CN116071369B - 一种红外图像处理方法及装置 - Google Patents

一种红外图像处理方法及装置 Download PDF

Info

Publication number
CN116071369B
CN116071369B CN202211619074.4A CN202211619074A CN116071369B CN 116071369 B CN116071369 B CN 116071369B CN 202211619074 A CN202211619074 A CN 202211619074A CN 116071369 B CN116071369 B CN 116071369B
Authority
CN
China
Prior art keywords
image
processed
infrared
infrared image
spectrum
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
CN202211619074.4A
Other languages
English (en)
Other versions
CN116071369A (zh
Inventor
姚秀
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202211619074.4A priority Critical patent/CN116071369B/zh
Publication of CN116071369A publication Critical patent/CN116071369A/zh
Application granted granted Critical
Publication of CN116071369B publication Critical patent/CN116071369B/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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种红外图像处理方法及装置。该红外图像处理方法包括：接收带标记的多个待处理红外图像；对待处理红外图像分块，获得多个第一块，获得第一块的第一图像特征；对多个待处理红外图像分别进行二次成像，以获得各图像对应的可见光图像；对可见光图像进行分块，获得多个第二块，获得第二块的第二图像特征；针对每个待处理红外图像，将该图像对应的多个第一图像特征以及多个第二图像特征作为该图像的特征数据，以获得该图像的特征数据与标记所构成的数据对；利用获得的多个数据对，获得红外图像识别模型。本发明的上述红外图像处理方法及装置，能够提高红外图像识别准确度并提高信噪比，克服现有技术的不足。

