CN117218048B - 基于三层稀疏光滑模型的红外与可见光图像融合方法 - Google Patents
基于三层稀疏光滑模型的红外与可见光图像融合方法 Download PDFInfo
- Publication number
- CN117218048B CN117218048B CN202311466048.7A CN202311466048A CN117218048B CN 117218048 B CN117218048 B CN 117218048B CN 202311466048 A CN202311466048 A CN 202311466048A CN 117218048 B CN117218048 B CN 117218048B
- Authority
- CN
- China
- Prior art keywords
- infrared
- visible light
- image
- layer
- texture
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Processing (AREA)
Abstract
本发明提出一种基于三层稀疏光滑模型的红外与可见光图像融合方法，包括：S1、提取红外图像与可见光图像的曲率先验信息；S2、构建第一层红外与可见光稀疏光滑模型，得到第一层红外、可见光结构图像和纹理图像；S3、构建第二层红外与可见光稀疏光滑模型，得到第二层红外、可见光结构图像和纹理图像；S4、构建第三层红外与可见光稀疏光滑模型，得到第三层红外、可见光结构图像和纹理图像；S5、加权融合生成多尺度融合的高频混合纹理特征；S6、生成最终的红外与可见光融合图像。本发明在融合图像中可以同时包含红外和可见光重要的特征，使融合图像包含多源多尺度的信息，为后续的分析应用提供有效支撑。
Description
技术领域
本发明属于图像处理技术领域，特别是涉及到一种红外与可见光图像融合方法。
背景技术
图像是人类记录、感知世界的一种重要手段方式，可以直观的表现出当时事物的状态及相应的运行规律。可见光图像摄影在生活、工业、农业各个领域中都有着广泛的应用，通过记录当时的事物状态，进而可以来使用图像进行分析应用。但是，在一些黑暗、雾霾、沙尘等可视程度差的情况下，可见光传感器便无法有效获取到环境的有效信息。针对该种情况，红外传感器可以弥补这种缺点，红外传感器依赖物体辐射的热量进行成像，无视黑夜、雾霾、沙尘的阻碍，依然可以正常成像。那么，红外和可见光图像都有着突出的优势，对二者进行信息融合，实时获取异源传感器的融合信息便成了比较热门的研究方向，如何使融合图像中包含更多的异源信息便是其中一个非常重要的探索。
目前的红外与图像融合方法可以主要分为以下几类：多尺度变换方法、稀疏优化的方法。基于多尺度变换的方法，一般将源图像按照某种规则按照不同的参数分解成一系列尺度来表示，然后来制定特定的融合规则来完成融合图像的生成。由于多尺度的概念，这种方法可以提取一系列重要的不同尺度下的纹理特征，可以得到较优秀的融合结果。但是，其没有有效考虑红外和可将光图像本身上在空域上的特征表达，会在融合图像中缺失一部分重要的纹理信息。稀疏优化的方法利用较好的保边能力，可以得到一个结构保持良好的结构图像，从而在融合图像中不会损失边界。但是，其只存在一种尺度，会丧失细小的纹理信息。
发明内容
本发明提出一种基于三层稀疏光滑模型的红外与可见光图像融合方法，在融合图像中可以同时包含红外和可见光重要的特征，使融合图像包含多源多尺度的信息，为后续的分析应用提供有效支撑。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于三层稀疏光滑模型的红外与可见光图像融合方法，包括：
S1、提取红外图像与可见光图像的曲率先验信息；
S2、基于红外图像与可见光图像，以及所述曲率先验信息，构建第一层红外与可见光稀疏光滑模型，得到第一层红外、可见光结构图像和第一层红外、可见光纹理图像；
S3、使用第一层红外、可见光结构图像构建第二层红外与可见光稀疏光滑模型，得到第二层红外、可见光结构图像和第二层红外、可见光纹理图像；
S4、使用第二层红外、可见光结构图像构建第三层红外与可见光稀疏光滑模型，得到第三层红外、可见光结构图像和第三层红外、可见光纹理图像；
S5、分别对第一、二、三层红外、可见光纹理图像进行加权融合，生成多尺度融合的高频混合纹理特征；
S6、生成最终的红外与可见光融合图像。
进一步的，步骤S1中，设输入的红外图像、可见光图像分别为imgIr、imgVis，提取曲率先验信息分别为：
；
；
其中，CurIr为红外图像的曲率先验信息；CurVis为可见光图像的曲率先验信息；是梯度计算函数，计算的结果为一个包含x方向和y方向的差值的两个元素的向量；分别为红外图像、可见光图像的梯度向量。/>为欧几里得范数，/>分别为红外、可见光的梯度向量的欧几里得范数。
更进一步的，步骤S2中，第一层红外与可见光稀疏光滑模型表示为：
；
；
