CN115482178A - 基于显著特征差异的多聚焦图像融合方法及系统 - Google Patents

基于显著特征差异的多聚焦图像融合方法及系统 Download PDF

Info

Publication number
CN115482178A
CN115482178A CN202211163975.7A CN202211163975A CN115482178A CN 115482178 A CN115482178 A CN 115482178A CN 202211163975 A CN202211163975 A CN 202211163975A CN 115482178 A CN115482178 A CN 115482178A
Authority
CN
China
Prior art keywords
map
image
focus image
fusion
laplace
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
Application number
CN202211163975.7A
Other languages
English (en)
Inventor
李小松
黎熹来
谭海曙
王晓磐
程晓琦
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.)
Foshan University
Original Assignee
Foshan 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 Foshan University filed Critical Foshan University
Priority to CN202211163975.7A priority Critical patent/CN115482178A/zh
Publication of CN115482178A publication Critical patent/CN115482178A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/20—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 Analysis (AREA)

Abstract

本发明公开了一种基于显著特征差异的多聚焦图像融合方法及系统，该方法包括：获取多聚焦图像；基于Hessian矩阵对多聚焦图像进行特征提取；基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图；对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图；对初始决策图进行区域筛选优化，得到最终决策图；根据最终决策图和多聚焦图像重构融合结果，得到融合图像。该系统包括：图像获取模块、第一特征提取模块、显著特征提取模块、差异分析模块、优化模块和融合模块。通过使用本发明，能够准确区分源图像上的聚焦区域，提供高质量的融合结果。本发明可广泛应用于图像融合领域。