Description

一种红外图像处理方法及装置
技术领域
本发明涉及图像处理技术，尤其涉及一种红外图像处理方法及装置。
背景技术
目前，红外热成像技术已广泛应用到人们日常的生活中，如红外监控等。然而，当前红外热成像技术所得到的图像结果，往往存在背景噪声大，识别不准确的问题。因此，亟需提供一种能够有效地提高识别准确度和去噪的技术。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不意图确定本发明的关键或重要部分，也不意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，本发明提供了一种视频处理方法，以至少解决利用现有红外成像技术存在的识别准确度低、信噪比低的问题。
本发明提供了一种红外图像处理方法，所述红外图像处理方法包括：接收带标记的多个待处理红外图像；针对每个待处理红外图像，对所述待处理红外图像进行分块，获得该待处理红外图像的多个第一块；针对所述待处理红外图像的每个第一块，对该第一块进行特征提取，以获得该第一块的第一图像特征；对所述多个待处理红外图像分别进行二次成像，以获得各图像对应的可见光图像；针对每个可见光图像，对所述可见光图像进行分块，获得所述可见光图像的多个第二块；针对所述可见光图像的每个第二块，对该第二块进行特征提取，以获得该第二块的第二图像特征；针对每个待处理红外图像，将该图像对应的多个第一图像特征以及多个第二图像特征作为该图像的特征数据，以获得该图像的特征数据与标记所构成的数据对；利用获得的多个数据对，获得红外图像识别模型。
进一步地，每个待处理红外图像及其对应的可见光图像通过如下方式获得：利用具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应，该超高斯光束作为泵浦光，以使得泵浦光对信号光的频谱进行强度调制，激发出位于可见光波段的上转换光场；其中，信号光携带有目标图像信息，信号光频谱是对位于红外波段且携带目标信息的光束进行空间傅里叶变换后得到的傅里叶光场；在发生所述和频效应前获得所述信号光对所述目标图像所成的红外图像，作为待处理红外图像；在发生所述和频效应后，对所述上转换光场进行傅里叶逆变换，以获得对应的可见光图像。
进一步地，所述具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应时，所述信号光频谱的中心处频谱被滤除，所述中心处频谱对应所述待处理红外图像的噪声部分。
进一步地，所述利用获得的多个数据对获得红外图像识别模型的步骤包括：针对每一个数据对，根据该数据对的特征数据对应的特征信息来构建概率分布，从该概率分布中采样得到隐变量，以生成目标类别信息；对预定损失函数进行迭代优化，以使所述损失函数尽量小，利用得到的损失函数构建红外图像识别模型。
本发明还提供了一种红外图像处理装置，所述红外图像处理装置包括：接收单元，适于接收带标记的多个待处理红外图像；第一特征提取单元，适于针对每个待处理红外图像，对所述待处理红外图像进行分块，获得该待处理红外图像的多个第一块；针对所述待处理红外图像的每个第一块，对该第一块进行特征提取，以获得该第一块的第一图像特征；图像生成单元，适于对所述多个待处理红外图像分别进行二次成像，以获得各图像对应的可见光图像；第二特征提取单元，适于针对每个可见光图像，对所述可见光图像进行分块，获得所述可见光图像的多个第二块；针对所述可见光图像的每个第二块，对该第二块进行特征提取，以获得该第二块的第二图像特征；处理单元，适于针对每个待处理红外图像，将该图像对应的多个第一图像特征以及多个第二图像特征作为该图像的特征数据，以获得该图像的特征数据与标记所构成的数据对；获得单元，适于利用获得的多个数据对，获得红外图像识别模型。
进一步地，所述图像生成单元适于：利用具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应，该超高斯光束作为泵浦光，以使得泵浦光对信号光的频谱进行强度调制，激发出位于可见光波段的上转换光场；其中，信号光携带有目标图像信息，信号光频谱是对位于红外波段且携带目标信息的光束进行空间傅里叶变换后得到的傅里叶光场；在发生所述和频效应前获得所述信号光对所述目标图像所成的红外图像，作为待处理红外图像；在发生所述和频效应后，对所述上转换光场进行傅里叶逆变换，以获得对应的可见光图像。
进一步地，所述图像生成单元适于：具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应时，滤除所述信号光频谱的中心处频谱，所述中心处频谱对应所述待处理红外图像的噪声部分。
