CN115063477A - 红外可见光双通道同步成像实时配准融合采集方法及装置 - Google Patents
红外可见光双通道同步成像实时配准融合采集方法及装置 Download PDFInfo
- Publication number
- CN115063477A CN115063477A CN202210397510.1A CN202210397510A CN115063477A CN 115063477 A CN115063477 A CN 115063477A CN 202210397510 A CN202210397510 A CN 202210397510A CN 115063477 A CN115063477 A CN 115063477A
- Authority
- CN
- China
- Prior art keywords
- image
- visible light
- infrared
- camera
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 29
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000003384 imaging method Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012634 optical imaging Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000003331 infrared imaging Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Studio Devices (AREA)
Abstract
本发明涉及光学成像数据采集与处理领域，尤其是一种红外可见光双通道同步成像实时配准融合采集方法及装置，所述装置包括红外相机、可见光相机、同步控制单元、数据采集处理软件、嵌入式计算机和便携式电源，红外相机和可见光相机用于获取同一场景的图像，同步控制单元用于使红外相机和可见光相机在同一时刻获取同一场景的一对图像；数据采集处理软件用于从相机中读出图像数据并对图像进行融合；嵌入式计算机用于运行数据采集处理软件和记录存储融合后的数据；便携式电源为红外相机、可见光相机和嵌入式计算机供电。本发明能够实时获取同时具有时间对齐和空间配准特性的红外与可见光图像通道，并实现红外图像与可见光图像的像素对齐。
Description
技术领域
本发明涉及光学成像数据采集与处理领域，尤其是一种红外可见光双通道同步成像实时配准融合采集方法及装置。
背景技术
红外成像由于反映了物体或环境的热辐射特性，具有受光照、天候等环境因素的影响较小等优势，可广泛应用于工业监测、目标特性分析和探测识别等领域。但另一方面，相较于可见光成像，红外成像通常也存在图像分辨率低、图像中物体边缘模糊及表面纹理缺失等不利因素，进而限制了红外成像在摄影测量、图像定位和目标精细化分析等典型场景中的推广。因此，实践中在采集红外图像的同时，会同步采集对应场景的可见光图像并将这两类图像加以融合，利用红外图像和对应的可见光图像这两类数据的互补特性便成为一条常用的技术途径。
现有的红外与可见光图像融合应用技术主要侧重以下三个方面：
1、多通道数据的联合采集。例如，中国实用新型专利(专利号：ZL201720610108.1)公开了“一种红外可见光融合探测装置”。该装置主要面向空中目标的探测应用，实现了红外成像和可见光成像系统的硬件设计和运动控制，但没有考虑红外图像和可见光图像数据上的时间和空间对齐问题。
2、像素亮度的融合以增强视觉效果。例如，中国专利申请(申请号：202110089292.0，公开日：2021-04-13)公开了“一种红外与可见光图像融合方法及系统”。该发明对红外图像和可见光图像分别进行多尺度变换，获得多频系数信息；并基于全局对比度序列最大原则，通过多频系数信息生成融合图像；该发明更加侧重于图像的像素值融合，对红外图像和可见光图像的几何对齐精度问题考虑不足。
3、事后的高精度配准后融合应用。例如，中国专利申请(申请号：202111116573.7，公开日：2021-12-28)公开了“一种可见光与热红外融合的温度信息增强方法”。该方法面向遥感对地观测应用，首先基于地理位置约束将可见光影像与热红外影像进行粗匹配；然后基于特征点完成可见光影像与热红外影像几何配准；最后进行可见光影像温度信息增强融合，该方法是一种事后处理方法，且配准过程需要提取特征效率不高。
在一些对几何定位要求较高的应用场合，当一台红外相机和一台可见光相机固连在一起，指向同一方向，双通道获取同步图像时，由于相机物理尺寸的原因不可避免的存在主光轴不重合的问题(如图1所示)，该问题进而影响两个通道图像的几何对齐。
综上所述，可见光红外双通道同步成像采集在一些对定位精度要求高的应用场合还存在实时高精度几何配准的问题。
发明内容
