CN109191416A - 基于稀疏字典学习和剪切波的图像融合方法 - Google Patents
基于稀疏字典学习和剪切波的图像融合方法 Download PDFInfo
- Publication number
- CN109191416A CN109191416A CN201810998219.3A CN201810998219A CN109191416A CN 109191416 A CN109191416 A CN 109191416A CN 201810998219 A CN201810998219 A CN 201810998219A CN 109191416 A CN109191416 A CN 109191416A
- Authority
- CN
- China
- Prior art keywords
- low frequency
- band
- frequency sub
- image
- shearing wave
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010008 shearing Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000002156 mixing Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000007500 overflow downdraw method Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012014 optical coherence tomography Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于稀疏字典学习和剪切波的图像融合方法,基于稀疏字典学习和剪切波的图像融合方法,包括如下步骤:步骤1,对已经配准好的两幅源图像进行剪切波变换,以获得对应的低频子带系数和高频子带系数,步骤2:对低频子带系数进行稀疏字典学习,并进行融合得到低频融合系数;步骤3,对高频子带系数采用同一尺度下方向子带绝对值和取最大值的方法进行融合,得到高频融合系数;步骤4,对所述低频融合系数和高频融合系数进行剪切波逆变换,得到融合图像。本发明可以将图像分解为更多的方向子带,为后续图像融合处理提供更多方向子带信息,能够准确捕获图像中的边缘信息,最终提高了图像融合质量。
Description
技术领域
本发明涉及图像融合技术领域,更具体的说是涉及一种应用于军事侦察、医疗诊断和遥感等领域的基于稀疏字典学习和剪切波的图像融合方法。
背景技术
传感器技术的发展呈现出成像机理多样化、工作环境复杂化、工作波段多元化和功能模块工作的协同化等特点,极大地拓展了人类认识世界的深度和广度。前视红外、激光成像雷达、合成孔径雷达、光学相干断层成像、光学多孔径成像等新型传感器实现了对自然世界的多元模式表达,被广泛应用于军事和民用领域。
图像融合通过挖掘反映同一场景不同角度或不同频率波段的有用信息,利用特定的数据处理方法提取其互补分量进行综合表示,实现对场景内容更为全面、精确的表达。多源图像融合的优点体现在:融合图像比源图像分辨率更高、信息集聚度更强,有利于后续的检测识别或目标跟踪;融合图像能够抑制噪声影响,减少决策过程中的不确定因素;融合图像实现了多源信息更高效的表达,能提供更丰富的有用信息;单一传感器性能提升代价高昂,多源图像融合技术则方便经济,融合***具有良好的应用前景。
在图像融合文献中,多尺度变换和稀疏表示是两种最广泛使用的信号/图像表示理论。多尺度变换分解工具包括金字塔变换、小波变换、曲波变换、轮廓波变换、非下采样轮廓波变换,然而上述方法的稀疏表示能力较差,分解后的图像方向子带信息有限。而稀疏字典学习融合方法可以精确的拟合数据,并且分解系数越稀疏越能反映信号内在特征,可以通过稀疏表示来提高低频子带稀疏度,从而提高融合效果,但稀疏表示不能精确表示高频信息,即不能多尺度多方向的分析数据,如果高频采用稀疏表示进行融合,则会存在高频信息丢失的问题。
因此,如何提供一种能够准确捕获图像的边缘和纹理信息以提高图像融合质量的基于稀疏字典学习和剪切波的图像融合方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明采用非下采样剪切波变换将待融合图像分解成低频子带系数和高频子带系数;低频子带系数反映了图像的基础轮廓,同时对稀疏度较差的低频子带系数进行字典学习,高频子带系数反映了图像的边缘和纹理信息,采用同一尺度下方向子带绝对值和取最大的方法融合以捕获源图像中的显著特征,最终提高融合效果。
为了实现上述目的,本发明采用如下技术方案:一种基于稀疏字典学习和剪切波的图像融合方法,包括如下步骤:
步骤1,对已经配准好的两幅源图像{IA,IB}进行剪切波变换,以获得对应的低频子带系数{LA,LB}和高频子带系数{HA,HB},图像大小为M×N;