其中，StuIr1、StuVis1分别为第一层红外、可见光结构图像，为均值为0、方差为1的高斯函数，/>为正则项系数；
在获取得到第一层红外、可见光结构图像后，通过下式得到第一层红外、可见光纹理图像：
；
；
其中，TexIr1为第一层红外纹理图像，TexVis1为第一层可见光纹理图像。
更进一步的，步骤S3中，第二层红外与可见光稀疏光滑模型表示为：
；
；
其中，StuIr2、StuVis2分别为第二层红外、可见光结构图像；
在获取得到第二层红外、可见光结构图像后，通过下式得到第二层红外、可见光纹理图像：
；
；
其中TexIr2为第二层红外纹理图像，TexVis2为第二层可见光纹理图像。
更进一步的，步骤S4中，第三层红外与可见光稀疏光滑模型表示为：
；
；
其中，StuIr3、StuVis3分别为第三层红外、可见光结构图像；
在获取得到第三层红外、可见光结构图像后，通过下式得到第三层红外、可见光纹理图像：
；
；
其中TexIr3为第三层红外纹理图像，TexVis3为第三层可见光纹理图像。
更进一步的，步骤S5中：
；
其中，TexMix代表多尺度融合的高频混合纹理特征；exp()代表以自然常数e为底的指数函数。
更进一步的，步骤S6中，通过建立融合模型生成红外与可见光融合图像；所述融合模型为：
；
其中ImgMix代表红外与可见光融合图像。
本发明另一方面还提出了一种基于三层稀疏光滑模型的红外与可见光图像融合系统，包括：
曲率先验信息模块：提取红外图像与可见光图像的曲率先验信息；
第一层模型模块：基于红外图像与可见光图像，以及所述曲率先验信息，构建第一层红外与可见光稀疏光滑模型，得到第一层红外、可见光结构图像和第一层红外、可见光纹理图像；
第二层模型模块：使用第一层红外、可见光结构图像构建第二层红外与可见光稀疏光滑模型，得到第二层红外、可见光结构图像和第二层红外、可见光纹理图像；
第三层模型模块：使用第二层红外、可见光结构图像构建第三层红外与可见光稀疏光滑模型，得到第三层红外、可见光结构图像和第三层红外、可见光纹理图像；
加权融合模块：分别对第一、二、三层红外、可见光纹理图像进行加权融合，生成多尺度融合的高频混合纹理特征；
图像融合模块：生成最终的红外与可见光融合图像。
与现有技术相比，本发明具有如下的有益效果：
本发明提出的基于曲率先验信息先验的三层稀疏光滑模型的红外与可见光图像融合方法，结合了多尺度信息和稀疏光滑模型的优点，同时引入了空域的曲率先验信息对结构信息和纹理信息的提取进行指导，可以充分考虑到重要的边界信息和不同层级的纹理信息，得到信息丰富的融合图像；在融合图像中同时包含红外和可见光重要的特征，使融合图像包含多源多尺度的信息，为后续的分析应用提供有效支撑。
附图说明
图1是本发明实施例的流程示意图。
图2是本发明实施例的红外与可见光图像融合效果图；
图2中（a）是原始可见光图像，（b）是原始红外图像，（c）是可见光图像曲率先验信息，（d）是红外图像曲率先验信息，（e）是红外与可见光融合图像。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
为使本发明专利的目的、特征更明显易懂，下面结合附图对本发明专利的具体实施方式作进一步的说明。
本发明提出基于曲率先验信息先验的三层稀疏光滑模型的红外与可见光图像融合方法，以使用MATLAB R2017b实现本方法为例，如图1所示，包括以下步骤：
步骤（1）、提取红外图像与可见光图像的曲率先验信息。假设输入的红外图像、可见光图像分别为imgIr、imgVis，从它们中分别提取得到的相应的曲率先验信息可以分别为：
(1)；
(2)；
其中，是梯度计算函数，计算的结果为一个包含x方向和y方向的差值的两个元素的向量。/>便分别为红外图像、可见光图像的梯度向量。为欧几里得范数，相应的/>为红外、可见光的梯度向量的欧几里得范数。
具体实现过程：
在MATLAB R2017b软件中，使用imread函数分别读取输入的红外图像、可见光图像分别为imgIr、imgVis。
计算输入的红外、可见光图像相应的曲率先验信息，编写一个计算曲率的函数，然后输入红外、可见光图像，然后便可以输出曲率先验信息。
曲率计算函数如下所示：cur=computeCur(img)，输入为图像，输出为该图像的曲率先验信息。计算梯度信息gradx=ForwardDiffx(img);grady=ForwardDiffx(img)；计算欧几里得范数，L2Norm=sqrt(gradx.^2+grady.^2)；计算曲率，cur=(gradx,grady)./L2Norm。
利用曲率计算函数computeCur，分别红外、可见光图像相应的曲率先验信息，CurIr=computeCur(imgIr)，imgVis=computeCur(imgVis)。
步骤（2）、构建第一层红外与可见光稀疏光滑模型，分别输入原始红外、可见光图像和相对应的曲率先验信息，得到相应的第一层红外、可见光结构图像和第一层红外、可见光纹理图像。第一层红外、可见光稀疏光滑模型分别如下所示：