本发明要解决的技术问题是固连在一起的一组双光相机(包括1台可见光相机和1台红外相机)同步采集的可见光和红外图像对在图像坐标系中存在位置不对齐的问题，通过实时计算两个图像之间高精度的几何配准关系来消除由于可见光相机和红外相机主光轴偏差和分辨率不同而引起的图像中同名点视差，进一步通过图像重采样将可见光图像数据映射到红外图像平面上，并以图像通道方式融合后进行记录和存储。
本发明采用的技术方案为：一种红外可见光双通道同步成像实时配准融合采集方法，分为以下步骤：
S1，从红外相机和可见光相机中同步读取一对原始图像，其中红外图像I0的图像尺寸为W0×H0，以像元为单位；可见光图像I1的图像尺寸为W1×H1，以像元为单位；
S2，对图像进行坐标系中心化，即将图像的坐标系原点分别置于红外和可见光图像的中心位置。具体来说，假设红外图像I0图像像平面坐标为
坐标系中心化后的坐标为(u,v)，则坐标中心化变换关系见(1)式：
同理，可见光图像I1像平面坐标为
坐标系中心化后的坐标为(x,y)，坐标中心化变换关系见(2)式：
S3，坐标系中心化后，两幅图像中的同名像点坐标(u,v)和(x,y)满足(3)式定义的变换关系模型，所述同名像点是指在两幅图像中对应于同一个物理空间点的两个图像点：
式中，a1,b1,c1,a2,b2,c2,a3,b3称为变换系数，并将这些系数记为一个向量 T＝[a1,b1,c1,a2,b2,c2,a3,b3]，上述8个系数排列后构成的矩阵H称为单应性矩阵：
S4,令单应性矩阵H为单位矩阵，得到变换系数a1,b1,c1,a2,b2,c2,a3,b3的初始值a1 (0),b1 (0),c1 (0),a2 (0),b2 (0),c2 (0),a3 (0),b3 (0)：
式中，
f0为红外相机镜头焦距，μ0为红外相机像元尺寸，f1为可见光相机镜头焦距，μ1为可见光相机像元尺寸；
S5，将H0中的系数展开排列后得到向量 T0＝[a1 (0),b1 (0),c1 (0),a2 (0),b2 (0),c2 (0),a3 (0),b3 (0)]，并将T0作为向量T初始值，通过构建最优化数学模型并求解，得到向量T的精确值T＊，具体如下：
S5.1，分别对红外图像I0和可见光图像I1进行图像预处理，得到预处理后的红外梯度图像S0和预处理后的可见光梯度图像S1，具体如下：
S5.1.1，对红外图像I0和可见光图像I1分别高通滤波求梯度，得到红外图像的梯度G0和可见光图像的梯度G1。进一步的，高通滤波可选用的算子包括但不限于Sobel算子或Roberts算子。
S5.1.2，对红外图像的梯度G0和可见光图像的梯度G1分别进行低通滤波，得到平滑后的红外梯度图像S0和可见光梯度图像S1。进一步的，低通滤波可选用的算子包括但不限于Gaussian平滑算子或均值滤波算子。
S5.2，根据预处理后的红外梯度图像S0和可见光梯度图像S1，结合公式(1)和公式(3)，建立最优数学模型并构造目标函数：
其中，S0(u,v)表示图像S0在坐标位置(u,v)处的图像值；S1(x,y)表示图像S1在坐标位置(x,y)处的图像值，且坐标(x,y)是坐标(u,v)根据(1)式和(3)式算得出的； N表示红外梯度图像S0中像素点的个数。
将(6)式写成向量形式：
故向量T最优化数学模型的最终形式如下：
式中，函数L表示8个待优化系数a1,b1,c1,a2,b2,c2,a3,b3的能量函数。
S5.3，迭代求解最优化模型，得到向量T的精确值T＊；具体迭代求解方法为 Gauss-Newton法。
S6，根据向量T的精确值T*，对图像重采样与通道融合，具体如下：
S6.1，将向量T*中的元素，按照(4)式进行排列，得到由中心化坐标系下红外图像到可见光图像的单应性矩阵H*，并根据H*中的元素a1 *,b1 *,c1 *,a2 *,b2 *,c2 *,a3 *,b3 *和 (1)、(2)两式计算像平面坐标系下可见光图像到红外图像的单应性矩阵K*：
式中c',c1',c2'的计算见(10)—(12)式：
S6.2，根据单应性矩阵K*，对可见光图像进行重采样得到与红外图像像素对齐的可见光图像
重采样的目标区域尺寸为红外图像尺寸W0×H0；具体可参见 OpenCV2.4.11中的warpPerspective()函数。
S7，将图像
与图像I0通过不同的图像通道作为一个数据文件进行记录保存。
本发明还提供一种基于上述方法的红外可见光双通道同步成像实时配准融合采集装置，包括红外相机、可见光相机、同步控制单元、数据采集处理软件、嵌入式计算机和便携式电源，红外相机和可见光相机分别用于获取同一场景的图像，且可见光相机的视场角大于红外相机的视场角；同步控制单元用于使红外相机和可见光相机在同一时刻获取同一场景的一对图像；数据采集处理软件用于从红外相机和可见光相机中读出图像数据并对图像进行融合；嵌入式计算机用于运行数据采集处理软件和记录存储融合后的数据；便携式电源为红外相机、可见光相机和嵌入式计算机进行供电。
所述同步控制单元是可同时向两台或两台以上的相机提供触发信号的电子装置，例如VICTOR2015H；也可以是运行于嵌入式计算机上的软件同步模块。
