CN115578304B - 一种结合显著性区域检测的多波段图像融合方法和系统 - Google Patents

一种结合显著性区域检测的多波段图像融合方法和系统 Download PDF

Info

Publication number
CN115578304B
CN115578304B CN202211589011.9A CN202211589011A CN115578304B CN 115578304 B CN115578304 B CN 115578304B CN 202211589011 A CN202211589011 A CN 202211589011A CN 115578304 B CN115578304 B CN 115578304B
Authority
CN
China
Prior art keywords
layer
representing
image
infrared
visible light
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
Application number
CN202211589011.9A
Other languages
English (en)
Other versions
CN115578304A (zh
Inventor
张蓉竹
李佳文
吴小龑
龙婕
宋红红
杨晓敏
陶冶
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN202211589011.9A priority Critical patent/CN115578304B/zh
Publication of CN115578304A publication Critical patent/CN115578304A/zh
Application granted granted Critical
Publication of CN115578304B publication Critical patent/CN115578304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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 by the use of more than one image, e.g. averaging, subtraction
    • G06T5/90—
    • 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

Abstract

本发明提供了一种结合显著性区域检测的多波段图像融合方法和系统，包括：对红外图像进行增强处理，得到增强红外图像；分别对所述增强红外图像和可见光图像进行分解，得到红外基础层、红外细节层和红外显著层以及可见光基础层、可见光细节层和可见光显著层；对所述红外基础层和所述可见光基础层进行融合，得到融合基础层；基于细节权重图，对所述红外细节层和所述可见光细节层进行融合，得到融合细节层；基于显著权重图，对所述红外显著层和所述可见光显著层进行融合，得到融合显著层；对所述融合基础层、所述融合细节层和所述融合显著层进行变换，得到融合图像；以克服光晕效应和梯度伪影问题，有效增强源图像的对比度和细节信息。

