RU2756573C9 - Устройство поиска локальных особенностей на парах инфракрасных изображений с их последующим объединением - Google Patents
Устройство поиска локальных особенностей на парах инфракрасных изображений с их последующим объединением Download PDFInfo
- Publication number
- RU2756573C9 RU2756573C9 RU2020135470A RU2020135470A RU2756573C9 RU 2756573 C9 RU2756573 C9 RU 2756573C9 RU 2020135470 A RU2020135470 A RU 2020135470A RU 2020135470 A RU2020135470 A RU 2020135470A RU 2756573 C9 RU2756573 C9 RU 2756573C9
- Authority
- RU
- Russia
- Prior art keywords
- image
- input
- unit
- output
- block
- Prior art date
Links
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000010191 image analysis Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 21
- 238000000844 transformation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 238000000034 method Methods 0.000 description 17
- 238000013459 approach Methods 0.000 description 7
- 238000005192 partition Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
Изобретение относится к области вычислительной техники и может быть использовано в системах анализа и обработки изображений. Техническим результатом является повышение качества формирования объединенных инфракрасных изображений. Устройство поиска локальных особенностей на парах инфракрасных изображений с их последующим объединением реализует алгоритм двукратной обработки изображений, на первом этапе которого производится формирование информационных показателей, второй этап направлен на устранение шумовой компоненты с возможностью сохранения границ объектов и точек с повышенной детализацией. По сформированным информационным параметрам осуществляется поиск матриц преобразования и построение кривой совмещения, на основании которого формируется объединённое изображение. 3 ил.
Description
Изобретение относится к области вычислительной техники и может быть использовано в цифровых системах, автоматизированных системах, глобальных систем позиционирования и наблюдения.
Известно устройство объединения изображений в единую композицию сцены [Патент RU № 2536675, МПК G06T 7/00, G06T 3/40, опубл. 27.12.2014]. Данное изобретение относится к устройству объединения изображений в единую композицию сцены. Устройство содержит соединенные между собой блок поиска контрольных точек, блок поиска соответствий, блок преобразования входных изображений, блок совмещения, блок хранения входной реализации, блок переноса контрольных точек на исходные изображения, блок детектора границ, блок поиска детализированных объектов, блок выделения детализированных областей, блок исключения ложных соответствий, блок масштабирования детализированных объектов, блок приведения к единому масштабу входных изображений, блок преобразования детализированных объектов, блок хранения выходной реализации, блок управления, генератором тактовых импульсов
Недостатки известного устройства являются:
- невозможность производить объединение изображений, фиксируемых в инфракрасном диапазоне;
- большие вычислительные затраты.
Известно устройство бесшовного объединения изображений в единую композицию с автоматической регулировкой контрастности и градиентом [Патент RU № 2580473, МПК G06T 5/00, опубл. 10.04.2016]. Изобретение относится к информационно-измерительным устройствам и может быть использовано в системах управления и обработки сигналов. Устройство бесшовного объединения изображений содержит два блока загрузки изображения, тактовый генератор, два блока поиска контрольных точек, блок поиска точек объединения, блок вычисления матриц преобразования, два блока преобразования матрицы, блок заполнения нулями, блок выделения контуров, блок вычисления кривой, три блока наложения маски, блок нахождения маски, блок выделения области объединения, блок нахождения границы объединения, блок удаления областей, два блока регулировки контрастности, два блока применения градиента блок объединения изображений, блок вывода результата.
