CN117830125A - 一种快速多聚焦融合算法 - Google Patents

一种快速多聚焦融合算法 Download PDF

Info

Publication number
CN117830125A
CN117830125A CN202410238725.8A CN202410238725A CN117830125A CN 117830125 A CN117830125 A CN 117830125A CN 202410238725 A CN202410238725 A CN 202410238725A CN 117830125 A CN117830125 A CN 117830125A
Authority
CN
China
Prior art keywords
image
images
aligned
bands
focus
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.)
Granted
Application number
CN202410238725.8A
Other languages
English (en)
Other versions
CN117830125B (zh
Inventor
何俊霖
陶郅
王力维
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.)
Xiamen Weitu Software Technology Co ltd
Original Assignee
Xiamen Weitu Software Technology Co ltd
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 Xiamen Weitu Software Technology Co ltd filed Critical Xiamen Weitu Software Technology Co ltd
Priority to CN202410238725.8A priority Critical patent/CN117830125B/zh
Publication of CN117830125A publication Critical patent/CN117830125A/zh
Application granted granted Critical
Publication of CN117830125B publication Critical patent/CN117830125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种快速多聚焦融合算法，包括以下步骤：S1利用归一化互相关系数(NCC)对输入图像进行平移对齐；S2分别对对齐后的输入图像及其平移图像进行1尺度平稳小波变换，从而能够更快速地提取图像的低频和高频信息，在保存平移不变性的同时降低了信息冗余度；S3高频特征提取：通过合并对齐后的输入图像和平移图像的所有高频子波段，创建单一特征图；S4利用均值滤波器对合并后的高频子波段进行去噪；S5构造一个两级标签决策图，每级标签决策图分别分析每幅图像的整体特征和逐像素细节特征，以更好地进行图像融合；S6融合图像，简化逻辑运算阶。本发明通过对变换、决策图和逻辑运算的这三种创新以实现更快的处理速度和更好的图像融合质量。