(3)；
(4)；
其中，StuIr1、StuVis1分别为第一层红外、可见光结构图像，为均值为0、方差为1的高斯函数，/>为正则项系数；
对于式(3)、式(4)最小化模型的求解，可以简单的使用变量分割技术、交替方向乘子法快速求解出StuIr1、StuVis1。在该第一层红外与可见光稀疏光滑模型中，正则项系数都取同样的值。
在获取得到第一层红外、可见光结构图像后，可以通过下式快速得到第一层红外、可见光纹理图像：
(5)；
(6)；
其中，TexIr1为第一层红外纹理图像，TexVis1为第一层可见光纹理图像。
具体实现过程：在MATLAB R2017b软件中，构建一个通用的基于曲率的稀疏模型求解函数curSparseModel，structure=curSparseModel(img,cur,alpha)。输入分别为：输入图像img，输入图像相应的曲率信息cur，正则项系数alpha。具体的模型如下所示：
；
使用变量分割技术、交替方向乘子法可以对上式快速求解，从而得到函数的输出structure。
利用稀疏模型求解函数curSparseModel计算第一层红外、可见光结构图像，StuIr1=curSparseModel(imgIr,CurIr,10)，StuVis1=curSparseModel(imgVis,CurVis,10)。求得第一层红外、可见光纹理图像，TexIr1=imgIr-StuIr1，TexVis1=imgVis-StuVis1。
步骤（3）、使用第一层红外、可见光结构图像构建第二层红外与可见光稀疏光滑模型，得到相应的第二层红外、可见光结构图像和第二层红外纹、可见光纹理图像。模型如下所示：
(7)；
(8)；
此时，模型(7)、(8)中的正则项系数取。StuIr2、StuVis2分别为第二层红外、可见光结构图像；它们的求解采用步骤（2）中同样的方法。通过下式快速得到第二层红外、可见光纹理图像：
(9)；
( 10)；
其中，TexIr2为第二层红外纹理图像，TexVis2为第二层可见光纹理图像。
具体实现过程：在MATLAB R2017b软件中，利用稀疏模型求解函数curSparseModel计算第二层红外、可见光结构图像，StuIr2=curSparseModel(StuIr1,CurIr,1)，StuVis2=curSparseModel(StuVis1,CurVis,1)。
求得第二层红外、可见光纹理图像：
TexIr2=StuIr1-StuIr2，TexVis1StuVis1-StuVis2。
步骤（4）、使用第二层红外结构图像和第二层可见光结构图像构建第三层红外与可见光稀疏光滑模型，得到相应的第三层红外、可见光结构图像和第三层红外、可见光纹理图像；模型如下所示：
(11)；
(12)；
此时，模型(11)、(12)中的正则项系数取。StuIr3、StuVis3分别为第三层红外、可见光结构图像；它们的求解采用步骤（2）中同样的方法。通过下式快速得到第三层红外、可见光纹理图像：
(13)；
(14)；
其中，TexIr3为第三层红外纹理图像，TexVis3为第三层可见光纹理图像。
具体实现过程：在MATLAB R2017b软件中，利用稀疏模型求解函数curSparseModel计算第三层红外、可见光结构图像，StuIr3=curSparseModel(StuIr2,CurIr,0.1)，StuVis3=curSparseModel(StuVis2,CurVis,0.1)。
求得第三层红外、可见光纹理图像：
TexIr3= StuIr3-StuIr2，TexVis3= StuVis3-StuVis2。
步骤（5）、分别对第一、二、三层红外纹理图像与可见光纹理图像进行加权融合，生成多尺度融合的高频混合纹理特征；
(15)；
其中，TexMix代表多尺度融合的高频混合纹理特征；exp()代表以自然常数e为底 的指数函数。
具体实现过程：在MATLAB R2017b软件中，建立公式（15）并计算。
步骤（6）、生成最终的红外与可见光融合图像。具体建立的融合模型如下所示：
(16)；
其中ImgMix代表红外与可见光融合图像。
具体实现过程：在MATLAB R2017b软件中，建立公式（16）并计算得到融合图像。
如图2所示为使用本发明实施例实现的红外与可见光图像融合效果。其中，（a）表示的原始可见光图像和（b）表示的原始红外图像，根据本发明的步骤（1）提取到可见光图像的曲率先验信息（c）和红外图像的曲率先验信息（d）；然后根据本发明的方法步骤（2）-（6）建立三层稀疏光滑模型进行图像融合，得到红外与可见光融合图像（e）；融合图像中同时包含了红外和可见光重要的特征，融合效果比较优秀。
本发明已经过严格的测试和验证，通过本方法进行的一种基于曲率信息先验的三层稀疏光滑模型的红外与可见光图像融合方法，可以有效对红外和可见光图像进行高信息量的信息融合，并且具有非常好的适用性、有效性、稳定性和扩展性，所述功能都全部实现，具有适用性、有效性、稳定性和扩展性的特点。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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)