Description

一种结合显著性区域检测的多波段图像融合方法和系统
技术领域
本发明涉及图像处理和计算机视觉技术领域，具体而言，涉及一种结合显著性区域检测的多波段图像融合方法和系统。
背景技术
图像融合的目标是从多种源图像中生成一幅包含重要和有意义信息的融合图像，提高对场景描述的完整性和准确性。和任意单一源图像相比，融合图像能为人类视觉系统或其他应用提供更为全面的信息。在众多种类的图像融合中，红外与可见光图像融合是其中的重要分支，原因在于可见光图像与红外图像具有很强互补性。
红外与可见光图像融合的关键是将尽可能多的目标强度信息和细节信息传递到融合图像中。目前，红外与可见光图像融合算法有很多，其中基于多尺度变换的融合算法和基于显著区域分析的融合算法是两类很重要的算法。基于多尺度变换融合方法将源图像分解为若干层，根据特定规则融合相应的层，最后重建目标图像。其中以双边滤波器，引导滤波器，加权最小二乘法滤波器及其变形的边缘保持滤波器得到广泛应用。对于显著性检测的融合算法，显著辐射目标是红外图像中最有价值的特征，需要整体保存到融合图像中，基于显著性的融合方法可以突出物体区域的完整性，并改善融合图像的视觉质量。
然而，大多数基于多尺度变换的方法保留了大量细节和视觉信息，失真较小，但图像细节可能会变得模糊。一方面，由于图像滤波器和融合权重选择不当，这些融合规则更有可能在图像边缘产生伪影，并损失红外突出目标的辐射亮度。另一方面，许多方法都非常注重细节信息的提取，而忽视了目标热信息的保存。
有鉴于此，本发明提出了一种结合显著性区域检测的多波段图像融合方法和系统，以克服光晕效应和梯度伪影问题，有效增强源图像的对比度和细节信息。
发明内容
本发明的目的在于提供一种结合显著性区域检测的多波段图像融合方法，包括：对红外图像进行增强处理，得到增强红外图像；分别对所述增强红外图像和可见光图像进行分解，得到红外基础层、红外细节层和红外显著层以及可见光基础层、可见光细节层和可见光显著层；对所述红外基础层和所述可见光基础层进行融合，得到融合基础层；基于细节权重图，对所述红外细节层和所述可见光细节层进行融合，得到融合细节层；基于显著权重图，对所述红外显著层和所述可见光显著层进行融合，得到融合显著层；对所述融合基础层、所述融合细节层和所述融合显著层进行变换，得到融合图像。
进一步的，所述增强处理为增强所述红外图像的热信息；其中，所述增强所述红外图像的热信息的计算公式为：
Figure 996889DEST_PATH_IMAGE001
其中，
Figure 769673DEST_PATH_IMAGE002
表示增强热信息后得到的增强红外图像；
Figure 44797DEST_PATH_IMAGE003
表示所述 红外图像中坐标
Figure 235738DEST_PATH_IMAGE004
处的像素值；
Figure 305325DEST_PATH_IMAGE005
表示预定义的领域运算模板大小；
Figure 830984DEST_PATH_IMAGE006
表示图 像大小；
Figure 644220DEST_PATH_IMAGE007
表示存储在映射矩阵中的像素块的平均值；
Figure 938935DEST_PATH_IMAGE008
和
Figure 179423DEST_PATH_IMAGE009
分别表示整个红外图像和可见光图像的平均像素值。
进一步的，得到可见光基础层和红外基础层的计算公式为：
Figure 192379DEST_PATH_IMAGE010
其中，
Figure 809305DEST_PATH_IMAGE011
表示滤波后的可见光基础层；
Figure 706329DEST_PATH_IMAGE012
表示滤波后的红外基础 层；
Figure 383298DEST_PATH_IMAGE013
表示每个图像块的保存因子，
Figure 617970DEST_PATH_IMAGE014
；
Figure 569746DEST_PATH_IMAGE015
表示以像素k为中心的领域运算模板；
Figure 42315DEST_PATH_IMAGE016
表示以像素k为中心的滤波器定义的局部域；
Figure 624606DEST_PATH_IMAGE017
表示第i个像素的强度；
Figure 346575DEST_PATH_IMAGE018
表示滤波器定 义的局部域；
Figure 305304DEST_PATH_IMAGE019
表示与所述可见光图像相关的图像；
Figure 179850DEST_PATH_IMAGE020
表示与所述增强红外图像相关的图 像。
进一步的，红外细节层和可见光细节层通过计算原始图像与基础层的差值得到；其中，计算所述细节层的公式为：
Figure 198621DEST_PATH_IMAGE021
其中，
Figure 407886DEST_PATH_IMAGE022
表示可见光细节层；
Figure 904726DEST_PATH_IMAGE023
表示红外细节层；
Figure 883047DEST_PATH_IMAGE024
表示所 述原始图像。
进一步的，得到红外显著层和可见光显著层的计算公式为：
Figure 72719DEST_PATH_IMAGE025
其中，
Figure 769280DEST_PATH_IMAGE026
表示可见光显著层；
Figure 335391DEST_PATH_IMAGE027
表示红外显著层；
Figure 105900DEST_PATH_IMAGE028
表示像素窗口 面积；
Figure 279524DEST_PATH_IMAGE029
表示待处理图像；m和n分别表示所述待处理图像的横坐标和纵坐标；
Figure 401064DEST_PATH_IMAGE030
表示 像素点的横坐标；
Figure 302024DEST_PATH_IMAGE031
表示像素点的纵坐标；
Figure 192619DEST_PATH_IMAGE032
表示横轴方向的迁移距离；
Figure 786412DEST_PATH_IMAGE033
表示纵轴方向的 迁移距离；
Figure 395248DEST_PATH_IMAGE019
表示与所述可见光图像相关的图像；
Figure 99898DEST_PATH_IMAGE020
表示与所述增强红外图像相关的图 像。
进一步的，所述得到融合基础层的计算公式为：
Figure 110580DEST_PATH_IMAGE034
其中，
Figure 812956DEST_PATH_IMAGE035
表示所述融合基础层；
Figure 456559DEST_PATH_IMAGE036
表示所述红外基础层；
Figure 637004DEST_PATH_IMAGE037
表示所述可见光基础层。
进一步的，所述细节权重图通过提取细节层的特征得到，提取所述细节层的特征的计算公式为：
Figure 564509DEST_PATH_IMAGE038
其中，
Figure 437787DEST_PATH_IMAGE039
表示细节层的特征；
Figure 817953DEST_PATH_IMAGE004
表示图像中像素点的坐标；
Figure 802089DEST_PATH_IMAGE040
表示小波 分解尺度；
Figure 787363DEST_PATH_IMAGE041
表示基于频率扩展的权重因子；
Figure 893859DEST_PATH_IMAGE042
表示坐标
Figure 699004DEST_PATH_IMAGE004
处的振幅；
Figure 314529DEST_PATH_IMAGE043
表示坐标
Figure 888730DEST_PATH_IMAGE004
处的相位；