Description

一种快速多聚焦融合算法
技术领域
本发明涉及图像处理技术领域，特别涉及一种快速多聚焦融合算法。
背景技术
多聚焦图像融合技术是将众多源信道采集到的同一场景不同景深的图像进行融合，以最大限度获得各个信道中的有利信息，得到包含更全面的信息的图像。
多聚焦图像融合方法主要分为基于空间域和基于变换域的方法。
基于空间域直接操作像素的值。这些方法通常将源图像分割成多个固定大小的块或者区域，利用基于阈值的自适应融合规则得到融合块，最后利用一致性检验方法实现融合图像。由于块或区域的大小固定，多焦点融合图像的边界容易出现模糊现象。
基于变换域方法主要对图像变换后的分解系数进行操作，主要包括图像变换、系数分解和反变换重建三个融合阶段。首先，通过图像分解算法将源图像变换到变换域得到不同的子图像；然后采用各种融合策略对不同的系数进行融合；最后，对融合系数进行相应的反变换处理，得到最终的融合图像。分解层数越多，信息越详细，但效率也会降低。
现有的融合方法仍存在一些不足。首先，大多数融合方法侧重于源图像的特征提取，很少关注图像的场景一致性、内容变形等配准问题。实际的源图像并不像实验样本那样精确。因此，融合效果会受到很大影响。本发明认为，可以通过图像对齐的方法来解决上述问题。其次，许多方法追求融合方法的适用性和质量，要求的计算复杂度比较高，降低了融合的效率，无法达到实时应用的要求。为了平衡图像融合的质量和提升融合的效率，本发明提出了一种基于变换域的快速多聚焦图像融合方法，克服上述技术问题。
发明内容
本发明的目的在于提供一种快速多聚焦融合算法，通过对变换、决策图和逻辑运算的创新，实现更高的处理效率和更好的图像融合质量。
为达成上述目的，本发明的解决方案为：一种快速多聚焦融合算法，包括以下步骤：
包括以下步骤：
S1图像对齐：从输入的N幅图像中选取一个模板图像，其余为待对齐输入图像，从模板图像中提取一块图像区域，计算归一化互相关系数(NCC)并进行定位，得到每一幅待对齐输入图像与模板图像对齐的最佳位置信息，根据最佳位置信息对待对齐图像进行平移对齐；
S2 简化的平稳小波变换：分别对对齐后的输入图像以及其平移图像进行1尺度平稳小波变换，分别得到两幅图像对应的低频子波段和多个高频子波段；
S3 高频特征提取：通过合并对齐后的输入图像和平移图像的所有高频子波段，创建一个单一特征图来确定每个像素的清晰度；
S4 高频特征去噪：利用均值滤波器对合并后的高频子波段进行去噪；
S5 构造一个两级标签决策图，每级标签决策图分别分析每幅图像的整体特征和逐像素细节特征；
S6 融合图像：通过两级标签决策图的值计算融合后的高频子波段，最后对融合后的高频子波段进行逆离散小波变换得到最终的融合图像。
进一步，在步骤S1中，从输入的幅图像中选取一个模板图像t(p,q)，其余为待对齐输入图像，从模板图像t(p,q)中提取一块图像区域/>，计算归一化互相关系数(NCC)并进行定位，得到每一幅待对齐输入图像与模板图像t(p,q)对齐的最佳位置信息，根据最佳位置信息对待对齐输入图像进行平移对齐，得到对齐后的输入图像，其中NCC的计算公式为：
，
其中，(p,q)是模板图像的坐标，NCCi表示第幅图像的NCC系数，/>表示图像区域/>中的像素个数，/>是模板图像的平均灰度值，/>是模板图像的方差，/>是图像/>在图像区域T的均值，/>是图像/>在图像区域T的方差，且
。
进一步，在步骤S2中,对对齐后的输入图像及其/>平移图像分别进行1尺度平稳小波变换，得到的子波段分别为/>和/>；