Недостатками известного устройства являются:
- появление границы между изображениями в результате объединения;
- невозможность производить объединение изображений, фиксируемых в инфракрасном диапазоне;
- появление двойных контуров объединяемых изображений;
Известно устройство объединения медицинских изображений [Патент RU № 2614545, МПК G06T 5/00, опубл. 28.03.2017]. Изобретение относится к информационно-измерительным устройствам и может быть использовано в вычислительной технике, в системах управления и обработки сигналов. Устройство содержит: регистр хранения входной реализации первого изображения, регистр хранения входной реализации второго изображения, тактовый генератор, блок восстановления границ первого изображения, блок фильтрации первого изображения, блок фильтрации второго изображения, блок восстановления границ второго изображения, блок поиска контрольных точек на первом изображении и соответствий, блок поиска контрольных точек на втором изображении и соответствий, блок преобразования матрицы первого изображения, блок преобразования матрицы второго изображения, блок выделения контуров на изображениях, блок нахождения границы объединения изображений, блок исключения неперекрывающихся областей на изображениях, блок наложения градиента первого изображения, блок наложения градиента второго изображения, блок объединения изображений, регистр хранения выходной реализации.
Недостатками известного устройства являются:
- в случае получения пары кадров при смещении камеры фиксации повышается ошибка в наложении пар изображений;
- невозможность производить объединение изображений, фиксируемых в инфракрасном диапазоне;
- появление двойных контуров объединяемых изображений.
Наиболее близким, принятым за прототип, к изобретению является устройство объединения инфракрасных изображений [Патент RU 2718211, МПК G06T 5/50, G06F 17/17, опубл. 31.03.2020] позволяет получить объединенную композицию за счет слияния пар изображений, полученных в инфракрасном диапазоне. Устройство реализуют следующий алгоритм.
1. Загрузка пары изображений, зафиксированных только в инфракрасном диапазоне.
2. Выполнение операции предварительной обработки: сглаживание (например (Двумерный способ наименьших квадратов и устройство для его реализации: пат. 2362207) или любой другой метод фильтрации).
3. Для каждой пары ИК-изображений находятся базовые точки на изображении. Поиск связанных точек на ИК изображениях выполняется по анализу максимальной корреляции. Операция поиска осуществляется только на границах объектов с перепадом температур более 2-5 градусов.
4. Для каждой из пар изображений используется алгоритм упрощения. Упрощение осуществляется путем совмещения смежных по интенсивности значений пикселей. Реализация блока позволяет осуществить битовое преобразование с изменением данных с 8 на 3 бита, что соответствует градации по 8 диапазонам.
Зафиксируем произвольное неотрицательное число ε . Пусть m(ε) обозначает наименьшее возможное число кластеров, на которые все еще можно разбить множество ℜ при условии, что конечность разбиения не превышает ε . Пусть n - текущее количество пикселей, m - количество пикселей, полученных в результате изменения. K i - начальное разбиение изображения на блоки, T j - новые разбиваемые кластеры, l i - размерность фрагментов пиксельных кластеров; η j - номер j -ой координаты векторы вида , где .
Использование алгоритма начинается с установки значения ε ≥ 0 верхнего предела конечности искомого разбиения множества ℜ. Примем как среднее арифметическое яркостей составляющих пикселей, i = 1, 2,…, n . Затем находим m - наименьшее возможное число кластеров, для которых еще есть разбиение ℜ конечности ≤ ε . Для этого мы знаем, что достаточно построить ε - разбиение ℜ и принять за m(ε) число его кластеров. Задачу разбиения этого множества на кластеры с целью придания всем большим пикселям каждого кластера T j одного и того же нового значения яркости, найденного усреднением их яркостей по одной из следующих двух формул:
Начальный раздел S i , j ∈ ξ = {T 1,T 2,…,T m} из множества N выбирается таким образом, чтобы число больших пикселей в любых двух его кластерах отличалось не более чем на единицу. При этом условии наименьшее количество элементов кластера s=[n/m].
1. Присвоение; γ :=0;
2. Присвоение; j :=1;
5. Если расчет завершен, и его окончательный результат является текущим . Если , то и выполняется переход к (3), если - переход к шагу (2).
Приняв и последовательно придавая переменной j значения 1,2,…,N, вычисляем вспомогательную величину и номер , где - текущий элемент изображения, а затем переходим к следующему значению j . При использовании данной процедуры номер N определится автоматически: рано или поздно очередное значение совпадет с n, после чего останется лишь выполнить присвоение N:= j. Отметим, что последовательность яркостей элементов множества ℜ' строго убывает. Кластеризовав ее, получим разбиение
множества ℜ' (здесь . Соответствующее ему разбиение множества ℜ имеет вид и является результатом изменения размерности изображения.
