CN105913407A - 一种基于差值图对多聚焦度图像融合优化的方法 - Google Patents
一种基于差值图对多聚焦度图像融合优化的方法 Download PDFInfo
- Publication number
- CN105913407A CN105913407A CN201610210196.6A CN201610210196A CN105913407A CN 105913407 A CN105913407 A CN 105913407A CN 201610210196 A CN201610210196 A CN 201610210196A CN 105913407 A CN105913407 A CN 105913407A
- Authority
- CN
- China
- Prior art keywords
- frequency information
- image
- fusion
- map2
- map1
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title abstract description 4
- 101000979001 Homo sapiens Methionine aminopeptidase 2 Proteins 0.000 claims description 45
- 101000969087 Homo sapiens Microtubule-associated protein 2 Proteins 0.000 claims description 45
- 101000969594 Homo sapiens Modulator of apoptosis 1 Proteins 0.000 claims description 45
- 102100021118 Microtubule-associated protein 2 Human genes 0.000 claims description 45
- 102100021440 Modulator of apoptosis 1 Human genes 0.000 claims description 45
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 6
- 208000025056 Madras motor neuron disease Diseases 0.000 description 5
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06T2207/20212—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 Processing (AREA)
Abstract
本发明涉及一种基于差值图对多聚焦图像融合优化的方法,首先基于多尺度多方向对多聚焦图像初步融合,然后通过差值图测量出的剩余信息以及聚焦区域的信息对初始的融合图像进行更新。多尺度与多方向两个方法融合起来,得到的图像区域定位准确,精度高、适于人类的视觉***,通过差值图的残留信息初始融合图像进行更新操作使融合图像更加精确,图像融合质量更高,在军事以及民用领域中有广泛的应用前景。
Description
技术领域
本发明属于图像处理领域以及信息融合领域,特别涉及一种基于差值图对多聚焦度图像融合优化的方法,在军事以及民用领域中有广泛的应用前景。
背景技术
多聚焦度图像融合技术是将不同聚焦的图像融合到一张图像中,结合集成信息的互补性,形成一张多时性、多视图性信息融合的图像,得到更加全面的场景信息。
目前,多聚焦图像融合主要分为空间域和变换域两类。基于空间域的多聚焦图像融合技术又分为像素点的融合算法(如加权平均算法)和分块区域融合算法,分块区域融合算法考虑的是像素点的灰度值和该点与相邻像素之间的联系,其方法得到的图像清晰度和对比度方面都要比像素点融合方法效果好。与基于空间域的融合技术相比,基于变换域的融合技术对图像的区域定位准确性更强,精度更高。多尺度变换在变换域的图像融合技术中扮演者不可替代的重要角色,其中最为著名的方法是:拉普拉斯金字塔方法和离散小波变换(DWT)。但是以上两种方法中,如果对于源图像的定位失准,或者在图像采集过程中出现运动区域,图像的融合效果会显著的下降。所以为了解决这个问题,又有学者提出了平移不变定向选择双树复小波变换。近年来,又有人提出了一些新的方法例如离散小波变换(DCT),非下采样轮廓波变换(NSST)四元数小波变换(QWT)。但是,在融合过程中融合变换系数会代替原像素值,多尺度变化可能会成为融合方法中的主要的缺点。