本发明具有以下技术效果：
1)本发明能够实时获取同时具有时间对齐和空间配准特性的红外与可见光图像通道，并作为一个数据文件保存。
2)本发明可以实现红外图像与可见光图像的像素对齐。
附图说明
图1为红外相机与可见光相机主光轴不重合及导致视差的示意图；
图2为本发明所述一种红外可见光双通道同步成像实时配准融合采集方法的实施流程图。
图3为一对同步获取的红外与可见光图像示例(非原始分辨率呈现)：(a)为红外图像，像素尺寸为640×512，(b)为可见光图像，像素尺寸为1280×1024；
图4为中心化坐标表示后的图像对；
图5为本发明所述一种红外可见光双通道同步成像实时配准融合采集装置的结构组成框图；
具体实施方式
下面结合附图对本发明做进一步解释。
图2为本发明所述一种红外可见光双通道同步成像实时对齐融合采集方法的实施流程图，分为以下步骤：
S1，从红外相机和可见光相机中同步读取一对原始图像，其中红外图像I0的图像尺寸为W0×H0，以像元为单位；可见光图像I1的图像尺寸为W1×H1，以像元为单位；如图3所示，图3(a)为红外图像，像素尺寸为640×512，图3(b)为可见光图像，像素尺寸为1280×1024；
S2，对图像进行坐标系中心化，即将图像的坐标系原点分别置于红外和可见光图像的中心位置，如图4所示。具体来说，假设红外图像I0图像像平面坐标为
坐标系中心化后的坐标为(u,v)，则坐标中心化变换关系见(1)式：
同理，可见光图像I1像平面坐标为
坐标系中心化后的坐标为(x,y)，坐标中心化变换关系见(2)式：
S3，坐标系中心化后，两幅图像中的同名像点坐标(u,v)和(x,y)满足(3)式定义的变换关系模型，所述同名像点是指在两幅图像中对应于同一个物理空间点的两个图像点：
式中，a1,b1,c1,a2,b2,c2,a3,b3称为变换系数，并将这些系数记为一个向量 T＝[a1,b1,c1,a2,b2,c2,a3,b3]，上述8个系数排列后构成的矩阵H称为单应性矩阵：
S4,令单应性矩阵H为单位矩阵，得到变换系数a1,b1,c1,a2,b2,c2,a3,b3的初始值a1 (0),b1 (0),c1 (0),a2 (0),b2 (0),c2 (0),a3 (0),b3 (0)：
式中，
f0为红外相机镜头焦距，μ0为红外相机像元尺寸，f1为可见光相机镜头焦距，μ1为可见光相机像元尺寸；
S5，将H0中的系数展开排列后得到向量 T0＝[a1 (0),b1 (0),c1 (0),a2 (0),b2 (0),c2 (0),a3 (0),b3 (0)]，并将T0作为向量T初始值，通过构建最优化数学模型并求解，得到向量T的精确值T＊，具体如下：
S5.1，分别对红外图像I0和可见光图像I1进行图像预处理，得到预处理后的红外梯度图像S0和预处理后的可见光梯度图像S1，具体如下：
S5.1.1，对红外图像I0和可见光图像I1分别高通滤波求梯度，得到红外图像的梯度G0和可见光图像的梯度G1。进一步的，高通滤波可选用的算子包括但不限于Sobel算子或Roberts算子。
S5.1.2，对红外图像的梯度G0和可见光图像的梯度G1分别进行低通滤波，得到平滑后的红外梯度图像S0和可见光梯度图像S1。进一步的，低通滤波可选用的算子包括但不限于Gaussian平滑算子或均值滤波算子。
S5.2，根据预处理后的红外梯度图像S0和可见光梯度图像S1，结合公式(1)和公式(3)，建立最优数学模型并构造目标函数：
其中，S0(u,v)表示图像S0在坐标位置(u,v)处的图像值；S1(x,y)表示图像S1在坐标位置(x,y)处的图像值，且坐标(x,y)是坐标(u,v)根据(1)式和(3)式算得出的； N表示红外梯度图像S0中像素点的个数。
将(6)式写成向量形式：
故向量T最优化数学模型的最终形式如下：
式中，函数L表示8个待优化系数a1,b1,c1,a2,b2,c2,a3,b3的能量函数。
S5.3，迭代求解最优化模型，得到向量T的精确值T＊；具体迭代求解方法为 Gauss-Newton法。
S6，根据向量T的精确值T*，对图像重采样与通道融合，具体如下：
S6.1，将向量T*中的元素，按照(4)式进行排列，得到由中心化坐标系下红外图像到可见光图像的单应性矩阵H*，并根据H*中的元素a1 *,b1 *,c1 *,a2 *,b2 *,c2 *,a3 *,b3 *和 (1)、(2)两式计算像平面坐标系下可见光图像到红外图像的单应性矩阵K*：
式中c',c1',c2'的计算见(10)—(12)式：
S6.2，根据单应性矩阵K*，对可见光图像进行重采样得到与红外图像像素对齐的可见光图像
重采样的目标区域尺寸为红外图像尺寸W0×H0；具体可参见 OpenCV2.4.11中的warpPerspective()函数。
S7，将图像
与图像I0通过不同的图像通道作为一个数据文件进行记录保存。