Figure 166128DEST_PATH_IMAGE044
表示常数；
Figure 192989DEST_PATH_IMAGE045
表示噪声阈值表示；
Figure 846825DEST_PATH_IMAGE046
表示封闭量，当 其值为正时，封闭量等于自身，否则等于0；
Figure 275532DEST_PATH_IMAGE019
表示与所述可见光图像相关的图像；
Figure 723831DEST_PATH_IMAGE020
表示 与所述增强红外图像相关的图像；
得到细节权重图的计算公式为：
Figure 503568DEST_PATH_IMAGE047
Figure 898777DEST_PATH_IMAGE048
其中，
Figure 995040DEST_PATH_IMAGE049
表示红外细节权重图；
Figure 817503DEST_PATH_IMAGE050
表示可见光细节权重图；
Figure 881274DEST_PATH_IMAGE051
表示红外细节层的特征；
Figure 549016DEST_PATH_IMAGE052
表示可见光细节层的特征；
所述得到融合细节层的计算公式为：
Figure 14632DEST_PATH_IMAGE053
其中，
Figure 7996DEST_PATH_IMAGE054
表示所述融合细节层；
Figure 293484DEST_PATH_IMAGE055
表示红外细节层；
Figure 30495DEST_PATH_IMAGE056
表示可见光 细节层。
进一步的，所述显著权重图的计算公式为：
Figure 101351DEST_PATH_IMAGE057
其中，
Figure 265616DEST_PATH_IMAGE058
表示所述显著权重图；
Figure 241662DEST_PATH_IMAGE059
表示可变函数参数；
Figure 579103DEST_PATH_IMAGE060
表示显著层 的归一化形式；
所述得到融合细节层的计算公式为：
Figure 691415DEST_PATH_IMAGE061
其中，
Figure 88898DEST_PATH_IMAGE062
表示所述融合显著层；
Figure 286661DEST_PATH_IMAGE063
表示所述红外显著层；
Figure 427793DEST_PATH_IMAGE064
表示所述可见光显著层。
进一步的，所述得到融合图像的计算公式为：
Figure 660191DEST_PATH_IMAGE065
其中，
Figure 713729DEST_PATH_IMAGE066
表示所述融合图像；
Figure 664367DEST_PATH_IMAGE035
表示所述融合基础层；
Figure 546873DEST_PATH_IMAGE067
表 示所述融合细节层；
Figure 696094DEST_PATH_IMAGE062
表示所述融合显著层。
本发明的目的在于提供一种结合显著性区域检测的多波段图像融合系统，包括信息处理模块和信息输出模块；所述信息处理模块包括增强处理单元、分解单元、基础层融合单元、细节层融合单元、显著层融合单元和图像融合单元；所述增强处理单元用于对红外图像进行增强处理，得到增强红外图像；所述分解单元用于分别对所述增强红外图像和可见光图像进行分解，得到红外基础层、红外细节层和红外显著层以及可见光基础层、可见光细节层和可见光显著层；所述基础层融合单元用于对所述红外基础层和所述可见光基础层进行融合，得到融合基础层；所述细节层融合单元用于基于细节权重图，对所述红外细节层和所述可见光细节层进行融合，得到融合细节层；所述显著层融合单元用于基于显著权重图，对所述红外显著层和所述可见光显著层进行融合，得到融合显著层；所述图像融合单元用于对所述融合基础层、所述融合细节层和所述融合显著层进行变换，得到融合图像；所述信息输出模块用于输出所述融合图像。
本发明实施例的技术方案至少具有如下优点和有益效果：
通过动态阈值热信息滤波器(DTTIF)调整热目标和背景区域的像素值，扩大热目标与背景区域之间的相对像素差，可以实现热目标增强。其次，采用最大对称环绕显著性检测和子窗口方差滤波器（SVF）将源图像分解为显著层、细节层和基础层，使融合图像中的目标边缘不会模糊，从而确保源图像中的显著区域能够得到很好的保留。基于相位一致性（PC）的细节层权重构造方法对噪声和照明不良具有鲁棒性，可以更好保留细节信息。引入的非线性函数可以突出图像成分中较大的显著性。通过本发明技术方案能较好地增强源图像的对比度和细节，此外，还可以有效避免融合过程中热信息丢失的风险。
附图说明
图1为本发明一些实施例提供的一种结合显著性区域检测的多波段图像融合方法的示例性流程图；
图2为本发明一些实施例提供的一种结合显著性区域检测的多波段图像融合方法的示例性示意图；
图3为本发明一些实施例提供的一种结合显著性区域检测的多波段图像融合系统的示例性模块图；
图4为本发明一些实施例提供的获取可见光图像和红外图像的图像采集装置的示例性装置图；
图标：1-主镜，2-次镜，3-分光板，4-反射镜，5-可见光+近红外成像透镜组，6-长波红外成像透镜组，7-中波红外成像透镜组，8-中红外CCD摄像机，9-可见光+近红外CCD摄像机，10-长波红外CCD摄像机。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
图1为本发明一些实施例提供的一种结合显著性区域检测的多波段图像融合方法的示例性流程图。在一些实施例中，流程100可以由系统300执行。如图1所示，流程100包括以下步骤：
步骤S110，获取可见光图像和不同波段的红外图像，并对可见光图像和红外图像进行预处理。在一些实施例中，步骤S110可以由图像采集模块310执行。
不同波段的红外图像可以包括近红外波段图像、中红外波段图像和长红外波段图像。在一些实施例中，可以同时获取同一视野的可见光图像和不同波段的红外图像。例如，使用图4所示的图像采集装置400获取，该图像采集装置可以通过一次拍照获取到可见光图像和其对应的不同波段的红外图像。
预处理可以是指分别对可见光图像和不同波段的红外图像进行处理，以使其符合后续处理要求。预处理的方式可以包括但不限于裁剪图像、对图像进行灰度处理等中的一种或多种。
步骤S120，对红外图像进行增强处理，得到增强红外图像。在一些实施例中，步骤S120可以由增强处理单元320-1执行。
增强红外图像可以是指增强图中热信息后得到的红外图像。在一些实施例中，可以通过动态阈值热信息滤波器（DTTIF）增强红外图像的热信息，以得到增强红外图像。
在一些实施例中，增强红外图像的热信息的计算公式为：
Figure 107484DEST_PATH_IMAGE068
其中，
Figure 342156DEST_PATH_IMAGE002
表示增强红外图像；
Figure 762773DEST_PATH_IMAGE003
表示红外图像中坐标
Figure 766501DEST_PATH_IMAGE004
处 的像素值；
Figure 614372DEST_PATH_IMAGE005
表示预定义的领域运算模板大小；
Figure 84143DEST_PATH_IMAGE006
表示图像大小，例如，可见光图像 或红外图像的长和宽；
Figure 42871DEST_PATH_IMAGE007
表示存储在映射矩阵中的像素块的平均值，例如，运算模 板大小可以被预先被定义为
Figure 166685DEST_PATH_IMAGE069
个像素点，将该领域运算模板映射到红外图像中可以得到 映射矩阵为
Figure 185457DEST_PATH_IMAGE069