另外一个影响到融合品质的因素是子频带的融合规则。近年来,有很多学者针对这项工作做了大量的研究。并且取得了一定的研究成果。大部分的研究都是基于MST域的稀疏表示总框架(SR)。此方法是对于高频子带遵循绝对最大原则进行融合,对于低频子带采取基于SR的方法进行融合。此方法避免了平滑细节的偏移,但是它依旧存在着一些缺陷,例如独立图像特征的固有缺陷。然后,为了解决此问题,又提出了空间频率与PCNN在非下采样轮廓波变换域中相结合的方法,此方法克服了变换中的复杂结构以及过多迭代次数的限制,但是依旧 无法解决过多的人工设定参数的问题。因此,又有人提出了基于邻域特征NSCT变换,在此方法中低频子带信息遵循基于邻域能量的加权融合方法,高频子带遵循邻域特征进行融合,但是此方法集中考虑低频区域能量信息,但是对于有效区域信息的提取并没有进一步的处理。
发明内容
本发明提出了一种基于差值图对多聚焦图像融合优化的方法,基于多尺度多方向对多聚焦图像初步融合,然后通过差值图测量出的剩余信息以及聚焦区域的信息对初始的融合图像进行更新,得到的多聚焦图像融合的品质更好,精度更高。本发明采用的技术方案包括如下具体步骤:
步骤1:图像的预处理;
对源图像IA和IB进行高斯滤波,计算出源图像的平均值:
IA表示源图像A,IB表示源图像B,IAVG表示源图像A和B的均值;
步骤2:对图像多尺度多方向分解得到初始融合图像;
首先采用邻域距离滤波器对源图像IA和IB进行多尺度分解,层数为四层,每一层包含高频信息与低频信息;
然后采用NSCT多方向分解法对高频信息进行多方向分解,其中第一层分解方向为16个,第二层为8个,第三层为4个,最后一层为1个,得到IA的高频信息IA,h和低频信息IA,l,IB的高频信息IB,h和低频信息IB,l;
最后计算高频信息中像素点基于邻域的空间频率值,构造出高频信息融合的决策矩阵,通过决策矩阵对高频信息进行初步融合,低频信息采取求均值,初步融合后的高频信息和求均值后的低频信息经过多方向多尺度变换的逆变换,形成初始融合图像IIN;
步骤3:构建差值图像并计算能量值;
表示源图像IA与均值图像IAVG在像素点(i,j)的差值, 表示初始融合图像IIN与均值图像IAVG在像素点(i,j)的差值;
计算能量值:
表示IIN(i,j)和IAVG(i,j)的差值对应的能量值,表示IAVG(i,j)和IA(i,j)的差值对应的能量值,M×N表示预设的领域大小,(i+m,j+n)表示以(i,j)为中心的领域M×N内任意一点;
利用双边滤波器对能量矩阵与进行保边去噪处理,分别得到矩阵char1和char2;
步骤4:构造初始的二值图像;
(1)通过char1和char2构造初始的二值图MAP1,MAP2:
MAP1(i,j)表示像素点(i,j)在二值图MAP1中对应的取值,MAP2(i,j)表示像素点(i,j)在二值图MAP2中对应的取值,char1(i,j)表示像素点(i,j)在char1中对应的取值,char2(i,j)表示像素点(i,j)在char2中对应的取值,δ为设定的阈值;
(2)对二值图像进行修正:
X×Y表示预设的领域大小,(i+a,j+b)表示以(i,j)为中心的领域M×N内任意一点;
通过上式对MAP1和MAP2分别进行修正,得到修正后的二值图MAP1'和 MAP2',对于源图像中聚焦和非聚焦均不明显区{(i,j)|MAP1'(i,j)=MAP2'(i,j)}进行处理,取MAP1'(i,j)=MAP2'(i,j)=0.5;
步骤5:通过修正的二值图MAP1',MAP2'对源图像IA和IB进行融合。
(1)基于空间域的融合:
比较修正的二值图MAP1',MAP2',若满足MAP1'(i,j)=0,MAP2'(i,j)=1,则选择源图像IB(i,j)进行填充,若满足MAP1'(i,j)=1,MAP2'(i,j)=0,则选择源图像IA(i,j)进行填充,其他的情况则选择初始融合图像IIN(i,j)进行填充。IF(i,j)为最后优化生成的融合结果;
(2)基于变换域的融合:
比较修正的二值图MAP1',MAP2',若满足MAP1'(i,j)=1,MAP2'(i,j)=0,则选择源图像IA的高频信息IA,h(i,j)和低频信息IA,l(i,j)为融合图像的高频信息和低频信息,若满足MAP1'(i,j)=0,MAP2'(i,j)=1,则选择源图像IB的高频信息IB,h(i,j)代和低频信息IB,l(i,j)为融合图像的高频信息和低频信息,若满足MAP1'(i,j)=MAP2'(i,j)=0.5,则选择初始融合图像IIN的高频信息IIN , h(i,j)和低频信息IIN,l(i,j)为融合图像的高频信息和低频信息然后对得到的融合图像的高低频信息进行逆变换,得到最终的融合结果IF。
本发明的有益效果
该方法采用差值图来对融合图像进行更新,让残留的多聚焦图像信息能更加 准确的对融合图像更新,使融合图像更加精确、品质更高。多尺度与多方向两个方法融合起来,得到的图像区域定位准确,精度高、适于人类的视觉***,多方向的方法弥补了多尺度方法的一些弊端,多方向弥补了多尺度图像中会丢一些边缘有效信息的情况,通过多方向融合技术对其边缘与线条这些重要信息得到了有效的保存。