1.一种基于三层稀疏光滑模型的红外与可见光图像融合方法，其特征在于，包括：
S1、提取红外图像与可见光图像的曲率先验信息；
S2、基于红外图像与可见光图像，以及所述曲率先验信息，构建第一层红外与可见光稀疏光滑模型，得到第一层红外、可见光结构图像和第一层红外、可见光纹理图像；
S3、使用第一层红外、可见光结构图像构建第二层红外与可见光稀疏光滑模型，得到第二层红外、可见光结构图像和第二层红外、可见光纹理图像；
S4、使用第二层红外、可见光结构图像构建第三层红外与可见光稀疏光滑模型，得到第三层红外、可见光结构图像和第三层红外、可见光纹理图像；
S5、分别对第一、二、三层红外、可见光纹理图像进行加权融合，生成多尺度融合的高频混合纹理特征；
S6、生成最终的红外与可见光融合图像；
步骤S1中，设输入的红外图像、可见光图像分别为imgIr、imgVis，提取曲率先验信息分别为：
；
；
其中，CurIr为红外图像的曲率先验信息；CurVis为可见光图像的曲率先验信息；是梯度计算函数，计算的结果为一个包含x方向和y方向的差值的两个元素的向量；分别为红外图像、可见光图像的梯度向量；/>为欧几里得范数，/>分别为红外、可见光的梯度向量的欧几里得范数；
步骤S2中，第一层红外与可见光稀疏光滑模型表示为：
；
；
其中，StuIr1、StuVis1分别为第一层红外、可见光结构图像，为均值为0、方差为1的高斯函数，/>为正则项系数；
在获取得到第一层红外、可见光结构图像后，通过下式得到第一层红外、可见光纹理图像：
；
；
其中，TexIr1为第一层红外纹理图像，TexVis1为第一层可见光纹理图像；
步骤S3中，第二层红外与可见光稀疏光滑模型表示为：
；
；
其中，StuIr2、StuVis2分别为第二层红外、可见光结构图像；
在获取得到第二层红外、可见光结构图像后，通过下式得到第二层红外、可见光纹理图像：
；
；
其中TexIr2为第二层红外纹理图像，TexVis2为第二层可见光纹理图像；
步骤S4中，第三层红外与可见光稀疏光滑模型表示为：
；
；
其中，StuIr3、StuVis3分别为第三层红外、可见光结构图像；
在获取得到第三层红外、可见光结构图像后，通过下式得到第三层红外、可见光纹理图像：
；
；
其中TexIr3为第三层红外纹理图像，TexVis3为第三层可见光纹理图像；
步骤S5中：
；
其中，TexMix代表多尺度融合的高频混合纹理特征；exp()代表以自然常数e为底的指数函数；
步骤S6中，通过建立融合模型生成红外与可见光融合图像；所述融合模型为：
；
其中ImgMix代表红外与可见光融合图像。
2.一种基于三层稀疏光滑模型的红外与可见光图像融合系统，其特征在于，包括：
曲率先验信息模块：提取红外图像与可见光图像的曲率先验信息；设输入的红外图像、可见光图像分别为imgIr、imgVis，提取曲率先验信息分别为：
；
；
其中，CurIr为红外图像的曲率先验信息；CurVis为可见光图像的曲率先验信息；是梯度计算函数，计算的结果为一个包含x方向和y方向的差值的两个元素的向量；分别为红外图像、可见光图像的梯度向量；/>为欧几里得范数，/>分别为红外、可见光的梯度向量的欧几里得范数；
第一层模型模块：基于红外图像与可见光图像，以及所述曲率先验信息，构建第一层红外与可见光稀疏光滑模型，得到第一层红外、可见光结构图像和第一层红外、可见光纹理图像；第一层红外与可见光稀疏光滑模型表示为：
；
；
其中，StuIr1、StuVis1分别为第一层红外、可见光结构图像，为均值为0、方差为1的高斯函数，/>为正则项系数；
在获取得到第一层红外、可见光结构图像后，通过下式得到第一层红外、可见光纹理图像：
；
；
其中，TexIr1为第一层红外纹理图像，TexVis1为第一层可见光纹理图像；
第二层模型模块：使用第一层红外、可见光结构图像构建第二层红外与可见光稀疏光滑模型，得到第二层红外、可见光结构图像和第二层红外、可见光纹理图像；第二层红外与可见光稀疏光滑模型表示为：
；
；
其中，StuIr2、StuVis2分别为第二层红外、可见光结构图像；
在获取得到第二层红外、可见光结构图像后，通过下式得到第二层红外、可见光纹理图像：
；
；
其中TexIr2为第二层红外纹理图像，TexVis2为第二层可见光纹理图像；
第三层模型模块：使用第二层红外、可见光结构图像构建第三层红外与可见光稀疏光滑模型，得到第三层红外、可见光结构图像和第三层红外、可见光纹理图像；第三层红外与可见光稀疏光滑模型表示为：
；
；
其中，StuIr3、StuVis3分别为第三层红外、可见光结构图像；
在获取得到第三层红外、可见光结构图像后，通过下式得到第三层红外、可见光纹理图像：
；
；
其中TexIr3为第三层红外纹理图像，TexVis3为第三层可见光纹理图像；