进一步地，所述获得单元适于：针对每一个数据对，根据该数据对的特征数据对应的特征信息来构建概率分布，从该概率分布中采样得到隐变量，以生成目标类别信息；对预定损失函数进行迭代优化，以使所述损失函数尽量小，利用得到的损失函数构建红外图像识别模型。
本发明的一种红外图像处理方法及装置，利用本发明获得的红外图像识别模型，能够准确、有效地识别红外图像类别，提高信噪比，区分前景和背景。
通过以下结合附图对本发明的最佳实施例的详细说明，本发明的这些以及其他优点将更加明显。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
其中：
图1是示出本发明的一种红外图像处理方法的流程示意图。
本领域技术人员应当理解，附图中的元件仅仅是为了简单和清楚起见而示出的，而且不一定是按比例绘制的。例如，附图中某些元件的尺寸可能相对于其他元件放大了，以便有助于提高对本发明实施例的理解。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本发明内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。
在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
本发明的实施例提供了一种红外图像处理方法，所述红外图像处理方法包括：接收带标记的多个待处理红外图像；针对每个待处理红外图像，对所述待处理红外图像进行分块，获得该待处理红外图像的多个第一块；针对所述待处理红外图像的每个第一块，对该第一块进行特征提取，以获得该第一块的第一图像特征；对所述多个待处理红外图像分别进行二次成像，以获得各图像对应的可见光图像；针对每个可见光图像，对所述可见光图像进行分块，获得所述可见光图像的多个第二块；针对所述可见光图像的每个第二块，对该第二块进行特征提取，以获得该第二块的第二图像特征；针对每个待处理红外图像，将该图像对应的多个第一图像特征以及多个第二图像特征作为该图像的特征数据，以获得该图像的特征数据与标记所构成的数据对；利用获得的多个数据对，获得红外图像识别模型。
图1给出了上述红外图像处理方法的一种示例性处理流程。
如图1所示，在步骤S101中，接收带标记的多个待处理红外图像。其中，多个待处理红外图像例如可以是针对同一目标物体所成的红外图像，也可以是以针对多个不同的目标物体所成的红外图像。每个待处理红外图像带有标记，也即标签。
作为示例，每个待处理红外图像上可以有一个标签，该标签可以是正例标签，也可以是负例标签，以表示该图像的类别。
作为示例，每个待处理红外图像上也可以由两个或更多个标签，如可以包含一个类别标签，还可以包含一个前景标签和/或背景标签。可选地，前景标签例如可以与用户预先圈画的第一区域(可以是一个或多个，可以是分立的)相对应，也即表示该区域是图像的前景；而背景标签例如可以与用户预先圈画的第二区域(可以是一个或多个，可以是分立的)相对应，也即表示该区域是图像的背景。
在步骤S102中，针对每个待处理红外图像P0，对待处理红外图像P0进行分块，获得该待处理红外图像P0的多个第一块；针对待处理红外图像P0的每个第一块，对该第一块进行特征提取，以获得该第一块的第一图像特征。
其中，对第一块进行特征提取的方法例如可以采用现有的图像特征提取技术实现，这里不再赘述。
接着，在步骤S103中，对多个待处理红外图像(如P1、P2、…、Pn，n表示待处理红外图像的个数)分别进行二次成像，以获得各图像对应的可见光图像。
作为示例，针对每个待处理红外图像P0，例如可以采用预定波长的可见光入射该图像P0，以对其进行成像，并探测获得上述待处理红外图像P0的可见光图像P0’。
此外，作为示例，也可以利用具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应来获取上述二次成像所得的可见光图像。
例如，将携带目标信息的红外波段的信号光(波长例如为x1)进行傅里叶变换，得到其频谱(傅里叶光场)，即上文所述的信号光频谱，然后将其入射至能够发生非线性和频效应的非线性晶体中；另一方面，将上述具有中心空洞的超高斯光束(波长例如为x2)入射至上述非线性晶体中，使得二者发生和频效应。换句话说，选择信号光和泵浦光各自的波长，使得二者能够在非线性晶体中发生上述和频效应，这样，泵浦光对信号光的频谱进行强度调制，激发出位于可见光波段的上转换光场，其中，上转换光场的波长的倒数等于1/x1与1/x2之和。换句话说，上转换光场的频率等于信号光频率与泵浦光频率之和。