附图说明:
图1是本发明方法的流程图;
图2是形成初始融合图像的流程图;
图3是本发明中基于空间域的图像融合流程图;
图4是本发明中基于变换域的图像融合流程图;
图5是待融合的两组多聚焦度源图像,(a)和(b)为flower图,(c)和(d)为lab图;
图6是flower图在本发明方法与其他四种方法下的融合结果,其中(a)和(b)分别为本发明提出的基于空间域和变换域的融合效果图,(c)-(f)分别为四种对比方法非下采样轮廓波变化(NSCT)、NSCT对比度增强方法(NSCT-Co)、邻域距离(ND)和邻域距离多方向方法(MMND)的融合效果图;
图7是图6中对应的融合图形与源图像(b)的差值图;
图8是lab图在本发明方法与其他四种方法下的融合结果,其中(a)和(b)分别为本发明提出的基于空间域和变换域的融合效果图,(c)-(f)分别为四种对比方法非下采样轮廓波变化(NSCT)、NSCT对比度增强方法(NSCT-Co)、邻域距离(ND)和邻域距离多方向方法(MMND)的融合效果图;
图9是图8中对应的融合图像与源图像(d)的差值图。
具体实施方式
下面结合附图和具体实施例对对本发明作进一步的说明。
实施例1:如图1所示,本发明基于多尺度多方向对多聚焦图像初步融合,然后通过差值图对初始的融合图像进行空间域和变换域更新,得到最终融合图像。如图2-4所示,具体步骤包括:
步骤1:图像的预处理:
对源图像IA和IB进行高斯滤波,计算出源图像的平均值:
IA表示源图像A,IB表示源图像B,IAVG表示源图像A和B的均值;
步骤2:对图像多尺度多方向分解得到初始融合图像;
首先采用邻域距离滤波器对源图像IA和IB进行多尺度分解,层数为四层,每一层包含高频信息与低频信息;
然后采用NSCT多方向分解法对高频信息进行多方向分解,其中第一层分解方向为16个,第二层为8个,第三层为4个,最后一层为1个,得到IA的高频信息IA,h和低频信息IA,l,IB的高频信息IB,h和低频信息IB,l;
最后计算高频信息中像素点基于邻域的空间频率值,构造出高频信息融合的决策矩阵,通过决策矩阵对高频信息进行初步融合,低频信息采取求均值,初步融合后的高频信息和求均值后的低频信息经过多方向多尺度变换的逆变换,形成初始融合图像IIN;
步骤3:构建差值图像并计算能量值;
表示源图像IA与均值图像IAVG在像素点(i,j)的差值, 表示初始融合图像IIN与均值图像IAVG在像素点(i,j)的差值;
计算能量值:
表示IIN(i,j)和IAVG(i,j)的差值对应的能量值,表示IAVG(i,j)和IA(i,j)的差值对应的能量值,M×N表示预设的领域大小,(i+m,j+n)表示以(i,j)为中心的领域M×N 内任意一点;本实施例中M×N=11×11
利用双边滤波器对能量矩阵与进行进一步的处理,分别得到矩阵char1和char2。此处双边滤波器的作用是对能量值的邻近度和像素值相似度的折衷处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的。其中双边滤波器的参数设置为,窗口大小为window=11×11,高斯方差为sigma=21。
步骤4:构造初始的二值图像;
(1)通过char1和char2构造初始的二值图MAP1,MAP2:
MAP1(i,j)表示像素点(i,j)在二值图MAP1中对应的取值,MAP2(i,j)表示像素点(i,j)在二值图MAP2中对应的取值,char1(i,j)表示像素点(i,j)在char1中对应的取值,char2(i,j)表示像素点(i,j)在char2中对应的取值,δ为设定的阈值,本实施例中δ=0.0025。
(2)然后再对二值图像进行修正:
X×Y表示预设的领域大小,(i+a,j+b)表示以(i,j)为中心的领域M×N内任意一点。
通过上式对MAP1和MAP2分别进行修正,得到修正后的二值图MAP1'和MAP2',在此处进行像素一致性验证的目的是,在有些错选、漏选的孤点对融合过程会有坏的影响,因此要通过像素一致性来忽略这些错选像素。对于区域{(i,j)|MAP1'(i,j)=MAP2'(i,j)},即两张源图像中聚焦和非聚焦均不明显区域,对这些区域进行处理:MAP1'(i,j)=MAP2'(i,j)=0.5。
步骤5:通过修正的二值图MAP1',MAP2'对源图像IA和IB进行融合。
(1)基于空间域的融合:
比较修正的二值图MAP1',MAP2',若满足MAP1'(i,j)=0,MAP2'(i,j)=1,则选择源图像IB(i,j)进行填充,若满足MAP1'(i,j)=1,MAP2'(i,j)=0,则选择源图像IA(i,j)进行填充,其他的情况则选择初始融合图像IIN(i,j)进行填充。IF(i,j)为最后优化生成的融合结果;