的像素块，对该像素块中81个像素点的亮度取平均值可以得到映射矩阵中 像素块的平均值；
Figure 129142DEST_PATH_IMAGE008
和
Figure 891562DEST_PATH_IMAGE009
分别表示整个红外图像和可见光图像的平均像 素值，例如，对红外图像或可见光图像中的每个像素点的亮度取平均值。
步骤S130，分别对增强红外图像和可见光图像进行分解，得到红外基础层、红外细节层和红外显著层以及可见光基础层、可见光细节层和可见光显著层。在一些实施例中，步骤S130可以由分解单元320-2执行。
红外基础层可以是指保有增强红外图像中基础信息的图层。红外细节层可以是指保有增强红外图像中细节信息的图层。红外显著层可以是指保有增强红外图像中显著信息的图层。可见光基础层可以是指保有可见光图像中基础信息的图层。可见光细节层可以是指保有可见光图像中细节信息的图层。可见光显著层可以是指保有可见光图像中显著信息的图层。在一些实施例中，可以通过子窗口方差滤波器(SVF)和最大对称环绕显著性检测(MSSS)将增强红外图像分解为红外基础层、红外细节层和红外显著层；将可见光图像分解为可见光基础层、可见光细节层和可见光显著层。
在一些实施例中，得到基础层（包括可见光基础层和红外基础层）的计算公式为：
Figure 869882DEST_PATH_IMAGE070
其中，
Figure 325134DEST_PATH_IMAGE071
表示滤波后的基础层，包括红外基础层
Figure 959378DEST_PATH_IMAGE012
和可见光基础层
Figure 72958DEST_PATH_IMAGE011
，其中，红外基础层至少可以包括近红外波段基础层
Figure 843468DEST_PATH_IMAGE072
、中红外波段基础 层
Figure 266359DEST_PATH_IMAGE073
和长红外波段基础层
Figure 122320DEST_PATH_IMAGE074
；
Figure 288859DEST_PATH_IMAGE013
表示每个图像块的保存因子，
Figure 179455DEST_PATH_IMAGE014
， 该因子控制原始图像块的贡献程度；
Figure 773247DEST_PATH_IMAGE015
表示以像素k为中心的领域运算模板，例如，领域运 算模板可以为
Figure 116504DEST_PATH_IMAGE075
的像素块，处于（3,3）位置处的像素点可以被认为是中心像素k，在一些 实施例中，中心像素也可以包括多个像素点；
Figure 24417DEST_PATH_IMAGE016
表示以像素k为中心的滤波器定义的局部 域，例如，以位置为（10,10）的像素点为中心，领域运算模板为
Figure 582568DEST_PATH_IMAGE075
的像素块，
Figure 284945DEST_PATH_IMAGE016
可以为横 坐标为8-12，纵坐标为8-12的正方形像素块；
Figure 177815DEST_PATH_IMAGE017
表示第i个像素的强度，例如，第i个像素的 亮度值；
Figure 623840DEST_PATH_IMAGE018
表示滤波器定义的局部域，例如，
Figure 551344DEST_PATH_IMAGE075
的像素块；
Figure 424622DEST_PATH_IMAGE019
和
Figure 539209DEST_PATH_IMAGE020
为下标，用于表示图像 是与可见光图像相关还是与红外图像相关；
Figure 788925DEST_PATH_IMAGE019
表示与所述可见光图像相关的图像；
Figure 321668DEST_PATH_IMAGE020
表示 与所述增强红外图像相关的图像。
在一些实施例中，图像块的保存因子
Figure 365848DEST_PATH_IMAGE013
的计算公式为：
Figure 170993DEST_PATH_IMAGE076
其中，
Figure 21137DEST_PATH_IMAGE077
表示图像的方差值，其中，图像可以包括可见光图像和增强红外图像，图 像的确定与i的取值相关；
Figure 595338DEST_PATH_IMAGE078
，分别表示A,B,C,D四个子窗口的方差值，
Figure 872735DEST_PATH_IMAGE044
表示滤波器窗口中边缘的阈值参数。
在一些实施例中，细节层通过计算原始图像与基础层的差值得到；原始图像可以是包括多张增强红外图像和可见光图像，不同的原始图像对应不同的基础层，其中，计算细节层（包括可见光细节层和红外细节层）的公式为：
Figure 165176DEST_PATH_IMAGE079
其中，
Figure 553432DEST_PATH_IMAGE080
表示细节层；
Figure 247719DEST_PATH_IMAGE024
表示原始图像，其中，“
Figure 899280DEST_PATH_IMAGE081
”表示或。
在一些实施例中，得到显著层（包括可见光显著层和红外显著层）的计算公式为：
Figure 229417DEST_PATH_IMAGE082
其中，
Figure 359047DEST_PATH_IMAGE083
表示显著层；
Figure 970157DEST_PATH_IMAGE028
表示像素窗口面积；
Figure 527040DEST_PATH_IMAGE029
表示待处理图像，其 中，待处理图像可以是指可见光图像和增强红外图像中的一小块图像；m和n分别表示待处 理图像的横坐标和纵坐标，例如，待处理图像中心位置处的像素点的坐标可以被认为是待 处理图像的坐标；
Figure 590811DEST_PATH_IMAGE030
表示像素点的横坐标；
Figure 524132DEST_PATH_IMAGE031
表示像素点的纵坐标；
Figure 989749DEST_PATH_IMAGE032
表示横轴方向的迁移 距离；
Figure 983112DEST_PATH_IMAGE033
表示纵轴方向的迁移距离；
Figure 471863DEST_PATH_IMAGE019
表示与可见光图像相关的图像；
Figure 21924DEST_PATH_IMAGE020
表示与增强红外 图像相关的图像。
在一些实施例中，像素窗口面积
Figure 279730DEST_PATH_IMAGE028
的计算公式为：
Figure 240733DEST_PATH_IMAGE084
横轴方向的迁移距离
Figure 216779DEST_PATH_IMAGE032
和纵轴方向的迁移距离
Figure 554219DEST_PATH_IMAGE033
的计算公式为：
Figure 666532DEST_PATH_IMAGE085
其中，
Figure 64015DEST_PATH_IMAGE086
表示可见光图像或增强红外图像的宽，
Figure 261778DEST_PATH_IMAGE087
表示可见光图像或增强红外图像 的高。
步骤S140，对红外基础层和可见光基础层进行融合，得到融合基础层。在一些实施例中，步骤S140可以由基础层融合单元320-3执行。
融合基础层可以是指融合了红外图像和可见光图像的基础信息的图层。在一些实施例中，可以采用平均融合规则得到融合基础层。其中，得到融合基础层的计算公式为：
Figure 153642DEST_PATH_IMAGE034
其中，
Figure 386040DEST_PATH_IMAGE035
表示融合基础层；
Figure 892108DEST_PATH_IMAGE036
表示红外基础层；
Figure 639484DEST_PATH_IMAGE037