这样，在发生和频效应前所获得的信号光对目标图像所成的红外图像，便可作为待处理红外图像；而在发生和频效应后，对上转换光场进行傅里叶逆变换所生成对应的可见光场所捕获的图像，作为对应的那个可见光图像。
作为示例，具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应时，信号光频谱的中心处频谱被滤除，中心处频谱对应待处理红外图像的噪声部分。
本发明人发现，信号光在经过傅里叶变换后，其背景噪声作为低频部分便被转换至频谱的中心处。这样，在该实施例中，泵浦选取具有中心空洞的超高斯光束，使得对应于中心空洞位置处的信号光频谱部分没有与之相作用的泵浦能量，因此，这部分频谱便无法发生和频，进而无法产生频率上转换，因此获得的频率上转换光场中便失去了这部分噪声分量，实现了对噪声的滤除。
接着，在步骤S104中，针对每个可见光图像P0’，对可见光图像P0’进行分块，获得可见光图像P0’的多个第二块；针对可见光图像P0’的每个第二块，对该第二块进行特征提取，以获得该第二块的第二图像特征。
其中，对第二块进行特征提取的方法例如也可以采用现有的图像特征提取技术实现，这里不再赘述。
在步骤S105中，针对每个待处理红外图像，将该图像对应的多个第一图像特征以及多个第二图像特征作为该图像的特征数据，以获得该图像的特征数据与标记所构成的数据对。
由此，在步骤S106中，可以利用获得的多个数据对来训练并获得红外图像识别模型。
作为示例，步骤S106例如可以采用现有的神经网络模型来实现，如FASTER-RCNN神经网络等。
作为示例，步骤S106例如也可以采用现有的监督学习的方法来获得上述模型，例如，损失函数可以采用现有的一种损失函数，最小化该损失函数，采用梯度反向传播方式来更新模型参数。
其中，针对每一个数据对，例如可以根据该数据对的特征数据对应的特征信息(如前景信息、背景信息等，可以为前景或背景的内容名称或符号，也可以是前景或背景的类别名称或符号等)来构建概率分布，从该概率分布中采样得到隐变量，以生成目标类别信息；对预定损失函数进行迭代优化，以使损失函数尽量小，利用得到的损失函数构建红外图像识别模型。
此外，本发明的实施例还提供了一种红外图像处理装置，红外图像处理装置包括：接收单元，适于接收带标记的多个待处理红外图像；第一特征提取单元，适于针对每个待处理红外图像，对待处理红外图像进行分块，获得该待处理红外图像的多个第一块；针对待处理红外图像的每个第一块，对该第一块进行特征提取，以获得该第一块的第一图像特征；图像生成单元，适于对多个待处理红外图像分别进行二次成像，以获得各图像对应的可见光图像；第二特征提取单元，适于针对每个可见光图像，对可见光图像进行分块，获得可见光图像的多个第二块；针对可见光图像的每个第二块，对该第二块进行特征提取，以获得该第二块的第二图像特征；处理单元，适于针对每个待处理红外图像，将该图像对应的多个第一图像特征以及多个第二图像特征作为该图像的特征数据，以获得该图像的特征数据与标记所构成的数据对；获得单元，适于利用获得的多个数据对，获得红外图像识别模型。
作为示例，图像生成单元例如适于：利用具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应，该超高斯光束作为泵浦光，以使得泵浦光对信号光的频谱进行强度调制，激发出位于可见光波段的上转换光场；其中，信号光携带有目标图像信息，信号光频谱是对位于红外波段且携带目标信息的光束进行空间傅里叶变换后得到的傅里叶光场；在发生和频效应前获得信号光对目标图像所成的红外图像，作为待处理红外图像；在发生和频效应后，对上转换光场进行傅里叶逆变换，以获得对应的可见光图像。
作为示例，图像生成单元例如适于：具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应时，滤除信号光频谱的中心处频谱，中心处频谱对应待处理红外图像的噪声部分。
作为示例，获得单元例如适于：针对每一个数据对，根据该数据对的特征数据对应的前景信息和背景信息来构建概率分布，从该概率分布中采样得到隐变量，以生成目标类别信息；对预定损失函数进行迭代优化，以使损失函数尽量小，利用得到的损失函数构建红外图像识别模型。
最后应说明的是：以上实施例仅用以示例性说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明及本发明带来的有益效果进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求的范围。