Description

基于显著特征差异的多聚焦图像融合方法及系统
技术领域
本发明涉及图像融合领域，尤其涉及一种基于显著特征差异的多聚焦图像融合方法及系统。
背景技术
由于相机的景深有限，相机只能对场景中的一个特定区域进行对焦，不可能同时对所有物体进行对焦。多聚焦图像融合旨在将在不同焦距设置下捕获的同一场景的多个图像集成到一幅融合的全聚焦图像中，这个融合图像可以被认为是从一组源图像中提取的最佳聚焦像素的集合。相比于单一源图像，融合图像能为场景提供更全面、客观、合理地解释。现有的多聚焦融合图像存在融合结果清晰度不高和不能很好地区分聚焦与离焦区域的问题。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于显著特征差异的多聚焦图像融合方法及系统，能够准确区分源图像上的聚焦区域，提供高质量的融合结果。
本发明所采用的第一技术方案是：一种基于显著特征差异的多聚焦图像融合方法，包括以下步骤：
根据源图像获取多聚焦图像；
基于Hessian矩阵对多聚焦图像进行特征提取，得到特征图；
基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图；
对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图；
对初始决策图进行区域筛选优化，得到最终决策图；
根据最终决策图和多聚焦图像重构融合结果，得到融合图像。
进一步，所述基于Hessian矩阵对多聚焦图像进行特征提取，得到特征图这一步骤，其具体包括：
将Hessian矩阵改进为在不同尺度上加权的多尺度Hessian矩阵，得到改进矩阵；
设置阈值并基于改进矩阵对多聚焦图像进行特征提取，得到特征图。
进一步，所述改进矩阵公式表示如下：
Figure BDA0003861421050000021
上式中，j为第j个尺度，n为尺度的数量，
Figure BDA0003861421050000022
为尺度j的权重，H(x,y,σj)表示改进前的Hessian矩阵，MSH(x,y)表示在不同尺度下的H(x,y,σj)利用权重
Figure BDA0003861421050000023
求和得到的新的矩阵。
进一步，所述基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图这一步骤，其具体包括：
考虑对角线上的像素，对修正拉普拉斯进行改进，得到改进的修正拉普拉斯能量和；
基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图。
进一步，所述改进的修正拉普拉斯能量和的表达式如下：
Figure BDA0003861421050000024
上式中，PSML(f(x,y),α)表示我们利用半径为α大小的窗口计算图像f(x,y)的改进的修正拉普拉斯能量和，
Figure BDA0003861421050000025
表示图像f(x,y)的修正拉普拉斯，α表示窗口的半径，L表示预设阈值，(i,j)代表半径为α的窗口内除中心像素点(x,y)以外的像素点。
进一步，所述对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图这一步骤，其具体包括：
对改进的修正拉普拉斯图作差，得到第一类差异信息；
基于修正拉普拉斯能量计算源图像的最大修正拉普拉斯图和最小修正拉普拉斯图；
对最大修正拉普拉斯图和最小修正拉普拉斯图作差，得到第二类差异信息；
基于预设规则，结合第一类差异信息和第二类差异信息，生成初始决策图。
进一步，所述预设规则公式表示如下：
Figure BDA0003861421050000026
上式中，IDM表示初始决策图，MMD表示第一类差异信息，MSD表示第二类差异信息。
进一步，所述对初始决策图进行区域筛选优化，得到最终决策图这一步骤，其具体包括：
对初始决策图进行小结构区域去除，得到中间决策图；
考虑目标的一致性，基于自适应多尺度一致性方法对中间决策图进行优化，得到最终决策图。
进一步，所述融合结果重构的公式表示如下：
Figure BDA0003861421050000031
上式中，FM(x,y)表示最终决策图，fA(x,y)表示多聚焦图像A，fB(x,y)表示多聚焦图像B。
本发明所采用的第二技术方案是：一种基于显著特征差异的多聚焦图像融合系统，包括：
图像获取模块，用于根据源图像获取多聚焦图像；
第一特征提取模块，基于Hessian矩阵对多聚焦图像进行特征提取，得到特征图；
显著特征提取模块，基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图；
差异分析模块，用于对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图；
优化模块，用于对初始决策图进行区域筛选优化，得到最终决策图；
融合模块，用于根据最终决策图和多聚焦图像重构融合结果，得到融合图像。
本发明方法及系统的有益效果是：本发明利用Hessian矩阵分解多聚焦图像得到图像的特征区域，利用改进的修正拉普拉斯能量和提取图像的显著特征，然后进行显著性分析、决策图优化和融合结果重构，能够准确区分源图像上的聚焦区域，并且能够自适应地处理不同尺寸大小的图像，提供了高质量的融合结果。
附图说明
图1是本发明一种基于显著特征差异的多聚焦图像融合方法的步骤流程图；
图2是本发明具体实施例方法数据流向示意图；
图3是本发明一种历基于显著特征差异的多聚焦图像融合系统的结构框图；
图4是本发明具体实施例多聚焦源图像；
图5是应用本方法得出的融合图像与其他方法的对比示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1和图2，本发明提供了一种基于显著特征差异的多聚焦图像融合方法，该方法包括以下步骤：
S1、根据源图像获取对应的多聚焦图像fA和fB；
S2、基于Hessian矩阵对多聚焦图像进行特征提取，得到特征图；
输入源图像fA和fB，Hessian矩阵定义如下，
Figure BDA0003861421050000041
其中Lxx(x,y,σ)是高斯二阶偏导δ2/δx2g(σ)与图像f在点(x,y)上的卷积，Lxy(x,y,σ)和Lyy(x,y,σ)也是如此。
S2.1、将Hessian矩阵改进为在不同尺度上加权的多尺度Hessian矩阵，得到改进矩阵；
由于Hessian矩阵可以在多个尺度上提取源图像上具有旋转不变性的特征，因此可以将Hessian矩阵改进为在不同尺度上加权的多尺度Hessian矩阵，如下所示，
Figure BDA0003861421050000042
其中j为第j个尺度，n为尺度的数量，
Figure BDA0003861421050000043
为尺度j的权重。
S2.2、设置阈值并基于改进矩阵对多聚焦图像进行特征提取，得到特征图。
在公式(2)的基础上，通过设置阈值λ可以提取源图像fA和fB的特征图像FIMA(x,y)和FIMB(x,y)
Figure BDA0003861421050000044
Figure BDA0003861421050000045