其中，表示水平和垂直方向上一个像素的移动，/>和/>分别表示对齐后的输入图像和它的/>平移图像的子波段，变量/>表示输入图像的下标，/>表示输入图像的个数，/>分别表示低频子波段，水平高频子波段，垂直高频子波段和对角高频子波段。
进一步，在步骤S3中，高频特征的提取公式如下：
，
式中，表示合并后/>的高频子波段，变量/>和/>分别表示像素在水平和垂直方向上的位置。
进一步，在步骤S4中，利用窗口为(2P+1)(2P+1)的均值滤波器进行去噪：
其中，表示/>在/>点处的去噪结果，/>表示窗口尺寸参数。
进一步，步骤S5具体包括：
S5.1 构造一级标签决策图：通过滤波器形成焦点权重函数/>，并通过下采样和上采样得到最终的一级标签决策图/>；
S5.2 更新滤波器大小：使用迭代法寻找均值滤波器的最优窗口尺寸参数，以调整滤波器大小；
S5.3 构造二级标签决策图：通过一级标签决策图/>和焦点权重函数/>，得到更精准的二级标签决策图/>。
进一步，步骤S5.1构造一级标签决策图的具体方法如下：
首先，通过(2P+1)(2P+1)的滤波器计算每个像素点周围最大的/>的个数，形成焦点权重函数/>，其形式为：
，
其次，对进行下采样，采样因子为/>，并记为/>：
。
其中，变量和/>分别表示/>中像素在水平和垂直方向上的位置，基于/>的值，可以得到一级标签决策图的下采样版本，记为/>:
，
随后，利用的均值滤波器对/>进行去噪，得到/>：
。
最后，通过对进行上采样得到最终的一级标签决策图/>：
，
其中，[.]表示取上限操作。
进一步，在步骤S5.2中更新滤波器大小具体方法如下：
在每幅图像的低频子波段的聚焦区域中，计算模拟的/>和真实的/>之间的和平方差(SSD):
，
其中
，
通过迭S4-S5.2，画出整数时，不同的/>随相应的/>的变换曲线，从而找到最优的窗口尺寸参数/>。
进一步，步骤S5.3构造二级标签决策图的具体方法如下：
通过一级标签决策图和焦点权重函数/>，即可得到二级标签决策图，
。
进一步，步骤S6中，通过二级标签决策图的值计算融合后的高频子波段/>，
，
其中，表示尚未确定的子波段，即在二级标签决策图/>中像素值为0对应的像素，/>可由下面的公式确定：
，
其中，表示待确定的低频融合权重函数，其计算公式为：
，
最后，对进行逆离散小波变换得到最终的融合图像。
采用上述方案后，本发明的有益效果在于：
本发明提出的快速多聚焦图像融合算法，在图像变换阶段，通过一个基于滤波器的简化平稳小波变换（SSWT）来有效地获得图像中的低频和高频信息，在保持平移不变性的同时降低了信息冗余度。相较于现有技术仅对源图像进行变换，本发明则分别对对齐后的输入图像及其（1,1）平移图像进行1尺度的小波变换，这不仅简化了计算过程，而且能够更快速地提取图像的低频和高频信息。
在系数分解阶段，本发明利用一个两级决策图分别分析每幅图像的整体特征和逐像素细节特征，这样能够帮助算法更准确地识别图像中的焦点区域和非焦点区域，从而更好地进行图像融合。
在逻辑运算阶段，本发明只使用加法、减法和乘法，并尽可能重复使用系数，节省了内存和处理时间，这使得整个融合过程更加高效，同时也降低了对硬件资源的需求。
本发明通过对变换、决策图和逻辑运算的这三种创新以实现更快的处理速度和更好的图像融合质量。
附图说明
图1是本发明一实施例快速多聚焦融合算法的简易流程图；
图2是本发明一实施例快速多聚焦融合算法的详细流程图。
具体实施方式
以下结合附图及具体实施例对本发明做详细的说明。