Claims (4)

1.在一种红外图像处理方法，其特征在于，所述红外图像处理方法包括：
接收带标记的多个待处理红外图像；
针对每个待处理红外图像，对所述待处理红外图像进行分块，获得该待处理红外图像的多个第一块；针对所述待处理红外图像的每个第一块，对该第一块进行特征提取，以获得该第一块的第一图像特征；
对所述多个待处理红外图像分别进行二次成像，以获得各图像对应的可见光图像；
针对每个可见光图像，对所述可见光图像进行分块，获得所述可见光图像的多个第二块；针对所述可见光图像的每个第二块，对该第二块进行特征提取，以获得该第二块的第二图像特征；
针对每个待处理红外图像，将该图像对应的多个第一图像特征以及多个第二图像特征作为该图像的特征数据，以获得该图像的特征数据与标记所构成的数据对；
利用获得的多个数据对，获得红外图像识别模型；
每个待处理红外图像及其对应的可见光图像通过如下方式获得：利用具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应，该超高斯光束作为泵浦光，以使得泵浦光对信号光的频谱进行强度调制，激发出位于可见光波段的上转换光场；其中，信号光携带有目标图像信息，信号光频谱是对位于红外波段且携带目标信息的光束进行空间傅里叶变换后得到的傅里叶光场；在发生所述和频效应前获得所述信号光对所述目标图像所成的红外图像，作为待处理红外图像；在发生所述和频效应后，对所述上转换光场进行傅里叶逆变换，以获得对应的可见光图像；
所述利用获得的多个数据对获得红外图像识别模型的步骤包括：
针对每一个数据对，根据该数据对的特征数据对应的特征信息来构建概率分布，从该概率分布中采样得到隐变量，以生成目标类别信息；对预定损失函数进行迭代优化，以使所述损失函数尽量小，利用得到的损失函数构建红外图像识别模型。
2.根据权利要求1所述的红外图像处理方法，其特征在于，所述具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应时，所述信号光频谱的中心处频谱被滤除，所述中心处频谱对应所述待处理红外图像的噪声部分。
3.一种红外图像处理装置，其特征在于，所述红外图像处理装置包括：
接收单元，适于接收带标记的多个待处理红外图像；
第一特征提取单元，适于针对每个待处理红外图像，对所述待处理红外图像进行分块，获得该待处理红外图像的多个第一块；针对所述待处理红外图像的每个第一块，对该第一块进行特征提取，以获得该第一块的第一图像特征；
图像生成单元，适于对所述多个待处理红外图像分别进行二次成像，以获得各图像对应的可见光图像；
第二特征提取单元，适于针对每个可见光图像，对所述可见光图像进行分块，获得所述可见光图像的多个第二块；针对所述可见光图像的每个第二块，对该第二块进行特征提取，以获得该第二块的第二图像特征；
处理单元，适于针对每个待处理红外图像，将该图像对应的多个第一图像特征以及多个第二图像特征作为该图像的特征数据，以获得该图像的特征数据与标记所构成的数据对；
获得单元，适于利用获得的多个数据对，获得红外图像识别模型；
所述图像生成单元适于：利用具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应，该超高斯光束作为泵浦光，以使得泵浦光对信号光的频谱进行强度调制，激发出位于可见光波段的上转换光场；其中，信号光携带有目标图像信息，信号光频谱是对位于红外波段且携带目标信息的光束进行空间傅里叶变换后得到的傅里叶光场；在发生所述和频效应前获得所述信号光对所述目标图像所成的红外图像，作为待处理红外图像；在发生所述和频效应后，对所述上转换光场进行傅里叶逆变换，以获得对应的可见光图像；
所述获得单元适于：针对每一个数据对，根据该数据对的特征数据对应的特征信息来构建概率分布，从该概率分布中采样得到隐变量，以生成目标类别信息；对预定损失函数进行迭代优化，以使所述损失函数尽量小，利用得到的损失函数构建红外图像识别模型。
4.根据权利要求3所述的红外图像处理装置，其特征在于，所述图像生成单元适于：具有中心空洞的超高斯光束与信号光频谱在非线性晶体中发生和频效应时，滤除所述信号光频谱的中心处频谱，所述中心处频谱对应所述待处理红外图像的噪声部分。
CN202211619074.4A 2022-12-13 2022-12-13 一种红外图像处理方法及装置 Active CN116071369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211619074.4A CN116071369B (zh) 2022-12-13 2022-12-13 一种红外图像处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211619074.4A CN116071369B (zh) 2022-12-13 2022-12-13 一种红外图像处理方法及装置