表示可见 光基础层。
步骤S150，基于细节权重图，对红外细节层和可见光细节层进行融合，得到融合细节层。在一些实施例中，步骤S150可以由细节层融合单元320-4执行。
融合细节层可以是指融合了红外图像和可见光图像的细节信息的图层。细节权重图可以是指细节层中每个像素点的权重分布情况。在一些实施例中，可以基于所要提取的细节层的特征，得到细节权重图。其中，提取细节层的特征的计算公式为：
Figure 256410DEST_PATH_IMAGE088
其中，
Figure 405632DEST_PATH_IMAGE039
表示细节层的特征；
Figure 82601DEST_PATH_IMAGE004
表示图像中像素点的坐标；
Figure 317273DEST_PATH_IMAGE040
表示小波 分解尺度；
Figure 737890DEST_PATH_IMAGE041
表示基于频率扩展的权重因子；
Figure 492351DEST_PATH_IMAGE042
表示坐标
Figure 605800DEST_PATH_IMAGE004
处的振幅；
Figure 265451DEST_PATH_IMAGE043
表示坐标
Figure 286497DEST_PATH_IMAGE004
处的相位；
Figure 347994DEST_PATH_IMAGE044
表示常数；
Figure 163503DEST_PATH_IMAGE045
表示噪声阈值表示；
Figure 310451DEST_PATH_IMAGE089
表示封闭量，当 其值为正时，封闭量等于自身，否则等于0；
Figure 135187DEST_PATH_IMAGE019
表示与可见光图像相关的图像；
Figure 316770DEST_PATH_IMAGE020
表示与增 强红外图像相关的图像。
得到细节权重图的计算公式为：
Figure 506443DEST_PATH_IMAGE047
Figure 685227DEST_PATH_IMAGE048
其中，
Figure 985758DEST_PATH_IMAGE049
表示红外细节权重图；
Figure 84164DEST_PATH_IMAGE050
表示可见光细节权重图；
Figure 444739DEST_PATH_IMAGE051
表示红外细节层的特征；
Figure 363016DEST_PATH_IMAGE052
表示可见光细节层的特征。
在一些实施例中，可以采用加权平均规则来融合红外细节层和可见光细节层，得到融合细节层，其中，得到融合细节层的计算公式为：
Figure 467238DEST_PATH_IMAGE090
其中，
Figure 623413DEST_PATH_IMAGE054
表示融合细节层；
Figure 217205DEST_PATH_IMAGE055
表示红外细节层；
Figure 560462DEST_PATH_IMAGE056
表示可见光细节 层。
步骤S160，基于显著权重图，对红外显著层和可见光显著层进行融合，得到融合显著层。在一些实施例中，步骤S160可以由显著层融合单元320-5执行。
融合显著层可以是指融合了红外图像和可见光图像的显著信息的图层。显著权重图可以是指显著层中每个像素点的权重分布情况。在一些实施例中，可以通过非线性函数计算得到显著权重图。其中，得到显著权重图的计算公式为：
Figure 15845DEST_PATH_IMAGE057
其中，
Figure 760947DEST_PATH_IMAGE058
表示显著权重图；
Figure 525641DEST_PATH_IMAGE059
表示可变函数参数；
Figure 356194DEST_PATH_IMAGE060
表示显著层的归 一化形式。显著层的归一化形式
Figure 864536DEST_PATH_IMAGE060
的计算公式为：
Figure 464144DEST_PATH_IMAGE091
Figure 399739DEST_PATH_IMAGE092
其中，
Figure 717588DEST_PATH_IMAGE060
表示显著层
Figure 232883DEST_PATH_IMAGE093
的归一化形式；
Figure 500047DEST_PATH_IMAGE094
和
Figure 544227DEST_PATH_IMAGE095
分别表示红外 显著层和可见光显著层。
在一些实施例中，可以采用加权平均规则来融合红外显著层和可见光显著层。其中，得到融合显著层的计算公式为：
Figure 411689DEST_PATH_IMAGE061
其中，
Figure 199516DEST_PATH_IMAGE062
表示融合显著层；
Figure 836034DEST_PATH_IMAGE063
表示红外显著层；
Figure 51114DEST_PATH_IMAGE064
表示可见 光显著层。
步骤S170，对融合基础层、融合细节层和融合显著层进行变换，得到融合图像。在一些实施例中，步骤S170可以由图像融合单元320-6执行。
融合图像可以是指进行融合处理后得到的图像，融合图像相对于一般图像能突出物体区域的完整性，并改善图像的视觉质量，且消除伪影等。在一些实施例中，得到融合图像的计算公式为：
Figure 405872DEST_PATH_IMAGE065
其中，
Figure 731812DEST_PATH_IMAGE066
表示融合图像；
Figure 426098DEST_PATH_IMAGE035
表示融合基础层；
Figure 890709DEST_PATH_IMAGE067
表示融合细 节层；
Figure 404867DEST_PATH_IMAGE062
表示融合显著层。
图2为本发明一些实施例提供的一种结合显著性区域检测的多波段图像融合方法的示例性示意图。如图2所示，示意的流程200的内容可以包括：
通过图像采集装置采集可见光图像和多张多个波段的红外图像。然后对采集的可见光图像和多张红外图像进行图像预处理，得到预处理后的可见光图像和多张红外图像。对于预处理后的红外图像，还通过DTTIF增强多张红外图像的热信息，得到多张增强红外图像。然后对预处理后的可见光图像进行SVF处理，得到可见光基础层，并基于可见光基础层和预处理后的可见光图像的差值，得到可见光细节层，最后通过对预处理后的可见光图像进行MSSS处理，得到可见光显著层。同时，以处理预处理后的可见光图像的方式分别处理多张增强红外图像，得到多张红外基础层、多张红外细节层和多张红外显著层；然后对多张红外基础层和可见光基础层任意两两执行加权平均融合，得到一张融合基础层。对多张红外细节层和可见光细节层任意两两执行加权平均融合，得到一张融合细节层。对多张红外显著层和可见光显著层任意两两执行平均融合，得到一张融合显著层。最后，将融合基础层、融合细节层和融合显著层进行和计算，得到最终的融合图像。
图3为本发明一些实施例提供的一种结合显著性区域检测的多波段图像融合系统的示例性模块图。如图3所示，系统300可以包括图像采集模块310，信息处理模块320和信息输出模块330；信息处理模块320包括增强处理单元320-1、分解单元320-2、基础层融合单元320-3、细节层融合单元320-4、显著层融合单元320-5和图像融合单元320-6；
图像采集模块310用于采集可见光图像和多张红外图像。关于图像采集模块310的更多内容，参见图1及其相关描述。
增强处理单元320-1用于对红外图像进行增强处理，得到增强红外图像。关于增强处理单元320-1的更多内容，参见图1及其相关描述。
分解单元320-2用于分别对增强红外图像和可见光图像进行分解，得到红外基础层、红外细节层和红外显著层以及可见光基础层、可见光细节层和可见光显著层。关于分解单元320-2的更多内容，参见图1及其相关描述。