(2)基于变换域的融合:
比较修正的二值图MAP1',MAP2',若满足MAP1'(i,j)=1,MAP2'(i,j)=0,则选择源图像IA的高频信息IA,h(i,j)和低频信息IA,l(i,j)为融合图像的高频信息和低频信息,若满足MAP1'(i,j)=0,MAP2'(i,j)=1,则选择源图像IB的高频信息IB,h(i,j)代和低频信息IB,l(i,j)为融合图像的高频信息和低频信息,若满足MAP1'(i,j)=MAP2'(i,j)=0.5,则选择初始融合图像IIN的高频信息IIN , h(i,j)和低频信息IIN,l(i,j)为融合图像的高频信息和低频信息然后对得到的融合图像的高低频信息进行逆变换,得到最终的融合结果IF。
实验结果
为了比较说明本方法与传统方法相比的优越性,这里选用四种对比方法:非下采样轮廓波变化(NSCT)、NSCT对比度增强方法(NSCT-Co)、邻域距离(ND)和邻域距离多方向方法(MMND)。
本实施例中选取的一组源图像如图5中所示(a)和(b),为静止的flower图。融合结果如图6所示,(a)和(b)分别代表本发明中基于空间域的优化方法(MMND-SD)和基于变换域的优化方法(MMND-TD)的融合结果。图6在视觉上不能明显看出多聚焦区域融合的效果,为了与其他方法比较更加明显,将融 合图像与源图像作差,这里选取差值图视觉效果较明显的源图像(b)来作差。图7中红框区域中可以观察到(a)和(b)即本发明的方法融合效果好,红框中基本观察不到剩下的源图像的信息。剩下的差值图中,可以明显观察到都剩余了源图像信息,(e)和(f)中明显还包含墙壁的纹理信息,在(c)和(d)中能明显观察到图像右下角叶片的信息没有无完全融合。
除了从主观视觉上来评价融合结果外,这里还采用了客观评价指标来进行客观评价。在客观评价指标中采用交互信息MI、非线性相关信息熵NCIE、基于多尺度的度量方法Q_M、陈氏度量Q_CB。指标数值越大,说明融合效果越好,如表1所示,本发明方法的四个指标的数值均比其他四种方法的大,说明采取本发明方法的图像融合效果好。
表1:Flower图不同融合方法的客观评价
实施例2;本实施例选取的源图像为图5中的(c)和(d),为有轻微晃动的一组图,在多聚焦图像融合中具有一定的代表性,其余步骤与实施1相同。
融合结果如图8所示,选取源图像(d)作差值图如图9所示,可以看出本发明方法的融合图像没有明显的剩余信息,而其他四张图中,在人的头部会有明显的区域选择失准导致的融合信息的剩余。客观评价指标如表2所示,本发明方法的四个指标的数值均比其他四种方法的大,说明采取本发明方法的图像融合效果好。
表2:Lab图不同融合方法的客观评价
上面结合附图对本发明的具体实施例作了详细说明,但是本发明并不限于上述实 施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于差值图对多聚焦度图像融合优化的方法,其特征在于:包括如下具体步骤:
步骤1:图像的预处理;
对源图像IA和IB进行高斯滤波,计算出源图像的平均值:
IA表示源图像A,IB表示源图像B,IAVG表示源图像A和B的均值;
步骤2:对图像多尺度多方向分解得到初始融合图像;
首先采用邻域距离滤波器对源图像IA和IB进行多尺度分解,层数为四层,每一层包含高频信息与低频信息;
然后采用NSCT多方向分解法对高频信息进行多方向分解,其中第一层分解方向为16个,第二层为8个,第三层为4个,最后一层为1个,得到IA的高频信息IA,h和低频信息IA,l,IB的高频信息IB,h和低频信息IB,l;
最后计算高频信息中像素点基于邻域的空间频率值,构造出高频信息融合的决策矩阵,通过决策矩阵对高频信息进行初步融合,低频信息采取求均值,初步融合后的高频信息和求均值后的低频信息经过多方向多尺度变换的逆变换,形成初始融合图像IIN;
步骤3:构建差值图像并计算能量值;
表示源图像IA与均值图像IAVG在像素点(i,j)的差值,表示初始融合图像IIN与均值图像IAVG在像素点(i,j)的差值;
计算能量值:
表示IIN(i,j)和IAVG(i,j)的差值对应的能量值,表示IAVG(i,j)和IA(i,j)的差值对应的能量值,M×N表示预设的领域大小,(i+m,j+n)表示以(i,j)为中心的领域M×N内任意一点;
利用双边滤波器对能量矩阵与进行保边去噪处理,分别得到矩阵char1和char2;
步骤4:构造初始的二值图像;
(1)通过char1和char2构造初始的二值图MAP1,MAP2:
MAP1(i,j)表示像素点(i,j)在二值图MAP1中对应的取值,MAP2(i,j)表示像素点(i,j)在二值图MAP2中对应的取值,char1(i,j)表示像素点(i,j)在char1中对应的取值,char2(i,j)表示像素点(i,j)在char2中对应的取值,δ为设定的阈值;