其中λ设置为0.0002。
S3、基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图；
S3.1、考虑对角线上的像素，对修正拉普拉斯进行改进，得到改进的修正拉普拉斯能量和；
修正拉普拉斯能量和(SML)作为一种有效的图像显著信息表达工具，修正拉普拉斯(ML)的数学表达如下,
Figure BDA0003861421050000046
其中step表示步长，在像素之间使用可变间距(步长)来计算ML能够适应纹理大小的变化，通常可设置为1。SML定义为，
Figure BDA0003861421050000047
其中α是窗口的半径，L是本发明中设为0的阈值,α设置为3。
可以看到传统的ML只考虑水平和垂直方向上围绕中心像素的周围像素。(x,y-step)代表像素(x,y)下方的像素，(x,y+step)则代表上方，以此类推剩余两个，而改进后的ML有(x-step,y-step)就是左下方的像素，考虑到对角区域的像素。
本发明对其做出改进，将对角线上的其他包含关键信息的四个像素也考虑在内，改进后的ML表达如下，
Figure BDA0003861421050000051
将改进版本的SML命名为PSML，数学表达如下，
Figure BDA0003861421050000052
S3.2、基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图。
经公式(3)和(4)分解得到的特征图FIMA和FIMB每个像素的PSML值表达如下，
MA(x,y)＝PSML(FIMA(x,y),α) (9)
MB(x,y)＝PSML(FIMB(x,y),α) (10)
上式中，我们利用半径为α大小的窗口计算图像FIMA(x,y)和FIMB(x,y)的改进的修正拉普拉斯能量和，得到图像MA(x,y)和MB(x,y)，其中(x,y)代表图像中的像素点。
S4、对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图；
S4.1、基于修正拉普拉斯能量计算源图像的最大修正拉普拉斯图和最小修正拉普拉斯图；
S4.2、对最大修正拉普拉斯图和最小修正拉普拉斯图作差，得到第二类差异信息；
首先，在中心像素点(x,y)附近的一个小窗口内计算特征图FIMA和FIMB的修正拉普拉斯(ML)图，
Figure BDA0003861421050000053
Figure BDA0003861421050000054
为了找到源图像中最显著和最不显著的像素点，分别找出源图像的最大ML图和最小ML图，数学表达如下，
Smax(x,y)＝max(SA(x,y),SB(x,y)) (13)
Smin(x,y)＝min(SA(x,y),SB(x,y)) (14)
其中Smax(x,y)和Smin(x,y)分别是所有源图像的最大和最小ML图。由于ML可以反映图像的聚焦信息，且SA(cx,y)和SB(x,y)每个位置的显著信息包含在了Smax之中，因此Smax可以被近似看作是一个完全聚焦的显著图，而Smin则是完全散焦的显著图。显著图Smax和Smin之间的差图可以被计算为
MSD＝Smax-Smin (15)
S4.3、对改进的修正拉普拉斯图作差，得到第一类差异信息；
源图像的显著图PSML差异可以被计算为，
MMD＝MA-MB (16)
Smax与Smin分别代表完全聚焦与完全离焦图像的显著像素信息，而MSD能反映源图像内像素显著信息的最大差异。因此，通过比较MMD与MSD能够判断源图像中的像素显著性强弱，进而反映像素的聚焦特性。
S4.4、基于预设规则，结合第一类差异信息和第二类差异信息，生成初始决策图。
然而，在MMD中，MA与MB是源图像的PSML图，他们之间的差异没有Smax与Smin那么明显。实际上，MA与MB中每个像素之间的差异总是小于或等于在Smax与Smin中像素的差异。本发明利用MSD和MMD之间的差异性，提出了以下规则得到初始决策图，
Figure BDA0003861421050000061
其中IDM是源图像fA的初始决策图，μ是一个自定义的阈值，在本发明中设置为0.55。
S5、对初始决策图进行区域筛选优化，得到最终决策图；
S5.1、对初始决策图进行小结构区域去除，得到中间决策图；
由于初始决策图中会无可避免地会存在一些像素区域的聚焦误选，即决策图中的聚焦区域还存在一些小的孤立区域，这些小区域由误选的像素组成。为了解决这个问题，本发明使用“bwareaopen”滤波器来删去孤立区域或者在聚焦区域内一些包含错误像素的孔。
MDM＝bwareaopen(IMD,S/25) (18)
其中S表示源图像的面积，公式(18)通过“bwareaopen”滤波器对IMD中面积小于S/45的孤立区域进行消掉，得到中间决策图MDM。相比于IMD，MDM能进一步矫正决策图中的误选像素，提升聚焦检测精度。
S5.2、考虑目标的一致性，基于自适应多尺度一致性方法对中间决策图进行优化，得到最终决策图。
同时，考虑到目标的一致性，本发明采用了一致性验证技术对MDM进行优化。传统的一致性验证技术只使用一个窗口判断该像素点是否处于聚焦区域内，
Figure BDA0003861421050000071
其中δ表示以(x,y)为中心的正方形领域窗口。但是此类方法窗口大小固定，不能有效考虑在不同大小窗口下像素点的值，在聚焦与离焦区域之间的边界区域容易造成像素判断错误。并且,由于图像的多样性，固定的窗口大小可能对不同决策图的影响不一，甚至会导致决策图中的聚焦区域被严重破坏，引入了大面积的错误像素。因此一致性验证的窗口大小选取至关重要。为了有效解决该问题，本发明提出了一种新的自适应多尺度一致性验证方案，本发明设置了两个窗口来判断像素点是否聚焦，数学公式表达如下，
Figure BDA0003861421050000072
其中δA与δB为两个不同大小的以(m,n)为中心的正方形领域窗口，δA＝T，δB＝T-14，假设源图像大小为M×N，则
Figure BDA0003861421050000073
FM为最终的决策图。在本发明中T设置为17。
S6、根据最终决策图和多聚焦图像重构融合结果，得到融合图像。
得到最终决策图FM(x,y)之后，融合结果可由以下公式得到，
Figure BDA0003861421050000074
上式中，FM(x,y)表示最终决策图，fA(x,y)表示多聚焦图像A，fB(x,y)表示多聚焦图像B。当FM(x,y)中的值为1时融合结果中的像素点F(x,y)取多聚焦图像A中的像素点fA(x,y)，当FM(x,y)中的值为0时融合结果中的像素点F(x,y)取多聚焦图像B中的像素点fB(x,y)。