本发明提供一种快速多聚焦融合算法，（参考图1和图2）：图2中,/>为输入图像；,/>分别表示/>,/>的离散小波平移图像；/>,/>分别表示平移/>,/>的离散小波平移图像；/>,/>分别表示高频特征图像；/>表示一级标签决策图；/>表示二级标签决策图；/>表示融合后的离散小波平移图像；/>表示融合图像。/>表示图像对齐流程；P1表示简化的平稳小波变换；P2表示高频特征提取；P3表示构造一级标签决策图；P4表示更新滤波器尺寸；P5表示构造二级标签决策图；P6表示融合；P7表示逆离散小波变换。
快速多聚焦融合算法，包括如下步骤：
步骤S1 使用归一化互相关系数（NCC）进行图像对齐：对输入的N幅图像进行左右调整对齐，具体为：从输入的N幅图像中选取一个模板图像t(p,q)，(p,q)是模板图像的坐标，从模板图像t(p,q)中提取一块图像区域，计算归一化互相关系数(NCC)并进行定位，得到每一幅待对齐输入图像与模板图像t(p,q)对齐的最佳位置信息，根据最佳位置信息对待对齐输入图像进行平移对齐，得到对齐后的输入图像，其中NCC的计算公式为：
，
其中，NCCi表示第幅图像的NCC系数，/>表示图像区域/>中的像素个数，/>是模板图像的平均灰度值，/>是模板图像的方差，/>是图像/>在图像区域T的均值，/>是图像/>在图像区域T的方差，且
，
S2简化的平稳小波变换：
离散小波变换可以将图像分解成低频分量图像和高频分量图像，前者包含原始图像的亮度和对比度信息，后者包含原始图像的细节信息。为了保存平移不变性的同时降低了信息冗余度，本发明提出了基于Haar滤波器的简化平稳小波变换（SSWT）来有效地获得图像中的低频和高频信息，具体做法如下：
分别对对齐后的输入图像及且/>平移图像分别进行1尺度平稳小波变换，得到子波段/>和/>。
其中，表示水平和垂直方向上一个像素的移动，/>和/>分别表示对齐后的输入图像和它的/>平移图像的子波段，变量/>表示输入图像的下标，/>表示输入图像的个数，/>分别表示低频子波段，水平子波段，垂直子波段和对角高频子波段。
如此创新不仅简化了计算过程，降低计算复杂度，加快提取图像的低频和高频信息，还可以在最大程度的捕获输入图像的边缘信息。此外，本发明在步骤S2中提出的简化平稳小波变换仅仅需要做两次离散小波变换，即分别对应用于对齐后的输入图像和平移图像。而现有技术中的平稳小波变换通常需要进行四次变换。这种改进在确保充分捕获输入图像的边缘信息的同时，将所需的计算量降低了一半，实现了更高的效率和性能。
S3高频特征提取：
通过高频信息可以确定图像的聚焦区域，因此可通过合并所有高频子波段，创建一个单一特征图来确定每个像素的清晰度，该特征图是一个反映图像高频特性的重要工具，有助于后续的图像融合过程。
高频特征的提取公式如下：
，
式中，表示/>的高频子波段，变量/>和/>分别表示像素在水平和垂直方向上的位置。由于系数的/>和/>的值是区间/>的整数，因此本发明建立一个查询表来加快处理速度，查询表预先存储了一些常见的值，通过查找表的方式可以更快速获取所需的结果，避免复制的计算过程，大大提高算法的效率。
S4高频特征去噪：
利用窗口为(2P+1)(2P+1)的均值滤波器进行去噪,通过将像素周围领域的平均值作为新的像素值，从而减少图像中的噪声和细节，获得更好的标签决策图。高频特征去噪公式如下：
其中，表示/>在/>点处的去噪结果，/>表示窗口尺寸参数。