(2)对二值图像进行修正:
X×Y表示预设的领域大小,(i+a,j+b)表示以(i,j)为中心的领域M×N内任意一点;
通过上式对MAP1和MAP2分别进行修正,得到修正后的二值图MAP1'和MAP2',对于源图像中聚焦和非聚焦均不明显区{(i,j)|MAP1'(i,j)=MAP2'(i,j)}进行处理,取MAP1'(i,j)=MAP2'(i,j)=0.5;
步骤5:通过修正的二值图MAP1',MAP2'对源图像IA和IB进行融合。
2.根据权利要求1所述的基于差值图对多聚焦度图像融合优化的方法,其特征在于:步骤5中的融合规则如下:
(1)基于空间域的融合:
比较修正的二值图MAP1',MAP2',若满足MAP1'(i,j)=0,MAP2'(i,j)=1,则选择源图像IB(i,j)进行填充,若满足MAP1'(i,j)=1,MAP2'(i,j)=0,则选择源图像IA(i,j)进行填充,其他的情况则选择初始融合图像IIN(i,j)进行填充。IF(i,j)为最后优化生成的融合结果;
(2)基于变换域的融合:
比较修正的二值图MAP1'和MAP2',若满足MAP1'(i,j)=1,MAP2'(i,j)=0,则选择源图像IA的高频信息IA,h(i,j)和低频信息IA,l(i,j)为融合图像的高频信息和低频信息,若满足MAP1'(i,j)=0,MAP2'(i,j)=1,则选择源图像IB的高频信息IB,h(i,j)代和低频信息IB,l(i,j)为融合图像的高频信息和低频信息,若满足MAP1'(i,j)=MAP2'(i,j)=0.5,则选择初始融合图像IIN的高频信IIN,h(i,j)和低频信息IIN,l(i,j)为融合图像的高频信息和低频信息然后对得到的融合图像的高低频信息进行逆变换,得到最终的融合结果IF。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610210196.6A CN105913407B (zh) | 2016-04-06 | 2016-04-06 | 一种基于差值图对多聚焦度图像融合优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610210196.6A CN105913407B (zh) | 2016-04-06 | 2016-04-06 | 一种基于差值图对多聚焦度图像融合优化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913407A true CN105913407A (zh) | 2016-08-31 |
CN105913407B CN105913407B (zh) | 2018-09-28 |
Family
ID=56745700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610210196.6A Active CN105913407B (zh) | 2016-04-06 | 2016-04-06 | 一种基于差值图对多聚焦度图像融合优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913407B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403416A (zh) * | 2017-07-26 | 2017-11-28 | 温州大学 | 基于nsct的改进滤波与阈值函数的医学超声图像去噪方法 |
CN108171676A (zh) * | 2017-12-01 | 2018-06-15 | 西安电子科技大学 | 基于曲率滤波的多聚焦图像融合方法 |
CN108399645A (zh) * | 2018-02-13 | 2018-08-14 | 中国传媒大学 | 基于轮廓波变换的图像编码方法和装置 |
CN109658371A (zh) * | 2018-12-05 | 2019-04-19 | 北京林业大学 | 红外图像与可见光图像的融合方法、***及相关设备 |
CN109754386A (zh) * | 2019-01-15 | 2019-05-14 | 哈尔滨工程大学 | 一种递进式前视声纳图像融合方法 |
CN113379660A (zh) * | 2021-06-15 | 2021-09-10 | 深圳市赛蓝科技有限公司 | 一种多维度规则的多焦点图像融合方法及*** |
CN113947554A (zh) * | 2020-07-17 | 2022-01-18 | 四川大学 | 一种基于nsst和显著信息提取的多聚焦图像融合方法 |
CN115205181A (zh) * | 2022-09-15 | 2022-10-18 | 季华实验室 | 一种多聚焦图像融合方法、装置、电子设备及存储介质 |