为了进一步展现出本发明的优势与有效性，我们与5种最先进的图像融合算法做了一组对比试验，从主观视觉评价上分析各个算法的优劣。图4(a)和(b)为两张多聚焦源图像(其大小均为256×256)，图5(a)～(f)分别为：基于非下采样轮廓波变换和残差去除的多聚焦图像融合算法(NSCT-RR)、基于多尺度加权梯度的多聚焦图像融合算法(MWGF)、基于Hessian矩阵分解的多聚焦图像融合算法(HDM)、基于卷积稀疏表示的图像融合算法(CSR)、用于多聚焦图像融合的集成卷积神经网络算法(ECNN)和本方案融合算法下的融合结果与差图。观察图5的差图，可以看出图5(e)在离焦区域仍含有残余的背景信息，这会降低融合结果的清晰度。图5(b)在边界处出现了伪影，影响了图像的融合质量。除了图5(f)以外，剩余方法的融合结果都未能很好地区分聚焦与离焦区域，不能准确判断聚焦区域边界处像素的活跃水平度，其中该现象在图5(d)的红色放大区域中尤为明显。观察图5(f)可以发现，本发明所提方法在保持融合图像清晰度与检测聚焦像素的准确度上都要优于其它的对比方法。综上所述，本发明的融合性能在5种对比方法中处于领先地位。
如图3所示，一种基于显著特征差异的多聚焦图像融合系统，包括：
图像获取模块，用于根据源图像获取多聚焦图像；
第一特征提取模块，基于Hessian矩阵对多聚焦图像进行特征提取，得到特征图；
显著特征提取模块，基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图；
差异分析模块，用于对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图；
优化模块，用于对初始决策图进行区域筛选优化，得到最终决策图；
融合模块，用于根据最终决策图和多聚焦图像重构融合结果，得到融合图像。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.基于显著特征差异的多聚焦图像融合方法，其特征在于，包括以下步骤：
根据源图像获取多聚焦图像；
基于Hessian矩阵对多聚焦图像进行特征提取，得到特征图；
基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图；
对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图；
对初始决策图进行区域筛选优化，得到最终决策图；
根据最终决策图和多聚焦图像重构融合结果，得到融合图像。
2.根据权利要求1所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述基于Hessian矩阵对多聚焦图像进行特征提取，得到特征图这一步骤，其具体包括：
将Hessian矩阵改进为在不同尺度上加权的多尺度Hessian矩阵；
设置阈值并基于多尺度Hessian矩阵对多聚焦图像进行特征提取，得到特征图。
3.根据权利要求2所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述多尺度Hessian矩阵公式表示如下：
Figure FDA0003861421040000011
上式中，j为第j个尺度，n为尺度的数量，
Figure FDA0003861421040000012
为尺度j的权重，H(x,y,σj)表示改进前的Hessian矩阵，MSH(x,y)表示在不同尺度下的H(x,y,σj)利用权重
Figure FDA0003861421040000013
求和得到的新的矩阵。
4.根据权利要求3所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图这一步骤，其具体包括：
考虑对角线上的像素，对修正拉普拉斯进行改进，得到改进的修正拉普拉斯能量和；
基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图。
5.根据权利要求4所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述改进的修正拉普拉斯能量和的表达式如下：
Figure FDA0003861421040000014
上式中，PSML(f(x,y),α)表示我们利用半径为α大小的窗口计算图像f(x,y)的改进的修正拉普拉斯能量和，
Figure FDA0003861421040000021
表示图像f(x,y)的修正拉普拉斯，α表示窗口的半径，L表示预设阈值，(i,j)代表半径为α的窗口内除中心像素点(x,y)以外的像素点。
6.根据权利要求5所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图这一步骤，其具体包括：
对改进的修正拉普拉斯图作差，得到第一类差异信息；
基于修正拉普拉斯能量计算源图像的最大修正拉普拉斯图和最小修正拉普拉斯图；
对最大修正拉普拉斯图和最小修正拉普拉斯图作差，得到第二类差异信息；
基于预设规则，结合第一类差异信息和第二类差异信息，生成初始决策图。
7.根据权利要求6所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述预设规则公式表示如下：
Figure FDA0003861421040000022
上式中，IDM表示初始决策图，MMD表示第一类差异信息，MSD表示第二类差异信息。
8.根据权利要求7所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述对初始决策图进行区域筛选优化，得到最终决策图这一步骤，其具体包括：
对初始决策图进行小结构区域去除，得到中间决策图；
考虑目标的一致性，基于自适应多尺度一致性方法对中间决策图进行优化，得到最终决策图。
9.根据权利要求8所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述融合结果重构的公式表示如下：
Figure FDA0003861421040000023
上式中，FM(x,y)表示最终决策图，fA(X,y)表示多聚焦图像A，fB(x,y)表示多聚焦图像B。
10.基于显著特征差异的多聚焦图像融合系统，其特征在于，包括：
图像获取模块，用于根据源图像获取多聚焦图像；
第一特征提取模块，基于Hessian矩阵对多聚焦图像进行特征提取，得到特征图；
显著特征提取模块，基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图；
差异分析模块，用于对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图；
优化模块，用于对初始决策图进行区域筛选优化，得到最终决策图；
融合模块，用于根据最终决策图和多聚焦图像重构融合结果，得到融合图像。
CN202211163975.7A 2022-09-23 2022-09-23 基于显著特征差异的多聚焦图像融合方法及系统 Pending CN115482178A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211163975.7A CN115482178A (zh) 2022-09-23 2022-09-23 基于显著特征差异的多聚焦图像融合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211163975.7A CN115482178A (zh) 2022-09-23 2022-09-23 基于显著特征差异的多聚焦图像融合方法及系统