图5为本发明所述一种红外可见光双通道同步成像实时配准融合采集装置的结构组成框图，包括红外相机、可见光相机、同步控制单元、数据采集处理软件、嵌入式计算机和便携式电源，红外相机和可见光相机分别用于获取同一场景的图像，且可见光相机的视场角大于红外相机的视场角；同步控制单元用于使红外相机和可见光相机在同一时刻获取同一场景的一对图像；数据采集处理软件用于从红外相机和可见光相机中读出图像数据并对图像进行融合；嵌入式计算机用于运行数据采集处理软件和记录存储融合后的数据；便携式电源为红外相机、可见光相机和嵌入式计算机进行供电。
所述同步控制单元是可同时向两台或两台以上的相机提供触发信号的电子装置，例如VICTOR2015H；也可以是运行于嵌入式计算机上的软件同步模块。
Claims (8)
1.一种红外可见光双通道同步成像实时配准融合采集方法，其特征在于，该方法分为以下步骤：
S1，从红外相机和可见光相机中同步读取一对原始图像，其中红外图像I0的图像尺寸为W0×H0，以像元为单位；可见光图像I1的图像尺寸为W1×H1，以像元为单位；
S2，对图像进行坐标系中心化，即将图像的坐标系原点分别置于红外和可见光图像的中心位置；具体来说，假设红外图像I0图像像平面坐标为
坐标系中心化后的坐标为(u,v)，则坐标中心化变换关系见(1)式：
同理，可见光图像I1像平面坐标为
坐标系中心化后的坐标为(x,y)，坐标中心化变换关系见(2)式：
S3，坐标系中心化后，两幅图像中的同名像点坐标(u,v)和(x,y)满足(3)式定义的变换关系模型，所述同名像点是指在两幅图像中对应于同一个物理空间点的两个图像点：
式中，a1,b1,c1,a2,b2,c2,a3,b3称为变换系数，并将这些系数记为一个向量T＝[a1,b1,c1,a2,b2,c2,a3,b3]，上述8个系数排列后构成的矩阵H称为单应性矩阵：
S4,令单应性矩阵H为单位矩阵，得到变换系数a1,b1,c1,a2,b2,c2,a3,b3的初始值a1 (0),b1 (0),c1 (0),a2 (0),b2 (0),c2 (0),a3 (0),b3 (0)：
式中，
f0为红外相机镜头焦距，μ0为红外相机像元尺寸，f1为可见光相机镜头焦距，μ1为可见光相机像元尺寸；
S5，将H0中的系数展开排列后得到向量T0＝[a1 (0),b1 (0),c1 (0),a2 (0),b2 (0),c2 (0),a3 (0),b3 (0)]，并将T0作为向量T初始值，通过构建最优化数学模型并求解，得到向量T的精确值T＊，具体如下：
S5.1，分别对红外图像I0和可见光图像I1进行图像预处理，得到预处理后的红外梯度图像S0和预处理后的可见光梯度图像S1，具体如下：
S5.1.1，对红外图像I0和可见光图像I1分别高通滤波求梯度，得到红外图像的梯度G0和可见光图像的梯度G1；
S5.1.2，对红外图像的梯度G0和可见光图像的梯度G1分别进行低通滤波，得到平滑后的红外梯度图像S0和可见光梯度图像S1；
S5.2，根据预处理后的红外梯度图像S0和可见光梯度图像S1，结合公式(1)和公式(3)，建立最优数学模型并构造目标函数：
其中，S0(u,v)表示图像S0在坐标位置(u,v)处的图像值；S1(x,y)表示图像S1在坐标位置(x,y)处的图像值，且坐标(x,y)是坐标(u,v)根据(1)式和(3)式算得出的；N表示红外梯度图像S0中像素点的个数；
将(6)式写成向量形式：
故向量T最优化数学模型的最终形式如下：
式中，函数L表示8个待优化系数a1,b1,c1,a2,b2,c2,a3,b3的能量函数；
S5.3，迭代求解最优化模型，得到向量T的精确值T＊；
S6，根据向量T的精确值T*，对图像重采样与通道融合，具体如下：
S6.1，将向量T*中的元素，按照(4)式进行排列，得到由中心化坐标系下红外图像到可见光图像的单应性矩阵H*，并根据H*中的元素a1 *,b1 *,c1 *,a2 *,b2 *,c2 *,a3 *,b3 *和(1)、(2)两式计算像平面坐标系下可见光图像到红外图像的单应性矩阵K*：
式中c',c1',c2'的计算见(10)—(12)式：
S6.2，根据单应性矩阵K*，对可见光图像进行重采样得到与红外图像像素对齐的可见光图像
重采样的目标区域尺寸为红外图像尺寸W0×H0；
S7，将图像
与图像I0通过不同的图像通道作为一个数据文件进行记录保存。
2.一种根据权利要求1所述红外可见光双通道同步成像实时配准融合采集方法，其特征在于：S5.1.1中，高通滤波可选用的算子包括但不限于Sobel算子或Roberts算子。
3.一种根据权利要求1所述红外可见光双通道同步成像实时配准融合采集方法，其特征在于：S5.1.2中，低通滤波可选用的算子包括但不限于Gaussian平滑算子或均值滤波算子。
4.一种根据权利要求1所述红外可见光双通道同步成像实时配准融合采集方法，其特征在于：S5.3中，迭代求解方法为Gauss-Newton法。