加权融合模块：分别对第一、二、三层红外、可见光纹理图像进行加权融合，生成多尺度融合的高频混合纹理特征；
；
其中，TexMix代表多尺度融合的高频混合纹理特征；exp()代表以自然常数e为底的指数函数；
图像融合模块：生成最终的红外与可见光融合图像；通过建立融合模型生成红外与可见光融合图像；所述融合模型为：
；
其中ImgMix代表红外与可见光融合图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311466048.7A CN117218048B (zh) | 2023-11-07 | 2023-11-07 | 基于三层稀疏光滑模型的红外与可见光图像融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311466048.7A CN117218048B (zh) | 2023-11-07 | 2023-11-07 | 基于三层稀疏光滑模型的红外与可见光图像融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117218048A CN117218048A (zh) | 2023-12-12 |
| CN117218048B true CN117218048B (zh) | 2024-03-08 |
Family
ID=89044698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311466048.7A Active CN117218048B (zh) | 2023-11-07 | 2023-11-07 | 基于三层稀疏光滑模型的红外与可见光图像融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218048B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104021537A (zh) * | 2014-06-23 | 2014-09-03 | 西北工业大学 | 一种基于稀疏表示的红外与可见光图像融合方法 |
| CN104809714A (zh) * | 2015-04-29 | 2015-07-29 | 华东交通大学 | 基于多形态稀疏表示的图像融合方法 |
| CN105976346A (zh) * | 2016-04-28 | 2016-09-28 | 电子科技大学 | 基于鲁棒主成分稀疏分解的红外与可见光图像融合方法 |
| CN107341786A (zh) * | 2017-06-20 | 2017-11-10 | 西北工业大学 | 小波变换与联合稀疏表示的红外与可见光图像融合方法 |
| CN109447933A (zh) * | 2018-11-14 | 2019-03-08 | 西北工业大学 | 基于特有信息同步分解的红外与可见光图像融合方法 |
| CN109886908A (zh) * | 2019-02-14 | 2019-06-14 | 西安理工大学 | 红外图像与可见光图像融合方法 |
| CN110349117A (zh) * | 2019-06-28 | 2019-10-18 | 重庆工商大学 | 一种红外图像与可见光图像融合方法、装置及存储介质 |
| CN111080566A (zh) * | 2019-12-12 | 2020-04-28 | 太原科技大学 | 一种基于结构组双稀疏学习的可见光与红外图像融合方法 |
| CN111652243A (zh) * | 2020-04-26 | 2020-09-11 | 中国人民解放军火箭军工程大学 | 基于显著性融合的红外与可见光图像融合方法 |
| CN112651469A (zh) * | 2021-01-22 | 2021-04-13 | 西安培华学院 | 一种红外与可见光图像融合方法及系统 |
| WO2021120408A1 (zh) * | 2019-12-17 | 2021-06-24 | 大连理工大学 | 一种基于双层优化的红外和可见光融合方法 |
| CN113222877A (zh) * | 2021-06-03 | 2021-08-06 | 北京理工大学 | 红外和可见光图像融合方法及其在机载光电视频中的应用 |
| CN113298836A (zh) * | 2021-06-29 | 2021-08-24 | 天津市测绘院有限公司 | 一种顾及要素轮廓强度的遥感图像薄云去除方法及系统 |
| CN114066786A (zh) * | 2020-08-03 | 2022-02-18 | 四川大学 | 一种基于稀疏和滤波器的红外和可见光图像融合方法 |
| CN115115556A (zh) * | 2022-06-15 | 2022-09-27 | 佛山科学技术学院 | 一种基于域变换滤波器与稀疏表示的图像融合方法及系统 |