基础层融合单元320-3用于对红外基础层和可见光基础层进行融合，得到融合基础层。关于基础层融合单元320-3的更多内容，参见图1及其相关描述。
细节层融合单元320-4用于基于细节权重图，对红外细节层和可见光细节层进行融合，得到融合细节层。关于细节层融合单元320-4的更多内容，参见图1及其相关描述。
显著层融合单元320-5用于基于显著权重图，对红外显著层和可见光显著层进行融合，得到融合显著层。关于显著层融合单元320-5的更多内容，参见图1及其相关描述。
图像融合单元320-6用于对融合基础层、融合细节层和融合显著层进行变换，得到融合图像。关于图像融合单元320-6的更多内容，参见图1及其相关描述。
信息输出模块330用于输出融合图像。关于信息输出模块330的更多内容，参见图1及其相关描述。
图4为本发明一些实施例提供的获取可见光图像和红外图像的图像采集装置的示例性装置图。如图4所示，装置400可以包括主镜1、次镜2、分光板3、反射镜4、可见光+近红外成像透镜组5、长波红外成像透镜组6、中波红外成像透镜组7、中红外CCD摄像机8、可见光+近红外CCD摄像机9和长波红外CCD摄像机10。
远距离目标通过次镜2和主镜1到达分光板3和反射镜4，可见光+近红外CCD摄像机9通过可见光+近红外成像透镜组5获取分光板3反射的远距离目标的可见光图像和近红外波段图像；长波红外CCD摄像机10通过长波红外成像透镜组6获取分光板3反射的远距离目标的长红外波段图像；中红外CCD摄像机8通过中波红外成像透镜组7获取反射镜4反射的远距离目标的中红外波段图像。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种结合显著性区域检测的多波段图像融合方法，其特征在于，包括：
对红外图像进行增强处理，得到增强红外图像；所述增强处理为增强所述红外图像的热信息；其中，所述增强所述红外图像的热信息的计算公式为：
Figure QLYQS_1
其中，
Figure QLYQS_4
表示增强热信息后得到的增强红外图像；
Figure QLYQS_5
表示所述红外图像中坐标
Figure QLYQS_7
处的像素值；
Figure QLYQS_3
表示预定义的领域运算模板大小；
Figure QLYQS_6
表示图像大小；
Figure QLYQS_8
表示存储在映射矩阵中的像素块的平均值；
Figure QLYQS_9
和
Figure QLYQS_2
分别表示整个红外图像和可见光图像的平均像素值；
分别对所述增强红外图像和可见光图像进行分解，得到红外基础层、红外细节层和红外显著层以及可见光基础层、可见光细节层和可见光显著层；
其中，得到红外基础层和可见光基础层的计算公式为：
Figure QLYQS_10
其中，
Figure QLYQS_12
表示滤波后的可见光基础层；
Figure QLYQS_15
表示滤波后的红外基础层；
Figure QLYQS_17
表示每个图像块的保存因子，
Figure QLYQS_13
；
Figure QLYQS_16
表示以像素k为中心的领域运算模板；
Figure QLYQS_19
表示以像素k为中心的滤波器定义的局部域；
Figure QLYQS_21
表示第i个像素的强度；
Figure QLYQS_11
表示滤波器定义的局部域；
Figure QLYQS_14
表示与所述可见光图像相关的图像；
Figure QLYQS_18
表示与所述增强红外图像相关的图像；
Figure QLYQS_20
表示当i为vis时，计算得到可见光基础层，当i为ir时，计算得到红外基础层；
红外细节层和可见光细节层通过计算原始图像与基础层的差值得到；其中，计算所述细节层的公式为：
Figure QLYQS_22
其中，
Figure QLYQS_23
表示可见光细节层；
Figure QLYQS_24
表示红外细节层；
Figure QLYQS_25
表示所述原始图像；
得到红外显著层和可见光显著层的计算公式为：
Figure QLYQS_26
其中，
Figure QLYQS_28
表示可见光显著层；
Figure QLYQS_32
表示红外显著层；
Figure QLYQS_35
表示像素窗口面积；
Figure QLYQS_29
表示待处理图像；m和n分别表示所述待处理图像的横坐标和纵坐标；
Figure QLYQS_31
表示像素点的横坐标；
Figure QLYQS_33
表示像素点的纵坐标；
Figure QLYQS_36
表示横轴方向的迁移距离；
Figure QLYQS_27
表示纵轴方向的迁移距离；
Figure QLYQS_30
表示与所述可见光图像相关的图像；
Figure QLYQS_34
表示与所述增强红外图像相关的图像；
对所述红外基础层和所述可见光基础层进行融合，得到融合基础层；其中，得到融合基础层的计算公式为：
Figure QLYQS_37
其中，
Figure QLYQS_38
表示所述融合基础层；
Figure QLYQS_39
表示所述红外基础层；
Figure QLYQS_40
表示所述可见光基础层；
基于细节权重图，对所述红外细节层和所述可见光细节层进行融合，得到融合细节层；其中，所述细节权重图通过提取细节层的特征得到，提取所述细节层的特征的计算公式为：
Figure QLYQS_41
其中，
Figure QLYQS_42
表示细节层的特征；
Figure QLYQS_48
表示图像中像素点的坐标；
Figure QLYQS_54
表示小波分解尺度；
Figure QLYQS_44
表示基于频率扩展的权重因子；
Figure QLYQS_46
表示坐标
Figure QLYQS_50
处的振幅；
Figure QLYQS_52
表示坐标
Figure QLYQS_43
处的相位；
Figure QLYQS_49
表示常数；
Figure QLYQS_51
表示噪声阈值表示；
Figure QLYQS_53
表示封闭量，当其值为正时，封闭量等于自身，否则等于0；
Figure QLYQS_45
表示与所述可见光图像相关的图像；
Figure QLYQS_47
表示与所述增强红外图像相关的图像；
得到细节权重图的计算公式为：
Figure QLYQS_55
Figure QLYQS_56
其中，
Figure QLYQS_57
表示红外细节权重图；
Figure QLYQS_58
表示可见光细节权重图；
Figure QLYQS_59
表示红外细节层的特征；
Figure QLYQS_60
表示可见光细节层的特征；
所述得到融合细节层的计算公式为：
Figure QLYQS_61
其中，
Figure QLYQS_62
表示所述融合细节层；
Figure QLYQS_63
表示红外细节层；
Figure QLYQS_64
表示可见光细节层；
基于显著权重图，对所述红外显著层和所述可见光显著层进行融合，得到融合显著层；其中，所述显著权重图的计算公式为：
Figure QLYQS_65
其中，
Figure QLYQS_66
表示所述显著权重图；
Figure QLYQS_67
表示可变函数参数；
Figure QLYQS_68
表示显著层的归一化形式；
所述得到融合细节层的计算公式为：
Figure QLYQS_69
其中，
Figure QLYQS_70
表示所述融合显著层；
Figure QLYQS_71
表示所述红外显著层；
Figure QLYQS_72
表示所述可见光显著层；
对所述融合基础层、所述融合细节层和所述融合显著层进行变换，得到融合图像；其中，所述得到融合图像的计算公式为：
Figure QLYQS_73
其中，