6. Определите дополнительных точек, по данным полученным на этапе 5. В случае появления объектов с замкнутым контуром, дополнительно находим центр масс этих объектов.
7. Поиск соответствий между определенными на этапах 5, и 6 точек.
8. Операция изменения изображений, использование алгоритма проективного преобразования.
9. Выполнение операции объединения изображений.
10. Сохранение результата
Устройство объединения инфракрасных изображений содержит регистр хранения входной реализации первого изображения, регистр хранения входной реализации второго изображения, блок фильтрации первого изображения, блок поиска базовых точек; блок фильтрации второго изображения, блок упрощения изображений, блок поиска центров масс объектов, блок поиска базовых точек упрощенных объектов, блок определение усредненных значений и выбор базовых точек, блок преобразований изображений, регистр хранения выходной реализации.
Недостатками известного устройства-прототипа являются:
- при объединении приоритет отдается участкам с высокодетализированными объектами, предыдущий не проводил анализ;
- не проводилось первичного анализа изображений, позволяет оптимизировать параметры обработки и изменить их после первой итерации.
Причины, препятствующие достижению требуемого технического результата, заключаются в следующем:
- использование в качестве входных данных, изображений полученных в дальнем инфракрасном диапазоне и обладающих шумовой компонентой, обрабатываются сразу без учета особенностей изображения, вследствие чего, возможно появление размытия границ объектов, что приводит к неправильному объединению двух инфракрасных изображений в единое изображение.
Технический результат изобретения – повышение качества формирования объединенных инфракрасных изображений.
Полученный результат объединенного изображения формируется в условиях наличия шумовой компоненты и условиях автоматизированного поиска точек привязки объектов, расположенных в кадре. Для этого в способе реализован алгоритм двукратной обработки изображений, на первом производится формирование информационных показателей, второй этап направлен на устранение шумовой компоненты с возможностью сохранения границ объектов и точек с повышенной детализацией. По сформированным информационных параметрам осуществляется поиск матриц преобразования и построение кривой совмещения, на основании которого формируется объединенное изображение.
Фиг. 1 – пример преобразования тепловизионных изображений предложенным подходом;
Фиг. 2 – пример выделения областей с большим количеством границ;
Фиг. 3 – блок схема предложенного устройства.
Устройство поиска локальных особенностей на парах инфракрасных изображениях с их последующим объединением содержит регистр хранения входной реализации 1, вход которого является информационным входом устройства, выход регистра хранения входной реализации 1 подключен к входу блоку анализа изображений 2, первый выход которого подключен к первому входу блока фильтрации первого изображения 3, выход которого подключен к входу блока обрезки и поиска объектов на первом ИК изображений 5, выход которого подключен к входу блока проверки условия первой итерации первого изображения 7, первый выход которого подключен ко второму входу блока фильтрации первого изображения 3; второй выход блока проверки условия первой итерации первого изображения 7, подключен к входу блока построения маски поиска на высоко детализированных участках первого изображения 9, выход которого подключен к входу блока поиска базовых точек первого изображения 11, выход которого подключен к первому входу блока определения усредненных значений и выбор базовых точек 13, выход которого подключен к входу блока преобразований и объединения изображений 14, выход которого подключен к входу блока регистра хранения выходной реализации 15, выход которого является выходом устройства; второй выход блока анализа изображений 2 подключен к первому входу блока фильтрации второго изображения 4, выход которого подключен к входу блока обрезки и поиска объектов на втором ИК изображений 6, выход которого подключен к входу блока проверки условия первой итерации второго изображения 8, первый выход которого подключен ко второму входу блока фильтрации второго изображения 4; второй выход блока проверки условия первой итерации второго изображения 8 подключен к входу блока построения маски поиска на высокодетализированных участках второго изображения 10, выход которого подключен к входу блока поиска базовых точек второго изображения 12, выход которого подключен ко второму входу блока определения усредненных значений и выбор базовых точек 13.