5.一种基于权利要求1至4任一项所述方法的红外可见光双通道同步成像实时配准融合采集装置，其特征在于：包括红外相机、可见光相机、同步控制单元、数据采集处理软件、嵌入式计算机和便携式电源，红外相机和可见光相机分别用于获取同一场景的图像，且可见光相机的视场角大于红外相机的视场角；同步控制单元用于使红外相机和可见光相机在同一时刻获取同一场景的一对图像；数据采集处理软件用于从红外相机和可见光相机中读出图像数据并对图像进行融合；嵌入式计算机用于运行数据采集处理软件和记录存储融合后的数据；便携式电源为红外相机、可见光相机和嵌入式计算机进行供电。
6.一种基于权利要求5所述的红外可见光双通道同步成像实时配准融合采集装置，其特征在于：所述同步控制单元是可同时向两台或两台以上的相机提供触发信号的电子装置。
7.一种基于权利要求6所述的红外可见光双通道同步成像实时配准融合采集装置，其特征在于：所述同步控制单元是VICTOR2015H。
8.一种基于权利要求5所述的红外可见光双通道同步成像实时配准融合采集装置，其特征在于：所述同步控制单元也可以是运行于嵌入式计算机上的软件同步模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210397510.1A CN115063477A (zh) | 2022-04-08 | 2022-04-08 | 红外可见光双通道同步成像实时配准融合采集方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210397510.1A CN115063477A (zh) | 2022-04-08 | 2022-04-08 | 红外可见光双通道同步成像实时配准融合采集方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115063477A true CN115063477A (zh) | 2022-09-16 |
Family
ID=83196706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210397510.1A Pending CN115063477A (zh) | 2022-04-08 | 2022-04-08 | 红外可见光双通道同步成像实时配准融合采集方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063477A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115914792A (zh) * | 2022-12-22 | 2023-04-04 | 长春理工大学 | 基于深度学习的实时多维度成像自适应调整系统及方法 |
| CN116309569A (zh) * | 2023-05-18 | 2023-06-23 | 中国民用航空飞行学院 | 基于红外与可见光图像配准的机场环境异常识别系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112053392A (zh) * | 2020-09-17 | 2020-12-08 | 南昌航空大学 | 一种红外与可见光图像的快速配准与融合方法 |
| US20220044442A1 (en) * | 2019-12-17 | 2022-02-10 | Dalian University Of Technology | Bi-level optimization-based infrared and visible light fusion method |
| US20220046220A1 (en) * | 2019-11-22 | 2022-02-10 | Dalian University Of Technology | Multispectral stereo camera self-calibration algorithm based on track feature registration |
-
2022
- 2022-04-08 CN CN202210397510.1A patent/CN115063477A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220046220A1 (en) * | 2019-11-22 | 2022-02-10 | Dalian University Of Technology | Multispectral stereo camera self-calibration algorithm based on track feature registration |
| US20220044442A1 (en) * | 2019-12-17 | 2022-02-10 | Dalian University Of Technology | Bi-level optimization-based infrared and visible light fusion method |