窗口尺寸参数初始化为3。固定的窗口尺度可能不能满足不同尺寸大小的图像，本发明提出了一个迭代算法来寻找最优地方窗口参数/>。该迭代算法通过评估不同的窗口尺度参数/>下的融合指标来寻找最优的参数/>。如此的迭代过程能自适应的确定当前图像和任务需求的窗口大小。
进一步，在步骤S4中利用均值滤波器中进行去噪时，可以将其分解为行向量和列向量，依次进行卷积，而与这些向量的卷积可以进一步简化以避免重复的计算。比如对于行向量而言，可将步骤S4中的公式简化为：
，
通过这样的简化，使得每个像素只需进行两次加法和两次减法，极大地减少了硬件资源的消耗，从而显著降低了硬件成本。这种优化不仅提高了处理速度，还使得在资源有限的环境中也能实现高效的图像处理。
S5构造一个两级标签决策图:
在获得图像的高频特征图之后，下面利用这些高频特征构造标签决策图。
S5.1构造一级标签决策图：
对于高频特征图的每个像素点，其像素值越大，则表明该像素点越可能位于聚焦区域。因此，首先通过(2P+1)(2P+1)的滤波器计算每个像素点周围最大的/>的个数，形成焦点权重函数/>，其形式为：
，
其次，对进行下采样，采样因子为/>，并记为/>：
，
其中，变量和/>分别表示/>中像素在水平和垂直方向上的位置。基于/>的值，可以得到一级标签决策图的下采样版本，记为/>。其产生的逻辑如下：在每个像素上，有个/>的值，如果每个/>与其余/>个/>之和的差超过窗口尺寸的一半，则判定该点位于第/>幅图的聚焦区域，并将该像素标记为/>，即
，
随后利用的均值滤波器对/>进行去噪，得到/>:
，
最后通过对进行上采样得到最终的一级标签决策图/>：
，
其中，[.]表示取上限操作。
S5.2更新滤波器大小：
不同与大多数方法采样固定大小的核进行滤波，本发明采用动态调整滤波核的大小以适应不同尺寸的图像，具体方法如下：
在每幅图像的低频子波段的聚焦区域中，计算模拟的/>和真实的/>之间的和平方差(SSD):
，
其中
，
，
通过迭S4-S5.2，画出整数时，不同的/>随相应的/>的变换曲线，从而找到最优的窗口尺寸参数/>。通过迭代步骤S4-S5.2，获取不同尺寸滤波核对应的和平方差/>,从而找到最小/>对应的以局部最优的滤波核尺寸，如图2中P4所示。
S5.3构造二级标签决策图：
通过一级标签决策图和焦点权重函数/>，即可得到二级标签决策图，
。
S6融合图像：
通过的值计算融合后的子波段/>：
，
其中，表示尚未确定的子波段,即在标签决策图/>中像素值为0对应的像素。
可由下面的公式确定：
，
其中，表示待确定的低频融合权重函数，其计算公式为：
，
最后，对进行逆离散小波变换得到最终的融合图像。
作为进一步的改进，为了避免在融合过程中出现除法，使得运算步骤变得繁杂。本发明在步骤S6中确定时，需要将分母固定为常数，从而转化为乘法操作。具体而言，将每个像素/>对应的/>个/>的值进行降序排序，再由大到小依次求和，如果/>的和大于,则将后续的非零值全部置为/>，从而/>即为分母的最小可能值，将分母置为/>即可避免除法。从而整个融合过程只涉及加法，减法和乘法操作，极大提升了算法的效率。
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
同时，本实施例中所涉及的前、后、左、右等方位，只是作为一个方位的参考，并不代表实际运用中的方位。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
以上所述仅为本发明的较佳实施例，并非对本案设计的限制，凡依本案的设计关键所做的等同变化，均落入本案的保护范围。