Устройство поиска локальных особенностей на парах инфракрасных изображениях с их последующим объединением реализуют следующий алгоритм.
1. На первом шаге производится загрузка пары термальных изображений. Производится их анализ и выявление основных характеристик, таких как размер изображений, битность, являются они цветными или представлены в градациях серого, присутствуют ли на них лейблы (в случае их наличия, необходима их реконструкция или удаление).
2. Операция предварительной обработки изображений. На данном этапе производится первичное улучшение изображений. Для пары тепловизионных изображений параллельно выполняются операции предварительного шумоподавления, урезание битности, поиска локально стационарных участков и областей с высокой детализацией.
3. На основании полученных на предыдущем этапе данных, повторное выполнение операции шумоподавления, для локально стационарных участков, в качестве коэффициента сглаживания выбирается параметр λ, μ = 0,03. Для участков границ областей, не вошедших в блоки с высокой детализацией λ, μ = 4,57. Области, выделенные маской как объекты с высокой детализацией (найденные алгоритмом 3) должны быть исключены из применения алгоритма фильтрации.
4. На основании данных, полученных в результате урезания битности, производится исключение маски с высокой детализацией объектов. Сформированные участки разделяются на объекты, в которых происходит определение их центра масс. Для замкнутых объектов, возможно выполнение операции поиска средней линии. Полученные элементы могут быть использованы в качестве базовых точек при объединении пар тепловизионных изображений.
5. Для областей с высокой детализацией, найденных центров масс объектов, и эквидистантной кривой, выполняется поиск соответствий между точками. В качестве такого подхода может быть использован корреляционный анализ, статистические подходы или применение нейросетевых методов. На основании полученных пар соответствий определяется тип преобразования над изображениями.
6. Объединение данных и сохранение результата.
1 Метод фильтрации и поиска локально-стационарных областей
Чтобы уменьшить влияние шумовой составляющей на цифровое тепловизионное изображение, мы будем использовать метод многокритериальной фильтрации. В качестве критерия используется критерий среднего квадрата разности между соседними элементами оценок, позволяющая уменьшить шум на гладких участках. В качестве второго критерия используется мера расхождения полученных оценок и входного сигнала, по срокам и столбцам, что позволяет сохранить границы перехода и мелкие детали на изображениях. Соответствующая многокритериальная целевая функция (2) имеет вид:
где λ, μ - положительные константы.
Равенство входных значений и результатов первичной обработки принимается за первую итерацию алгоритма. Для расчета используется первая итерация с использованием элементов:
Значения остальных элементов целевой функции (2) определяются на основе выражения:
Изменение параметров поправочных коэффициентов метода позволяет влиять на результат анализа значений строк и столбцов. Изменение этих параметров позволяет создавать ядра сложной обработки. Получены выражения, позволяющие снизить влияние шумовой составляющей в двумерном цифровом сигнале методом многокритериального сглаживания (2).
2 Метод уменьшения количества элементов в гистограмме цветовых градиентов
При первичном анализе изображений характеризующих разброс тепловых градиентов, возможно их упрощение. Данная операция позволит автоматизировать выделение локальных областей для использования метода шумоподавления. Метод уменьшения количества элементов гистограммы цветовых градиентов основан на поглощении интенсивности редких значений с небольшим количеством элементов на интенсивность часто встречающихся соседей. На Фиг. 1 показан пример преобразования тепловизионных изображений предложенным подходом.
Метод уменьшения количества элементов в гистограмме цветовых градиентов использует операции сравнения и поглощения и требует выполнение следующих операций:
1. На первом шаге производится загрузка тепловизионного изображения, представленного в цветовом поле. Определяются его параметры (размер, глубина цвета). Производится обрезка изображения, для отсечения лейблов и границ тепловых диапазонов. Вычисление гистограммы цветовых градиентов, что позволяет произвести объединение интенсивности в группы.