CN116916166A (zh) * | 2023-09-12 | 2023-10-20 | 湖南湘银河传感科技有限公司 | 一种基于ai图像解析的遥测终端机 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130101177A1 (en) * | 2011-04-12 | 2013-04-25 | Hitoshi Yamada | Motion estimation apparatus, depth estimation apparatus, and motion estimation method |
CN103854265A (zh) * | 2012-12-03 | 2014-06-11 | 西安元朔科技有限公司 | 一种新的多聚焦图像融合技术 |
-
2016
- 2016-04-06 CN CN201610210196.6A patent/CN105913407B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130101177A1 (en) * | 2011-04-12 | 2013-04-25 | Hitoshi Yamada | Motion estimation apparatus, depth estimation apparatus, and motion estimation method |
CN103854265A (zh) * | 2012-12-03 | 2014-06-11 | 西安元朔科技有限公司 | 一种新的多聚焦图像融合技术 |
Non-Patent Citations (3)
Title |
---|
JING TIAN ET AL.: "Adaptive multi-focus image fusion using a wavelet-based statistical sharpness measure", 《SIGNAL PROCESSING》 * |
YONG YANG ET AL.: "Multifocus Image Fusion Based on NSCT and Focused Area Detection", 《IEEE SENSORS JOURNAL》 * |
刘羽 等: "结合小波变换和自适应分块的多聚焦图像快速融合", 《中国图象图形学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403416B (zh) * | 2017-07-26 | 2020-07-28 | 温州大学 | 基于nsct的改进滤波与阈值函数的医学超声图像去噪方法 |
CN107403416A (zh) * | 2017-07-26 | 2017-11-28 | 温州大学 | 基于nsct的改进滤波与阈值函数的医学超声图像去噪方法 |
CN108171676A (zh) * | 2017-12-01 | 2018-06-15 | 西安电子科技大学 | 基于曲率滤波的多聚焦图像融合方法 |
CN108171676B (zh) * | 2017-12-01 | 2019-10-11 | 西安电子科技大学 | 基于曲率滤波的多聚焦图像融合方法 |
CN108399645A (zh) * | 2018-02-13 | 2018-08-14 | 中国传媒大学 | 基于轮廓波变换的图像编码方法和装置 |
CN108399645B (zh) * | 2018-02-13 | 2022-01-25 | 中国传媒大学 | 基于轮廓波变换的图像编码方法和装置 |
CN109658371A (zh) * | 2018-12-05 | 2019-04-19 | 北京林业大学 | 红外图像与可见光图像的融合方法、***及相关设备 |
CN109658371B (zh) * | 2018-12-05 | 2020-12-15 | 北京林业大学 | 红外图像与可见光图像的融合方法、***及相关设备 |
CN109754386A (zh) * | 2019-01-15 | 2019-05-14 | 哈尔滨工程大学 | 一种递进式前视声纳图像融合方法 |
CN113947554A (zh) * | 2020-07-17 | 2022-01-18 | 四川大学 | 一种基于nsst和显著信息提取的多聚焦图像融合方法 |
CN113947554B (zh) * | 2020-07-17 | 2023-07-14 | 四川大学 | 一种基于nsst和显著信息提取的多聚焦图像融合方法 |
CN113379660A (zh) * | 2021-06-15 | 2021-09-10 | 深圳市赛蓝科技有限公司 | 一种多维度规则的多焦点图像融合方法及*** |