| CN112053392A (zh) * | 2020-09-17 | 2020-12-08 | 南昌航空大学 | 一种红外与可见光图像的快速配准与融合方法 |
Non-Patent Citations (2)
| Title |
|---|
| XINGCHEN ZHANG ET AL: "Object fusion tracking based on visible and infrared images: A comprehensive review", 《INFORMATION FUSION》, vol. 63, 6 October 2020 (2020-10-06), pages 166 - 187 * |
| 张宇: "基于AKAZE特征的图像配准算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2, 15 February 2021 (2021-02-15), pages 138 - 1045 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115914792A (zh) * | 2022-12-22 | 2023-04-04 | 长春理工大学 | 基于深度学习的实时多维度成像自适应调整系统及方法 |
| CN116309569A (zh) * | 2023-05-18 | 2023-06-23 | 中国民用航空飞行学院 | 基于红外与可见光图像配准的机场环境异常识别系统 |
| CN116309569B (zh) * | 2023-05-18 | 2023-08-22 | 中国民用航空飞行学院 | 基于红外与可见光图像配准的机场环境异常识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105716542B (zh) | 一种基于柔性特征点的三维数据拼接方法 | |
| CN107993258B (zh) | 一种图像配准方法及装置 | |
| US7961216B2 (en) | Real-time composite image comparator | |
| CN107038683B (zh) | 运动目标的全景成像方法 | |
| CN115063477A (zh) | 红外可见光双通道同步成像实时配准融合采集方法及装置 | |
| CN110246175A (zh) | 全景相机与云台相机结合的变电站巡检机器人图像检测系统及方法 | |
| CN105741379A (zh) | 一种变电站全景巡检方法 | |
| CN105262949A (zh) | 一种多功能全景视频实时拼接方法 | |
| CN113592721B (zh) | 摄影测量方法、装置、设备及存储介质 | |
| CN110146030A (zh) | 基于棋盘格标志法的边坡表面变形监测系统和方法 | |
| CN111080709A (zh) | 基于轨迹特征配准的多光谱立体相机自标定算法 | |
| CN109900274B (zh) | 一种图像匹配方法及系统 | |
| CN108362205B (zh) | 基于条纹投影的空间测距方法 | |
| CN112949478A (zh) | 基于云台相机的目标检测方法 | |
| CN109341720A (zh) | 一种基于恒星轨迹的遥感相机几何标定方法 | |
| CN113587934B (zh) | 一种机器人、室内定位方法、装置和可读存储介质 | |
| CN107103056A (zh) | 一种基于局部标识的双目视觉室内定位数据库建立方法及定位方法 | |
| CN112580683B (zh) | 一种基于互相关的多传感器数据时间对齐系统及其方法 | |
| CN113124883B (zh) | 基于3d全景相机的离线标点方法 | |
| CN112862678A (zh) | 一种无人机图像拼接方法、装置及存储介质 | |
| CN114037762A (zh) | 基于图像与高精度地图配准的实时高精度定位方法 | |
| Kang et al. | An automatic mosaicking method for building facade texture mapping using a monocular close-range image sequence | |
| Gao et al. | Multi-source data-based 3D digital preservation of largescale ancient chinese architecture: A case report | |
| CN103260008A (zh) | 一种影像位置到实际位置的射影转换方法 | |
| CN117372516A (zh) | 一种超宽河道表面流速获取方法、装置、设备及存储介质 |
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 |