2. Определение максимумов и минимумов интенсивностей. Создание порога, равного 5% от максимальной интенсивности цветового градиента (отмечен на чертеже красной линией). Определение ближайших соседей для участков, не превышающих заданный порог. В случае наличия соседней области с интенсивностью, превышающей порог, диапазон приравнивается по интенсивности к нему.
3. Перерасчет элементов гистограммы, выполняется операция поглощения малых элементов большими. Далее выполняется операция проверки количества сформированных градиентов. В случае достижения искомой величины или ее превосходства расчет прекращается. В случае не достижения требуемого количества диапазонов, порог увеличивается на 5% и возврат к шагу 2.
3 Поиск участков областей изображения с высокой детализацией и локально стационарных областей
Реализация метода поиск участков областей изображения с высокой детализацией, а также локально стационарных участков основана на итеративном подходе. Анализ областей изображения выполняется в скользящем окне. В качестве детектора границ применена оценка со сверткой оператора Превитта.
Операция поиска участков с высокой детализацией используется метод «Плотность». Метод основан на пошаговом приближении и оценке количества углов и границ объектов в заданном окне, по отношению ко всему изображению. Определение общего коэффициента детализации исследуемого изображения выполняется на основе выражения:
где I(x,y) - значение пикселя с координатами x и y; i - количество строк; j - количество столбцов; - коэффициент детализации. Коэффициент детализации определяется автоматически для каждого изображения и его выбор не требует эмпирического вмешательства.
На следующем этапе производится схожее определение плотности границ и углов объектов внутри локального окна обработки (6):
Выполняется сравнение и , в случае превышения порога определения принимается решение о выделении области как детализированной. Окно обработки значений сдвигается на пиксель. Оптимальным размером окна обработки является область, составляющая 5% от всего изображения. На Фиг. 2 представлен пример выделения областей с большим количеством границ. Представленный на результат обработки позволяет сформировать участки изображений, поиск особых точек привязки, на котором будет иметь максимальный приоритет.
Устройство поиска локальных особенностей на парах инфракрасных изображениях с их последующим объединением работает следующим образом.
На вход блока регистра хранения входной реализации 1, являющийся информационным входом устройства производится загрузка пары термальных изображений. Далее в блоке анализа изображений 2 производится их анализ и выявление основных характеристик, таких как размер изображений, битность, являются они цветными или представлены в градациях серого, присутствуют ли на них лейблы (в случае их наличия, необходима их реконструкция или удаление). Далее происходит операция предварительной обработки изображений. На данном этапе производится первичное улучшение изображений. Для пары тепловизионных изображений параллельно выполняются операции предварительного шумоподавления в блоке фильтрации первого изображения 3 и в блоке фильтрации второго изображения 4 соответственно, в блоке обрезки и поиска объектов на первом ИК изображений 5 и блоке обрезки и поиска объектов на втором ИК изображений 6, осуществляется поиска локально стационарных участков и областей с высокой детализацией и происходит удаление лейблов. На основании полученных данных, повторное выполнение операции шумоподавления, для локально стационарных участков, в качестве коэффициента сглаживания выбирается параметр λ, μ = 0,03. Для участков границ областей, не вошедших в блоки с высокой детализацией параметр обработки устанавливается как λ, μ = 4,57, операции выполняются в блоке проверки условия первой итерации первого изображения 7 и блоке проверки условия первой итерации второго изображения 8 соответственно. Области, выделенные маской как объекты с высокой детализацией (найденные алгоритмом 3), должны быть исключены из применения алгоритма фильтрации. На основании данных, производится исключение маски с высокой детализацией объектов в блоке построения маски поиска на высокодетализированных участках первого изображения 9 и блоке построения маски поиска на высокодетализированных участках второго изображения 10. Сформированные участки разделяются на объекты, в которых происходит определение их центра масс. Для замкнутых объектов возможно выполнение операции поиска средней линии [Semenishchev S. E. et al. Computation of equidistant curve for the image with blurred contours //Electronic Imaging. - 2017. - Т. 2017. - №. 6. - С. 90-96]. Полученные в блоке поиска базовых точек первого изображения 11 и блоке поиска базовых точек второго изображения 12 элементы могут быть использованы в качестве базовых точек при объединении пар тепловизионных изображений. Для областей с высокой детализацией, найденных центров масс объектов, и эквидистантной кривой, выполняется поиск соответствий между точками в блоке определения усредненных значений и выбор базовых точек 13. В качестве такого подхода может быть использован корреляционный анализ, статистические подходы или применение нейросетевых методов. На основании полученных пар соответствий определяется тип преобразования над изображениями и объединяется в блоке преобразований и объединения изображений 14. Сохранение результата осуществляется в блоке регистра хранения выходной реализации 15.