Publications (2)

Publication Number Publication Date
CN116071369A CN116071369A (zh) 2023-05-05
CN116071369B true CN116071369B (zh) 2023-07-14

Family

ID=86170808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211619074.4A Active CN116071369B (zh) 2022-12-13 2022-12-13 一种红外图像处理方法及装置

Country Status (1)

Country Link
CN (1) CN116071369B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584193A (zh) * 2018-10-24 2019-04-05 航天时代飞鸿技术有限公司 一种基于目标预提取的无人机红外与可见光图像融合方法
CN110086073A (zh) * 2019-04-19 2019-08-02 中国科学院上海光学精密机械研究所 光谱整形的频域光参量啁啾脉冲放大装置
CN111650800A (zh) * 2020-05-13 2020-09-11 哈尔滨理工大学 布里渊信号空间频谱调控滤噪方法和装置
CN112132753A (zh) * 2020-11-06 2020-12-25 湖南大学 多尺度结构引导图像的红外图像超分辨率方法及系统
WO2021115419A1 (zh) * 2019-12-12 2021-06-17 Oppo广东移动通信有限公司 图像处理方法、终端及存储介质
CN113761995A (zh) * 2020-08-13 2021-12-07 四川大学 一种基于双变换对齐与分块的跨模态行人重识别方法
CN114266937A (zh) * 2021-12-20 2022-04-01 北京百度网讯科技有限公司 模型训练、图像处理方法，装置，设备以及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584193A (zh) * 2018-10-24 2019-04-05 航天时代飞鸿技术有限公司 一种基于目标预提取的无人机红外与可见光图像融合方法
CN110086073A (zh) * 2019-04-19 2019-08-02 中国科学院上海光学精密机械研究所 光谱整形的频域光参量啁啾脉冲放大装置
WO2021115419A1 (zh) * 2019-12-12 2021-06-17 Oppo广东移动通信有限公司 图像处理方法、终端及存储介质
CN111650800A (zh) * 2020-05-13 2020-09-11 哈尔滨理工大学 布里渊信号空间频谱调控滤噪方法和装置
CN113761995A (zh) * 2020-08-13 2021-12-07 四川大学 一种基于双变换对齐与分块的跨模态行人重识别方法
CN112132753A (zh) * 2020-11-06 2020-12-25 湖南大学 多尺度结构引导图像的红外图像超分辨率方法及系统
CN114266937A (zh) * 2021-12-20 2022-04-01 北京百度网讯科技有限公司 模型训练、图像处理方法，装置，设备以及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Parametric upconversion of Ince–Gaussian modes;Hao-Ran Yang等;《Optics Letters》;第45卷(第11期);第3034-3037页 *
一种实用的红外图像模拟生成方法;桑农等;《华中科技大学学报(自然科学版)》;第33卷(第05期);第55-57页 *
基于侧窗滤波与分块贝塞尔插值的图像融合;钱进等;《长春理工大学学报(自然科学版)》;第43卷(第03期);第7-12页 *

Also Published As

Publication number Publication date
CN116071369A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN113095438B (zh) 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质
CN103093215B (zh) 人眼定位方法及装置
Horé et al. Is there a relationship between peak‐signal‐to‐noise ratio and structural similarity index measure?
CN111899246B (zh) 玻片数字化信息质量检测方法、装置、设备及介质
Song et al. Micro surface defect detection method for silicon steel strip based on saliency convex active contour model
CN110210503B (zh) 一种印章识别方法和装置以及设备
Thai et al. Camera model identification based on DCT coefficient statistics
CN114241505A (zh) 化学结构图像的提取方法、装置、存储介质及电子设备
JP2014174803A (ja) パターン認識のためのモアレ除去方法およびこの方法を用いたモアレ除去装置ならびにプログラム
Kansal et al. New adaptive histogram equalisation heuristic approach for contrast enhancement
CN115273123A (zh) 一种票据识别方法、装置、设备及计算机存储介质
CN116071369B (zh) 一种红外图像处理方法及装置
CN112949456B (zh) 视频特征提取模型训练、视频特征提取方法和装置
CN112232390B (zh) 一种高像素大图像的识别方法和系统
Mundhenk et al. Deep learning for evaluating difficult-to-detect incomplete repairs of high fluence laser optics at the National Ignition Facility
CN116259067B (zh) 一种高精度识别pid图纸符号的方法
CN111612021B (zh) 一种错误样本识别方法、装置及终端
Mansourifar et al. GAN-based object removal in high-resolution satellite images
CN112560925A (zh) 一种复杂场景目标检测数据集构建方法及系统
You et al. Tampering detection and localization base on sample guidance and individual camera device convolutional neural network features
US7532756B2 (en) Grayscale character dictionary generation apparatus
CN114779031B (zh) 一种数字化电力设备紫外成像放电异常检测方法及系统
CN117079005A (zh) 一种光缆故障监测方法、系统、装置及可读存储介质
Arif et al. AI bot to detect fake COVID‐19 vaccine certificate
Bhateja et al. OGIF: a novel optimized guided image filter for image enhancement

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