CN115205181A (zh) * | 2022-09-15 | 2022-10-18 | 季华实验室 | 一种多聚焦图像融合方法、装置、电子设备及存储介质 |
CN116916166A (zh) * | 2023-09-12 | 2023-10-20 | 湖南湘银河传感科技有限公司 | 一种基于ai图像解析的遥测终端机 |
CN116916166B (zh) * | 2023-09-12 | 2023-11-17 | 湖南湘银河传感科技有限公司 | 一种基于ai图像解析的遥测终端机 |
Also Published As
Publication number | Publication date |
---|---|
CN105913407B (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913407A (zh) | 一种基于差值图对多聚焦度图像融合优化的方法 | |
CN103985108B (zh) | 一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法 | |
CN106339998A (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
CN103390280B (zh) | 基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN104881855B (zh) | 一种利用形态学和自由边界条件活动轮廓模型的多聚焦图像融合方法 | |
CN109801292A (zh) | 一种基于生成对抗网络的沥青公路裂缝图像分割方法 | |
CN104408700A (zh) | 基于形态学和pca的轮廓波红外与可见光图像融合方法 | |
CN107909560A (zh) | 一种基于SiR的多聚焦图像融合方法及*** | |
CN107369148A (zh) | 基于改进sml与导向滤波的多聚焦图像融合方法 | |
CN104182952B (zh) | 多聚焦序列图像融合方法 | |
CN109685732A (zh) | 一种基于边界捕捉的深度图像高精度修复方法 | |
CN103455991A (zh) | 一种多聚焦图像融合方法 | |
CN104036479A (zh) | 一种基于非负矩阵分解的多聚焦图像融合方法 | |
CN105894513B (zh) | 顾及影像对象时空变化的遥感影像变化检测方法及*** | |
CN108564597A (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN106447640B (zh) | 基于字典学习、旋转引导滤波的多聚焦图像融合方法及装置 | |
CN104966274B (zh) | 一种采用图像检测与区域提取的局部模糊复原方法 | |
CN107978017A (zh) | 基于框线提取的室内结构快速建模方法 | |
CN109064505A (zh) | 一种基于滑动窗口张量提取的深度估计方法 | |
CN103985104B (zh) | 基于高阶奇异值分解和模糊推理的多聚焦图像融合方法 | |
CN106408580A (zh) | 一种基于模糊c均值和均值漂移的肝脏区域提取方法 | |
CN101216936A (zh) | 基于成像机理与非采样Contourlet变换多聚焦图像融合方法 | |
CN105184761A (zh) | 一种基于小波分析的图像去雨方法及*** | |
CN104778673B (zh) | 一种改进的高斯混合模型深度图像增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210224 Address after: 650000 room 1701, 17th floor, block a, science and Technology Information Innovation Incubation Center, Chenggong District, Kunming City, Yunnan Province Patentee after: YUNNAN UNITED VISUAL TECHNOLOGY Co.,Ltd. Address before: 650093 No. 253, Xuefu Road, Wuhua District, Yunnan, Kunming Patentee before: Kunming University of Science and Technology |
|
TR01 | Transfer of patent right |