Claims (1)
- Устройство поиска локальных особенностей на парах инфракрасных изображений с их последующим объединением, содержащее регистр хранения входной реализации, вход которого является информационным входом устройства; блок фильтрации первого изображения; блок фильтрации второго изображения; блок поиска базовых точек первого изображения; блок поиска базовых точек второго изображения; блок определения усреднённых значений и выбора базовых точек, выход которого подключен к входу блока преобразований и объединения изображений, выход которого подключен к входу блока регистра хранения выходной реализации, выход которого является выходом устройства, отличающееся тем, что выход регистра хранения входной реализации подключен к входу блоку анализа изображений, первый выход которого подключен к первому входу блока фильтрации первого изображения, выход которого подключен к входу блока обрезки и поиска объектов на первом ИК-изображении, выход которого подключен к входу блока проверки условия первой итерации первого изображения, первый выход которого подключен ко второму входу блока фильтрации первого изображения; второй выход блока проверки условия первой итерации первого изображения подключен к входу блока построения маски поиска на высокодетализированных участках первого изображения, выход которого подключен к входу блока поиска базовых точек первого изображения, выход которого подключен к первому входу блока определения усреднённых значений и выбора базовых точек; второй выход блока анализа изображений подключен к первому входу блока фильтрации второго изображения, выход которого подключен к входу блока обрезки и поиска объектов на втором ИК-изображении, выход которого подключен к входу блока проверки условия первой итерации второго изображения, первый выход которого подключен ко второму входу блока фильтрации второго изображения; второй выход блока проверки условия первой итерации второго изображения подключен к входу блока построения маски поиска на высокодетализированных участках второго изображения, выход которого подключен к входу блока поиска базовых точек второго изображения, выход которого подключен ко второму входу блока определения усреднённых значений и выбора базовых точек.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2020135470A RU2756573C9 (ru) | 2020-10-28 | 2020-10-28 | Устройство поиска локальных особенностей на парах инфракрасных изображений с их последующим объединением |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2020135470A RU2756573C9 (ru) | 2020-10-28 | 2020-10-28 | Устройство поиска локальных особенностей на парах инфракрасных изображений с их последующим объединением |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2756573C1 RU2756573C1 (ru) | 2021-10-01 |
RU2756573C9 true RU2756573C9 (ru) | 2021-10-19 |
Family
ID=77999877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2020135470A RU2756573C9 (ru) | 2020-10-28 | 2020-10-28 | Устройство поиска локальных особенностей на парах инфракрасных изображений с их последующим объединением |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2756573C9 (ru) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2536675C1 (ru) * | 2013-05-27 | 2014-12-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Южно-Российский государственный университет экономики и сервиса" (ФГБОУ ВПО "ЮРГУЭС") | Устройство объединения изображений в единую композицию сцены |
RU2580473C1 (ru) * | 2014-12-29 | 2016-04-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Донской государственный технический университет" (ФГБОУ ВПО "ДГТУ") | Устройство бесшовного объединения изображений в единую композицию с автоматической регулировкой контрастности и градиентом |
RU2614545C1 (ru) * | 2016-01-11 | 2017-03-28 | федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет" (ДГТУ) | Устройство объединения медицинских изображений |