Claims (10)

1.一种快速多聚焦融合算法，其特征在于：包括以下步骤：
S1图像对齐：从输入的N幅图像中选取一个模板图像，其余为待对齐输入图像，从模板图像中提取一块图像区域，计算归一化互相关系数(NCC)并进行定位，得到每一幅待对齐输入图像与模板图像对齐的最佳位置信息，根据最佳位置信息对待对齐图像进行平移对齐；
S2 简化的平稳小波变换：分别对对齐后的输入图像以及其平移图像进行1尺度平稳小波变换，分别得到两幅图像对应的低频子波段和多个高频子波段；
S3 高频特征提取：通过合并对齐后的输入图像和平移图像的所有高频子波段，创建一个单一特征图来确定每个像素的清晰度；
S4 高频特征去噪：利用均值滤波器对合并后的高频子波段进行去噪；
S5 构造一个两级标签决策图，每级标签决策图分别分析每幅图像的整体特征和逐像素细节特征；
S6 融合图像：通过两级标签决策图的值计算融合后的高频子波段，最后对融合后的高频子波段进行逆离散小波变换得到最终的融合图像。
2.如权利要求1所述的一种快速多聚焦融合算法，其特征在于：在步骤S1中，从输入的幅图像中选取一个模板图像t(p,q)，其余为待对齐输入图像，从模板图像t(p,q)中提取一块图像区域/>，计算归一化互相关系数(NCC)并进行定位，得到每一幅待对齐输入图像与模板图像t(p,q)对齐的最佳位置信息，根据最佳位置信息对待对齐输入图像进行平移对齐，得到对齐后的输入图像，其中NCC的计算公式为：
，
其中，(p,q)是模板图像的坐标，NCCi表示第幅图像的NCC系数，/>表示图像区域/>中的像素个数，/>是模板图像的平均灰度值，/>是模板图像的方差，/>是图像/>在图像区域T的均值，是图像/>在图像区域T的方差，且
。
3.如权利要求1所述的一种快速多聚焦融合算法，其特征在于：在步骤S2中,对对齐后的输入图像及其/>平移图像分别进行1尺度平稳小波变换，得到的子波段分别为 />和/>；
其中，表示水平和垂直方向上一个像素的移动，/>和/>分别表示对齐后的输入图像和它的/>平移图像的子波段，变量/>表示输入图像的下标，/>表示输入图像的个数，/>分别表示低频子波段，水平高频子波段，垂直高频子波段和对角高频子波段。
4.如权利要求3所述的一种快速多聚焦融合算法，其特征在于：在步骤S3中，高频特征的提取公式如下：
，
式中，表示合并后/>的高频子波段，变量/>和/>分别表示像素在水平和垂直方向上的位置。
5.如权利要求4所述的一种快速多聚焦融合算法，其特征在于：在步骤S4中，利用窗口为(2P+1)(2P+1)的均值滤波器进行去噪：
其中，表示/>在/>点处的去噪结果，/>表示窗口尺寸参数。
6.如权利要求5所述的一种快速多聚焦融合算法，其特征在于：步骤S5具体包括：
S5.1 构造一级标签决策图：通过滤波器形成焦点权重函数/>，并通过下采样和上采样得到最终的一级标签决策图/>；
S5.2 更新滤波器大小：使用迭代法寻找均值滤波器的最优窗口尺寸参数，以调整滤波器大小；
S5.3 构造二级标签决策图：通过一级标签决策图/>和焦点权重函数/>，得到更精准的二级标签决策图/>。
7.如权利要求6所述的一种快速多聚焦融合算法，其特征在于：步骤S5.1构造一级标签决策图的具体方法如下：
首先，通过(2P+1)(2P+1)的滤波器计算每个像素点周围最大的/>的个数，形成焦点权重函数/>，其形式为：
，
其次，对进行下采样，采样因子为/>，并记为/>：
，
其中，变量和/>分别表示/>中像素在水平和垂直方向上的位置，基于/>的值，可以得到一级标签决策图的下采样版本，记为/>:
，
随后，利用的均值滤波器对/>进行去噪，得到/>:
，
最后，通过对进行上采样得到最终的一级标签决策图/>：
，
其中，[.]表示取上限操作。
8.如权利要求7所述的一种快速多聚焦融合算法，其特征在于：在步骤S5.2中更新滤波器大小具体方法如下：
在每幅图像的低频子波段的聚焦区域中，计算模拟的/>和真实的/>之间的和平方差(SSD):
，
其中
，
，
通过迭S4-S5.2，画出整数时，不同的/>随相应的/>的变换曲线，从而找到最优的窗口尺寸参数/>。
9.如权利要求8所述的一种快速多聚焦融合算法，其特征在于：步骤S5.3构造二级标签决策图的具体方法如下：
通过一级标签决策图和焦点权重函数/>，即可得到二级标签决策图，
。
10.如权利要求6或9所述的一种快速多聚焦融合算法，其特征在于：步骤S6中，通过二级标签决策图的值计算融合后的高频子波段/>，
，
其中，表示尚未确定的子波段，即在二级标签决策图/>中像素值为0对应的像素，/>可由下面的公式确定：
，
其中，表示待确定的低频融合权重函数，其计算公式为：
，
最后，对进行逆离散小波变换得到最终的融合图像。
CN202410238725.8A 2024-03-04 2024-03-04 一种快速多聚焦融合算法 Active CN117830125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410238725.8A CN117830125B (zh) 2024-03-04 2024-03-04 一种快速多聚焦融合算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410238725.8A CN117830125B (zh) 2024-03-04 2024-03-04 一种快速多聚焦融合算法