| CN116342443A (zh) * | 2023-02-15 | 2023-06-27 | 中南大学 | 一种近红外与可见光图像融合方法及系统 |
| CN116823694A (zh) * | 2023-08-31 | 2023-09-29 | 佛山科学技术学院 | 基于多聚焦信息整合的红外与可见光图像融合方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062905B (zh) * | 2019-12-17 | 2022-01-04 | 大连理工大学 | 一种基于显著图增强的红外和可见光融合方法 |
-
2023
- 2023-11-07 CN CN202311466048.7A patent/CN117218048B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104021537A (zh) * | 2014-06-23 | 2014-09-03 | 西北工业大学 | 一种基于稀疏表示的红外与可见光图像融合方法 |
| CN104809714A (zh) * | 2015-04-29 | 2015-07-29 | 华东交通大学 | 基于多形态稀疏表示的图像融合方法 |
| CN105976346A (zh) * | 2016-04-28 | 2016-09-28 | 电子科技大学 | 基于鲁棒主成分稀疏分解的红外与可见光图像融合方法 |
| CN107341786A (zh) * | 2017-06-20 | 2017-11-10 | 西北工业大学 | 小波变换与联合稀疏表示的红外与可见光图像融合方法 |
| CN109447933A (zh) * | 2018-11-14 | 2019-03-08 | 西北工业大学 | 基于特有信息同步分解的红外与可见光图像融合方法 |
| CN109886908A (zh) * | 2019-02-14 | 2019-06-14 | 西安理工大学 | 红外图像与可见光图像融合方法 |
| CN110349117A (zh) * | 2019-06-28 | 2019-10-18 | 重庆工商大学 | 一种红外图像与可见光图像融合方法、装置及存储介质 |
| CN111080566A (zh) * | 2019-12-12 | 2020-04-28 | 太原科技大学 | 一种基于结构组双稀疏学习的可见光与红外图像融合方法 |
| WO2021120408A1 (zh) * | 2019-12-17 | 2021-06-24 | 大连理工大学 | 一种基于双层优化的红外和可见光融合方法 |
| CN111652243A (zh) * | 2020-04-26 | 2020-09-11 | 中国人民解放军火箭军工程大学 | 基于显著性融合的红外与可见光图像融合方法 |
| CN114066786A (zh) * | 2020-08-03 | 2022-02-18 | 四川大学 | 一种基于稀疏和滤波器的红外和可见光图像融合方法 |
| CN112651469A (zh) * | 2021-01-22 | 2021-04-13 | 西安培华学院 | 一种红外与可见光图像融合方法及系统 |
| CN113222877A (zh) * | 2021-06-03 | 2021-08-06 | 北京理工大学 | 红外和可见光图像融合方法及其在机载光电视频中的应用 |
| CN113298836A (zh) * | 2021-06-29 | 2021-08-24 | 天津市测绘院有限公司 | 一种顾及要素轮廓强度的遥感图像薄云去除方法及系统 |
| CN115115556A (zh) * | 2022-06-15 | 2022-09-27 | 佛山科学技术学院 | 一种基于域变换滤波器与稀疏表示的图像融合方法及系统 |
| CN116342443A (zh) * | 2023-02-15 | 2023-06-27 | 中南大学 | 一种近红外与可见光图像融合方法及系统 |
| CN116823694A (zh) * | 2023-08-31 | 2023-09-29 | 佛山科学技术学院 | 基于多聚焦信息整合的红外与可见光图像融合方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| A general framework for image fusion based on multi-scale transform and sparse representation;Yu Liu 等;《Information Fusion》;全文 * |
| Infrared and visible image fusion method based on sparse features;Wenshan Ding 等;《Infrared Physics and Technology》;全文 * |