US10148895B2 (en) * | 2013-12-19 | 2018-12-04 | Flir Systems Ab | Generating a combined infrared/visible light image having an enhanced transition between different types of image information |
US20190228513A1 (en) * | 2010-04-23 | 2019-07-25 | Flir Systems Ab | Infrared resolution and contrast enhancement with fusion |
RU2718211C1 (ru) * | 2019-12-13 | 2020-03-31 | федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет" (ДГТУ) | Устройство объединения инфракрасных изображений |
-
2020
- 2020-10-28 RU RU2020135470A patent/RU2756573C9/ru active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190228513A1 (en) * | 2010-04-23 | 2019-07-25 | Flir Systems Ab | Infrared resolution and contrast enhancement with fusion |
RU2536675C1 (ru) * | 2013-05-27 | 2014-12-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Южно-Российский государственный университет экономики и сервиса" (ФГБОУ ВПО "ЮРГУЭС") | Устройство объединения изображений в единую композицию сцены |
US10148895B2 (en) * | 2013-12-19 | 2018-12-04 | Flir Systems Ab | Generating a combined infrared/visible light image having an enhanced transition between different types of image information |
RU2580473C1 (ru) * | 2014-12-29 | 2016-04-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Донской государственный технический университет" (ФГБОУ ВПО "ДГТУ") | Устройство бесшовного объединения изображений в единую композицию с автоматической регулировкой контрастности и градиентом |
RU2614545C1 (ru) * | 2016-01-11 | 2017-03-28 | федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет" (ДГТУ) | Устройство объединения медицинских изображений |
RU2718211C1 (ru) * | 2019-12-13 | 2020-03-31 | федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет" (ДГТУ) | Устройство объединения инфракрасных изображений |
Also Published As
Publication number | Publication date |
---|---|
RU2756573C1 (ru) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020224424A1 (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
Shen et al. | Shadow optimization from structured deep edge detection | |
KR101811718B1 (ko) | 영상 처리 방법 및 장치 | |
Luengo-Oroz et al. | Robust iris segmentation on uncalibrated noisy images using mathematical morphology | |
CN108764325A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN108320294B (zh) | 一种二代身份证照片的人像背景智能全自动替换方法 | |
US9153203B2 (en) | Temporally consistent superpixels | |
Mattoccia et al. | Efficient template matching for multi-channel images | |
CN113361495A (zh) | 人脸图像相似度的计算方法、装置、设备及存储介质 | |
Seghers et al. | Landmark based liver segmentation using local shape and local intensity models | |
CN115331245B (zh) | 一种基于图像实例分割的表格结构识别方法 | |
Rusyn et al. | Segmentation of atmospheric clouds images obtained by remote sensing | |
Haq et al. | An edge-aware based adaptive multi-feature set extraction for stereo matching of binocular images | |
Al-Amaren et al. | A very fast edge map-based algorithm for accurate motion estimation | |
RU2756573C9 (ru) | Устройство поиска локальных особенностей на парах инфракрасных изображений с их последующим объединением | |
Sasi et al. | Shadow detection and removal from real images: state of art | |
RU2718429C1 (ru) | Устройство обнаружения локально-стационарных областей на изображении | |
JP4201958B2 (ja) | 動画像のオブジェクト抽出装置 | |
CN115512114A (zh) | 基于混合偏移场校正的新型图像分割方法 | |
Tian et al. | Color correction in image stitching using histogram specification and global mapping | |
Mehri et al. | LiNet: A lightweight network for image super resolution | |
Ghorai et al. | Patch sparsity based image inpainting using local patch statistics and steering kernel descriptor | |
CN112419283A (zh) | 估计厚度的神经网络及其方法 | |
CN111627026A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110807776A (zh) | 一种基于全局区域对比度的农作物半翅目害虫图像自动分割算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TH4A | Reissue of patent specification |