Publications (1)

Publication Number Publication Date
CN115482178A true CN115482178A (zh) 2022-12-16

Family

ID=84393853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211163975.7A Pending CN115482178A (zh) 2022-09-23 2022-09-23 基于显著特征差异的多聚焦图像融合方法及系统

Country Status (1)

Country Link
CN (1) CN115482178A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117496187A (zh) * 2023-11-15 2024-02-02 安庆师范大学 一种光场图像显著性检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117496187A (zh) * 2023-11-15 2024-02-02 安庆师范大学 一种光场图像显著性检测方法
CN117496187B (zh) * 2023-11-15 2024-06-11 安庆师范大学 一种光场图像显著性检测方法

Similar Documents

Publication Publication Date Title
CN110189255B (zh) 基于两级检测的人脸检测方法
US8385630B2 (en) System and method of processing stereo images
US20130004082A1 (en) Image processing device, method of controlling image processing device, and program for enabling computer to execute same method
CN104143185A (zh) 一种污点区域检测方法
CN107507146B (zh) 一种自然图像软阴影消除方法
CN113109368A (zh) 玻璃裂纹检测方法、装置、设备及介质
CN111242855B (zh) 基于rgb-d的ssim结构相似度的迭代深度图结构修复方法
CN107909560A (zh) 一种基于SiR的多聚焦图像融合方法及系统
CN111797744B (zh) 一种基于共现滤波算法的多模态遥感图像匹配方法
CN113298718A (zh) 一种单幅图像超分辨率重建方法及系统
CN116990323B (zh) 一种高精密印刷版视觉检测系统
CN115482178A (zh) 基于显著特征差异的多聚焦图像融合方法及系统
CN112561909A (zh) 一种基于融合变异的图像对抗样本生成方法
CN111062960A (zh) 基于散乱点云的飞机蒙皮对缝特征线提取方法
CN113034528A (zh) 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法
CN113781413B (zh) 一种基于Hough梯度法的电解电容定位方法
CN109376782B (zh) 基于眼部影像特征的支持向量机白内障分级方法及装置
CN113421210B (zh) 一种基于双目立体视觉的表面点云重建方法
CN113673396A (zh) 一种孢子发芽率计算方法、装置及存储介质
CN117853510A (zh) 基于双边滤波和自适应阈值的Canny边缘检测方法
CN110175972B (zh) 一种基于透射图融合的红外图像增强方法
CN112348762A (zh) 一种基于多尺度融合生成对抗网络的单幅图像去雨方法
CN115222755B (zh) 一种基于医疗成像设备的医疗图像目标分割方法及装置
CN108288267B (zh) 一种基于暗通道的扫描电镜图像清晰度无参考评价方法
CN112508828A (zh) 一种基于稀疏表示和引导滤波的多聚焦图像融合方法

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