| Infrared and visible image fusion methods and applications: A survey;Jiayi Ma 等;《Information Fusion》;全文 * |
| 基于变分多尺度的红外与可见光图像融合;冯鑫 等;《电子学报》;第46卷(第3期);全文 * |
| 基于多尺度分解红外和可见光图像融合算法研究;王贤涛;《中国优秀硕士学位论文全文数据库 信息科技辑》(第4期);全文 * |
| 多源图像光照及边缘融合的显著性检测;宁钰豪 等;《激光与光电子学进展研》;第58卷(第16期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117218048A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169421B (zh) | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 | |
| Zhu et al. | A fast single image haze removal algorithm using color attenuation prior | |
| CN112801169B (zh) | 一种基于改进yolo算法的伪装目标检测方法、系统、装置及存储介质 | |
| Kang et al. | Deep learning-based weather image recognition | |
| CN111241989A (zh) | 图像识别方法及装置、电子设备 | |
| CN110490915B (zh) | 一种基于卷积受限玻尔兹曼机的点云配准方法 | |
| CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及系统 | |
| CN111368829B (zh) | 一种基于rgb-d图像的视觉语义关系检测方法 | |
| Qi et al. | Glass makes blurs: Learning the visual blurriness for glass surface detection | |
| Huang et al. | Segmentation of cervical cell images based on generative adversarial networks | |
| CN115908995A (zh) | 数字仪表读数的识别方法、装置、电子设备及存储介质 | |
| Sun et al. | Adaptive image dehazing and object tracking in UAV videos based on the template updating Siamese network | |
| CN112132753B (zh) | 多尺度结构引导图像的红外图像超分辨率方法及系统 | |
| CN114155165A (zh) | 一种基于半监督的图像去雾方法 | |
| CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
| CN117218048B (zh) | 基于三层稀疏光滑模型的红外与可见光图像融合方法 | |
| CN112348001A (zh) | 表情识别模型的训练方法、识别方法、装置、设备及介质 | |
| CN117237547A (zh) | 图像重建方法、重建模型的处理方法和装置 | |
| Akizuki et al. | ASM-Net: Category-level Pose and Shape Estimation Using Parametric Deformation. | |
| CN112419249B (zh) | 一种特殊服饰图片转化方法、终端设备及存储介质 | |
| CN114332754A (zh) | 基于多度量检测器的Cascade R-CNN行人检测方法 | |
| Liu et al. | Tiny electronic component detection based on deep learning | |
| Li et al. | Fast matching method of UAV aerial photography enhanced low illumination image | |
| Ai et al. | Improve SegNet with feature pyramid for road scene parsing | |
| Zhu et al. | A moving infrared small target detection method based on optical flow-guided neural networks |
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 |