Figure QLYQS_74
表示所述融合图像；
Figure QLYQS_75
表示所述融合基础层；
Figure QLYQS_76
表示所述融合细节层；
Figure QLYQS_77
表示所述融合显著层。
2.一种结合显著性区域检测的多波段图像融合系统，其特征在于，包括信息处理模块和信息输出模块；所述信息处理模块包括增强处理单元、分解单元、基础层融合单元、细节层融合单元、显著层融合单元和图像融合单元；
所述增强处理单元用于对红外图像进行增强处理，得到增强红外图像；所述增强处理为增强所述红外图像的热信息；其中，所述增强所述红外图像的热信息的计算公式为：
Figure QLYQS_78
其中，
Figure QLYQS_81
表示增强热信息后得到的增强红外图像；
Figure QLYQS_82
表示所述红外图像中坐标
Figure QLYQS_85
处的像素值；
Figure QLYQS_80
表示预定义的领域运算模板大小；
Figure QLYQS_83
表示图像大小；
Figure QLYQS_84
表示存储在映射矩阵中的像素块的平均值；
Figure QLYQS_86
和
Figure QLYQS_79
分别表示整个红外图像和可见光图像的平均像素值；
所述分解单元用于分别对所述增强红外图像和可见光图像进行分解，得到红外基础层、红外细节层和红外显著层以及可见光基础层、可见光细节层和可见光显著层；其中，得到红外基础层和可见光基础层的计算公式为：
Figure QLYQS_87
其中，
Figure QLYQS_89
表示滤波后的可见光基础层；
Figure QLYQS_91
表示滤波后的红外基础层；
Figure QLYQS_95
表示每个图像块的保存因子，
Figure QLYQS_90
；
Figure QLYQS_93
表示以像素k为中心的领域运算模板；
Figure QLYQS_96
表示以像素k为中心的滤波器定义的局部域；
Figure QLYQS_98
表示第i个像素的强度；
Figure QLYQS_88
表示滤波器定义的局部域；
Figure QLYQS_92
表示与所述可见光图像相关的图像；
Figure QLYQS_94
表示与所述增强红外图像相关的图像；
Figure QLYQS_97
表示当i为vis时，计算得到可见光基础层，当i为ir时，计算得到红外基础层；
红外细节层和可见光细节层通过计算原始图像与基础层的差值得到；其中，计算所述细节层的公式为：
Figure QLYQS_99
其中，
Figure QLYQS_100
表示可见光细节层；
Figure QLYQS_101
表示红外细节层；
Figure QLYQS_102
表示所述原始图像；
得到红外显著层和可见光显著层的计算公式为：
Figure QLYQS_103
其中，
Figure QLYQS_105
表示可见光显著层；
Figure QLYQS_107
表示红外显著层；
Figure QLYQS_113
表示像素窗口面积；
Figure QLYQS_104
表示待处理图像；m和n分别表示所述待处理图像的横坐标和纵坐标；
Figure QLYQS_109
表示像素点的横坐标；
Figure QLYQS_111
表示像素点的纵坐标；
Figure QLYQS_112
表示横轴方向的迁移距离；
Figure QLYQS_106
表示纵轴方向的迁移距离；
Figure QLYQS_108
表示与所述可见光图像相关的图像；
Figure QLYQS_110
表示与所述增强红外图像相关的图像；
所述基础层融合单元用于对所述红外基础层和所述可见光基础层进行融合，得到融合基础层；其中，得到融合基础层的计算公式为：
Figure QLYQS_114
其中，
Figure QLYQS_115
表示所述融合基础层；
Figure QLYQS_116
表示所述红外基础层；
Figure QLYQS_117
表示所述可见光基础层；
所述细节层融合单元用于基于细节权重图，对所述红外细节层和所述可见光细节层进行融合，得到融合细节层；其中，所述细节权重图通过提取细节层的特征得到，提取所述细节层的特征的计算公式为：
Figure QLYQS_118
其中，
Figure QLYQS_119
表示细节层的特征；
Figure QLYQS_124
表示图像中像素点的坐标；
Figure QLYQS_128
表示小波分解尺度；
Figure QLYQS_121
表示基于频率扩展的权重因子；
Figure QLYQS_125
表示坐标
Figure QLYQS_129
处的振幅；
Figure QLYQS_131
表示坐标
Figure QLYQS_120
处的相位；
Figure QLYQS_123
表示常数；
Figure QLYQS_127
表示噪声阈值表示；
Figure QLYQS_130
表示封闭量，当其值为正时，封闭量等于自身，否则等于0；
Figure QLYQS_122
表示与所述可见光图像相关的图像；
Figure QLYQS_126
表示与所述增强红外图像相关的图像；
得到细节权重图的计算公式为：
Figure QLYQS_132
Figure QLYQS_133
其中，
Figure QLYQS_134
表示红外细节权重图；
Figure QLYQS_135
表示可见光细节权重图；
Figure QLYQS_136
表示红外细节层的特征；
Figure QLYQS_137
表示可见光细节层的特征；
所述得到融合细节层的计算公式为：
Figure QLYQS_138
其中，
Figure QLYQS_139
表示所述融合细节层；
Figure QLYQS_140
表示红外细节层；
Figure QLYQS_141
表示可见光细节层；
所述显著层融合单元用于基于显著权重图，对所述红外显著层和所述可见光显著层进行融合，得到融合显著层；其中，所述显著权重图的计算公式为：
Figure QLYQS_142
其中，
Figure QLYQS_143
表示所述显著权重图；
Figure QLYQS_144
表示可变函数参数；
Figure QLYQS_145
表示显著层的归一化形式；
所述得到融合细节层的计算公式为：
Figure QLYQS_146
其中，
Figure QLYQS_147
表示所述融合显著层；
Figure QLYQS_148
表示所述红外显著层；
Figure QLYQS_149
表示所述可见光显著层；
所述图像融合单元用于对所述融合基础层、所述融合细节层和所述融合显著层进行变换，得到融合图像；其中，所述得到融合图像的计算公式为：
Figure QLYQS_150
其中，
Figure QLYQS_151
表示所述融合图像；
Figure QLYQS_152
表示所述融合基础层；
Figure QLYQS_153
表示所述融合细节层；
Figure QLYQS_154
表示所述融合显著层；
所述信息输出模块用于输出所述融合图像。
CN202211589011.9A 2022-12-12 2022-12-12 一种结合显著性区域检测的多波段图像融合方法和系统 Active CN115578304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211589011.9A CN115578304B (zh) 2022-12-12 2022-12-12 一种结合显著性区域检测的多波段图像融合方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211589011.9A CN115578304B (zh) 2022-12-12 2022-12-12 一种结合显著性区域检测的多波段图像融合方法和系统