Publications (2)

Publication Number Publication Date
CN117830125A true CN117830125A (zh) 2024-04-05
CN117830125B CN117830125B (zh) 2024-06-04

Family

ID=90522910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410238725.8A Active CN117830125B (zh) 2024-03-04 2024-03-04 一种快速多聚焦融合算法

Country Status (1)

Country Link
CN (1) CN117830125B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063715A (zh) * 2010-12-25 2011-05-18 浙江师范大学 基于nsct和粒子群优化算法的台风云图融合方法
CN108830818A (zh) * 2018-05-07 2018-11-16 西北工业大学 一种快速多聚焦图像融合方法
CN111462027A (zh) * 2020-03-12 2020-07-28 中国地质大学（武汉） 基于多尺度梯度和抠图的多聚焦图像融合方法
CN113487526A (zh) * 2021-06-04 2021-10-08 湖北工业大学 一种结合高低频系数改进聚焦清晰度度量的多聚焦图像融合方法
KR20220122106A (ko) * 2021-02-26 2022-09-02 연세대학교 원주산학협력단 초점 영역 특징점 추출을 이용한 현미경 영상 융합 방법
CN115239825A (zh) * 2022-06-10 2022-10-25 上海哥瑞利软件股份有限公司 基于小波变换的太阳能电池外观检测图像压缩方法及其系统
CN116433499A (zh) * 2022-12-30 2023-07-14 国网北京市电力公司 图像处理方法、装置及计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063715A (zh) * 2010-12-25 2011-05-18 浙江师范大学 基于nsct和粒子群优化算法的台风云图融合方法
CN108830818A (zh) * 2018-05-07 2018-11-16 西北工业大学 一种快速多聚焦图像融合方法
CN111462027A (zh) * 2020-03-12 2020-07-28 中国地质大学（武汉） 基于多尺度梯度和抠图的多聚焦图像融合方法
KR20220122106A (ko) * 2021-02-26 2022-09-02 연세대학교 원주산학협력단 초점 영역 특징점 추출을 이용한 현미경 영상 융합 방법
CN113487526A (zh) * 2021-06-04 2021-10-08 湖北工业大学 一种结合高低频系数改进聚焦清晰度度量的多聚焦图像融合方法
CN115239825A (zh) * 2022-06-10 2022-10-25 上海哥瑞利软件股份有限公司 基于小波变换的太阳能电池外观检测图像压缩方法及其系统
CN116433499A (zh) * 2022-12-30 2023-07-14 国网北京市电力公司 图像处理方法、装置及计算机可读存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ODYSSEAS BOUZOS ET AL.: "Conditional Random Field Model for Robust Multi-Focus Image Fusion", 《 IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 28, no. 11, 17 June 2019 (2019-06-17) *
XINGCHEN ZHANG ET AL.: "Deep Learning-Based Multi-Focus Image Fusion: A Survey and a Comparative Study", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, vol. 44, no. 9, 11 May 2021 (2021-05-11), XP011916137, DOI: 10.1109/TPAMI.2021.3078906 *
YONGSHENG ZANG ET AL.: "UFA-FUSE: A Novel Deep Supervised and Hybrid Model for Multifocus Image Fusion", 《 IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 70, 9 April 2021 (2021-04-09), XP011851366, DOI: 10.1109/TIM.2021.3072124 *
刘斌, 彭嘉雄: "基于区域的小波多尺度多聚焦图像融合方法", 量子电子学报, no. 02, 30 April 2005 (2005-04-30) *
李嫄源: "像素级多源图像融合方法及其应用研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 2, 15 February 2022 (2022-02-15) *
王丽丽: "多聚焦图像融合算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, 15 January 2022 (2022-01-15) *
肖斌;唐翰;徐韵秋;李伟生;: "基于Hess矩阵的多聚焦图像融合方法", 电子与信息学报, no. 02, 28 December 2017 (2017-12-28) *

Also Published As

Publication number Publication date
CN117830125B (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
US10339643B2 (en) Algorithm and device for image processing
US9076234B2 (en) Super-resolution method and apparatus for video image
Wang et al. A graph-based joint bilateral approach for depth enhancement
Harb et al. Improved image magnification algorithm based on Otsu thresholding
CN111353955A (zh) 一种图像处理方法、装置、设备和存储介质
Kong et al. Enhancer-based contrast enhancement technique for non-uniform illumination and low-contrast images
CN116188272B (zh) 适用于多模糊核的两阶段深度网络图像超分辨率重建方法
Arulkumar et al. Super resolution and demosaicing based self learning adaptive dictionary image denoising framework
Yoo et al. Noise-robust iterative back-projection
Wu et al. Edge curve scaling and smoothing with cubic spline interpolation for image up-scaling
Selva Nidhyanandhan et al. Double stage gaussian filter for better underwater image enhancement
Cao et al. A brightness-preserving two-dimensional histogram equalization method based on two-level segmentation
Hernandez et al. Region merging using homogeneity and edge integrity for watershed-based image segmentation
Chen et al. Deconvolving Poissonian images by a novel hybrid variational model
CN117830125B (zh) 一种快速多聚焦融合算法
CN110852947B (zh) 一种基于边缘锐化的红外图像超分辨方法
Wu et al. A high-throughput VLSI architecture for real-time full-HD gradient guided image filter
CN112634153A (zh) 一种基于边缘增强的图像去模糊方法
Chen et al. Morphological component image restoration by employing bregmanized sparse regularization and anisotropic total variation
Nguyen et al. FPGA-based Haze removal architecture using multiple-exposure fusion
Yuan et al. Blocking sparse method for image denoising
Kondo et al. Edge preserving super-resolution with details based on similar texture synthesis
Jiang et al. Super-resolution reconstruction based on structure tensor's eigenvalue and classification dictionary
CN118505572B (zh) 一种由粗到细的多尺度双支路图像曝光校正方法
Tohl et al. Improved image expansion for preserving sharpness without jagged edges

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