的第二权重；
反变换模块，用于基于所述第一图像信息、所述第二图像信息、所述第一权重以及所述第二权重进行融合，得到融合后的图像。
9.一种电子设备，其特征在于，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个应用程序配置用于：执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括：存储有能够被处理器加载并执行如权利要求1-7中任一种方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111168314.9A CN114119436A (zh) | 2021-10-08 | 2021-10-08 | 红外图像与可见光图像融合方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111168314.9A CN114119436A (zh) | 2021-10-08 | 2021-10-08 | 红外图像与可见光图像融合方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114119436A true CN114119436A (zh) | 2022-03-01 |
Family
ID=80441829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111168314.9A Pending CN114119436A (zh) | 2021-10-08 | 2021-10-08 | 红外图像与可见光图像融合方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119436A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114529794A (zh) * | 2022-04-20 | 2022-05-24 | 湖南大学 | 一种红外与可见光图像融合方法、系统及介质 |
| CN114663311A (zh) * | 2022-03-24 | 2022-06-24 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、电子设备及存储介质 |
| CN115147325A (zh) * | 2022-09-05 | 2022-10-04 | 深圳清瑞博源智能科技有限公司 | 图像融合方法、装置、设备及存储介质 |
| CN116542893A (zh) * | 2023-07-03 | 2023-08-04 | 杭州微影软件有限公司 | 一种水面溢油检测方法、装置、电子设备及存储介质 |
| CN116580062A (zh) * | 2023-07-12 | 2023-08-11 | 南京诺源医疗器械有限公司 | 适用于红外激发光源的红外激光诊断装置的数据处理方法 |
| CN117612093A (zh) * | 2023-11-27 | 2024-02-27 | 北京东青互联科技有限公司 | 一种数据中心的动力环境监控方法、系统、设备和介质 |
| CN118195925A (zh) * | 2024-05-17 | 2024-06-14 | 浙江大华技术股份有限公司 | 图像融合方法、设备及存储介质 |
-
2021
- 2021-10-08 CN CN202111168314.9A patent/CN114119436A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663311A (zh) * | 2022-03-24 | 2022-06-24 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、电子设备及存储介质 |
| CN114529794A (zh) * | 2022-04-20 | 2022-05-24 | 湖南大学 | 一种红外与可见光图像融合方法、系统及介质 |
| CN115147325A (zh) * | 2022-09-05 | 2022-10-04 | 深圳清瑞博源智能科技有限公司 | 图像融合方法、装置、设备及存储介质 |
| CN116542893A (zh) * | 2023-07-03 | 2023-08-04 | 杭州微影软件有限公司 | 一种水面溢油检测方法、装置、电子设备及存储介质 |
| CN116542893B (zh) * | 2023-07-03 | 2023-10-10 | 杭州微影软件有限公司 | 一种水面溢油检测方法、装置、电子设备及存储介质 |
| CN116580062A (zh) * | 2023-07-12 | 2023-08-11 | 南京诺源医疗器械有限公司 | 适用于红外激发光源的红外激光诊断装置的数据处理方法 |
| CN116580062B (zh) * | 2023-07-12 | 2024-04-12 | 南京诺源医疗器械有限公司 | 适用于红外激发光源的红外激光诊断装置的数据处理方法 |
| CN117612093A (zh) * | 2023-11-27 | 2024-02-27 | 北京东青互联科技有限公司 | 一种数据中心的动力环境监控方法、系统、设备和介质 |
| CN118195925A (zh) * | 2024-05-17 | 2024-06-14 | 浙江大华技术股份有限公司 | 图像融合方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114119436A (zh) | 红外图像与可见光图像融合方法、装置、电子设备及介质 | |
| Shin et al. | Radiance–reflectance combined optimization and structure-guided $\ell _0 $-Norm for single image dehazing | |
| Zhang et al. | Visibility enhancement using an image filtering approach | |
| Park et al. | Single image haze removal with WLS-based edge-preserving smoothing filter | |
| CN112115979A (zh) | 一种红外图像和可见图像的融合方法及设备 | |
| Li et al. | Image enhancement algorithm based on depth difference and illumination adjustment | |
| Fang et al. | Image quality assessment on image haze removal | |
| Raikwar et al. | An improved linear depth model for single image fog removal | |
| Varjo et al. | Image based visibility estimation during day and night | |
| CN117218026B (zh) | 一种红外图像增强方法及装置 | |
| Zhang et al. | Image haze removal algorithm based on nonsubsampled contourlet transform | |
| CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
| CN111652821B (zh) | 基于梯度信息的微光视频图像降噪处理方法、装置和设备 | |
| Agrawal et al. | A joint cumulative distribution function and gradient fusion based method for dehazing of long shot hazy images | |
| CN116543022A (zh) | 气体红外图像处理方法、气体检漏仪及存储介质 | |
| CN111062954A (zh) | 一种基于差分信息统计的红外图像分割方法、装置及设备 | |
| Li et al. | Laplace dark channel attenuation-based single image defogging in ocean scenes | |
| Mahdi et al. | SINGLE IMAGE DE-HAZING THROUGH IMPROVED DARK CHANNEL PRIOR AND ATMOSPHERIC LIGHT ESTIMATION. | |
| Madmad et al. | CNN-based morphological decomposition of X-ray images for details and defects contrast enhancement | |
| Tong et al. | Infrared and visible image fusion under different illumination conditions based on illumination effective region map | |
| Wang et al. | [Retracted] Adaptive Enhancement Algorithm of High‐Resolution Satellite Image Based on Feature Fusion | |
| Zhang et al. | Estimation of atmospheric light based on gaussian distribution | |
| Nair et al. | Benchmarking single image dehazing methods | |
| Buckel et al. | Rb-dust-a reference-based dataset for vision-based dust removal | |
| Ma et al. | Image Dehazing Based on Improved Color Channel Transfer and Multiexposure Fusion |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220301 Assignee: Guangdong weiruidi Technology Co.,Ltd. Assignor: BEIJING VIREADY TECHNOLOGY Co.,Ltd. Contract record no.: X2022990001008 Denomination of invention: Infrared image and visible image fusion method, device, electronic equipment and medium License type: Common License Record date: 20230103 |
|
| EE01 | Entry into force of recordation of patent licensing contract |