Publications (2)

Publication Number Publication Date
CN115578304A CN115578304A (zh) 2023-01-06
CN115578304B true CN115578304B (zh) 2023-03-10

Family

ID=84590349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211589011.9A Active CN115578304B (zh) 2022-12-12 2022-12-12 一种结合显著性区域检测的多波段图像融合方法和系统

Country Status (1)

Country Link
CN (1) CN115578304B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681637B (zh) * 2023-08-03 2024-01-02 国网安徽省电力有限公司超高压分公司 特高压换流变压器红外与可见光监测图像融合方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455982A (zh) * 2013-08-31 2013-12-18 四川川大智胜软件股份有限公司 一种基于虚实融合机场场面监视视觉增强的方法
CN108389158A (zh) * 2018-02-12 2018-08-10 河北大学 一种红外和可见光的图像融合方法
CN112419212A (zh) * 2020-10-15 2021-02-26 卡乐微视科技(云南)有限公司 一种基于侧窗引导滤波的红外与可见光图像融合方法
CN112801927A (zh) * 2021-01-28 2021-05-14 中国地质大学（武汉） 一种基于三尺度分解的红外和可见光图像融合方法
CN114119439A (zh) * 2021-11-12 2022-03-01 武汉大学 红外与可见光图像融合方法、装置、设备及存储介质
CN114529488A (zh) * 2022-02-21 2022-05-24 合肥英睿系统技术有限公司 图像融合方法、装置及设备、存储介质
CN114612359A (zh) * 2022-03-09 2022-06-10 南京理工大学 基于特征提取的可见光与红外图像融合方法
CN115330653A (zh) * 2022-08-16 2022-11-11 西安电子科技大学 基于边窗滤波的多源图像融合方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106327459B (zh) * 2016-09-06 2019-03-12 四川大学 基于udct和pcnn的可见光与红外图像融合方法
CN112767289A (zh) * 2019-10-21 2021-05-07 浙江宇视科技有限公司 图像融合方法、装置、介质及电子设备
CN111080724B (zh) * 2019-12-17 2023-04-28 大连理工大学 一种红外和可见光的融合方法
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455982A (zh) * 2013-08-31 2013-12-18 四川川大智胜软件股份有限公司 一种基于虚实融合机场场面监视视觉增强的方法
CN108389158A (zh) * 2018-02-12 2018-08-10 河北大学 一种红外和可见光的图像融合方法
CN112419212A (zh) * 2020-10-15 2021-02-26 卡乐微视科技(云南)有限公司 一种基于侧窗引导滤波的红外与可见光图像融合方法
CN112801927A (zh) * 2021-01-28 2021-05-14 中国地质大学（武汉） 一种基于三尺度分解的红外和可见光图像融合方法
CN114119439A (zh) * 2021-11-12 2022-03-01 武汉大学 红外与可见光图像融合方法、装置、设备及存储介质
CN114529488A (zh) * 2022-02-21 2022-05-24 合肥英睿系统技术有限公司 图像融合方法、装置及设备、存储介质
CN114612359A (zh) * 2022-03-09 2022-06-10 南京理工大学 基于特征提取的可见光与红外图像融合方法
CN115330653A (zh) * 2022-08-16 2022-11-11 西安电子科技大学 基于边窗滤波的多源图像融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Infrared and visible image fusion via rolling guidance filter and convolutional sparse representation;Liu FQ，et al;《Journal of intelligent & fuzzy systems》;20211231;第40卷(第6期);10603-10616 *
基于GAN的红外与可见光图像融合算法;周祎楠等;《现代计算机》;20210630;94-97 *
基于图像增强和滚动引导滤波的红外与可见光图像融合;梁佳明等;《激光与光电子学进展》;20220715;23 *

Also Published As

Publication number Publication date
CN115578304A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
CN108596849B (zh) 一种基于天空区域分割的单幅图像去雾方法
Li et al. Single image dehazing using the change of detail prior
US20200273154A1 (en) Image enhancement method and system
Shin et al. Radiance–reflectance combined optimization and structure-guided $\ell _0 $-Norm for single image dehazing
Rajkumar et al. A comparative analysis on image quality assessment for real time satellite images
CN108090888B (zh) 基于视觉注意模型的红外图像和可见光图像的融合检测方法
KR101161471B1 (ko) 비선형 및/또는 공간적으로 변하는 이미지 프로세싱을 이용한 광학 이미징 시스템 및 방법
CN106296670B (zh) 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法
CN113837974B (zh) 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法
CN114519808A (zh) 图像融合方法、装置及设备、存储介质
CN112801927B (zh) 一种基于三尺度分解的红外和可见光图像融合方法
CN115578304B (zh) 一种结合显著性区域检测的多波段图像融合方法和系统
Arivazhagan et al. A modified statistical approach for image fusion using wavelet transform
Duan et al. Infrared and visible image fusion using multi-scale edge-preserving decomposition and multiple saliency features
Chang Single underwater image restoration based on adaptive transmission fusion
TW202230279A (zh) 圖像增強方法和圖像增強裝置
CN117152016A (zh) 基于改进暗通道先验的图像去雾方法及其系统
Bavirisetti et al. Multi-focus image fusion using maximum symmetric surround saliency detection
Donia et al. Infrared image enhancement based on both histogram matching and wavelet fusion
Chaudhuri et al. Frequency and spatial domains adaptive-based enhancement technique for thermal infrared images
Huang et al. A novel image dehazing algorithm based on dual-tree complex wavelet transform
Goud et al. Evaluation of image fusion of multi focus images in spatial and frequency domain
Owusu-Agyeman et al. A concise review on Image Dehazing Techniques
CN109801253A (zh) 一种对高分辨率光学遥感图像的自适应云区检测方法
Lu Local Defogging Algorithm for Improving Visual Impact in Image Based on Multiobjective Optimization

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