步骤2:对低频子带系数进行稀疏字典学习,并进行融合得到低频融合系数LF;
步骤3,对高频子带系数采用同一尺度下方向子带绝对值和取最大值的方法进行融合,得到高频融合系数HF;
步骤4,对所述低频融合系数LF和高频融合系数HF进行剪切波逆变换,得到融合图像。
剪切波具有更加优异稀疏表示能力,能够准确地捕获图像中的细节信息、同时去除了伪影现象、有良好的重构效果。图像融合中,子带系数融合规则包括绝对值取大和加权平均,绝对值取大是选择对应子带系数大的作为融合系数,可以提高融合图像的对比度,加权平均根据不同权重因子将子带系数加权平均,可以较好保留待融合图像有用信息、轮廓和形状。
优选的,所述步骤2具体包括:
(1)滑窗取块,按照从左上到右下的顺序,将所述低频子带系数{LA,LB}以步长l,大小为的滑动窗口进行分块提取,得到大小为的分块其中,对于每个位置i,再将所有分块转置排列为列向量然后通过
将每个所述列向量的平均值归一化为零以获得构成低频子带稀疏字典学***均值;
(2)学习低频子带稀疏字典以构成稀疏表示的基原子;
(3)低频子带系数融合,的系数表示为用最大范数L1规则合并和以获得融合的稀疏矢量
和的融合结果由下式计算
其中,为合并的平均值,由下式得出
再将融合向量转置即得到融合分块将***到LF的原始位置;当分块之间有重叠的部分时,对应LF中的每个像素上的值取平均。。
优选的,首先从所述低频子带稀疏字典学习样本集中随机选取P个样本构成训练集,然后随机初始化一个大小为n×m的字典D0,其中n<m,n为字典原子的大小,m为每个字典的原子数;
使用正交匹配追踪算法来计算稀疏系数向量,即并不断迭代更新低频子带稀疏字典D,
其中,D是学习的低频子带稀疏字典,αA、αB分别为对应的全部系数,||αA||0、||αB||0分别为αA、αB中所包含的非零分量个数,ε为容错误差,并保存所述低频子带稀疏字典D。
优选的,所述源图像包括但不限于配准好的多聚焦图像、中红外和远红外图片。
优选的,所述字典D0中,n=64,m=256。
经由上述的技术方案可知,本发明提供一种基于稀疏字典学习和剪切波的图像融合方法,具体有益效果如下:
一、本发明采用剪切波变换进行图像多尺度分解,相比传统小波变换、曲波变换和轮廓波变换,可以将图像分解为更多的方向子带,为后续图像融合处理提供更多方向子带信息,能够准确捕获图像中的边缘信息,且不会引入伪吉布斯效应。
二、本发明融合方法低频子带采用稀疏字典学习方法进行融合,提高了低频子带稀疏度,高频子带采用同一尺度下方向子带绝对值最大方法融合,最终提高了图像融合质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明基于稀疏字典学习和剪切波的图像融合方法的原理框图;
图2附图为本发明两幅源图像的左右聚焦图像;
图3附图为非下采样轮廓波变换和稀疏字典学习融合结果与本发明剪切波和稀疏字典学习融合结果的对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照说明书附图1,本发明的基于稀疏字典学习和剪切波的图像融合方法包括如下步骤:
步骤1,参见说明书附图2为两幅源图像,图2(a)为左聚焦图像,图2(b)为右聚焦图片,对已经配准好的两幅源图像{IA,IB}进行剪切波变换,以获得对应的低频子带系数{LA,LB}和高频子带系数{HA,HB},图像大小为M×N;
步骤2:对低频子带系数进行稀疏字典学习,并进行融合得到低频融合系数LF;
(1)滑窗取块,按照从左上到右下的顺序,将低频子带系数{LA,LB}以步长l,大小为的滑动窗口进行分块提取,得到大小为的分块其中,对于每个位置i,再将所有分块转置排列为列向量然后通过
将每个列向量的平均值归一化为零以获得构成低频子带稀疏字典学***均值;
(2)学习低频子带稀疏字典以构成稀疏表示的基原子;首先从低频子带稀疏字典学习样本集中随机选取P个样本构成训练集,然后随机初始化一个大小为n×m的字典D0,其中n<m,n为字典原子的大小,m为每个字典的原子数;
字典学习是将高维信号用较少的字典原子进行表示,对于有限维空间,如果列向量ai(i=1,2,3...,n),A={a1,a2,...,an}是此有限维空间的一组基,那么n维列向量b可以表示为其中,x=(x1,x2,...,x3)T为向量b的表示系数,如果选取A为A={a1,a2,...,am}m<n,那么求得x的解通常是无穷个的。在解空间中,所求的系数向量x中非零分量的个数最少,就是寻找一个最稀疏的表示,记号||x||0表示为向量x中所含非零分量的个数,要使得||x||0最小,数学表示为s.t b=Ax,s.t表示在约束条件下。而在实际中,约束条件通常为近似,即为s.t||b-Ax||≤ε。
在稀疏字典学习中,即为
其中,yi为信号,为信号所对应的表示系数,ε为容错误差,D为字典。
使用正交匹配追踪算法来计算稀疏系数向量,即并不断迭代更新低频子带稀疏字典D,
其中,D是学习的低频子带稀疏字典,αA、αB分别为对应的全部系数,||αA||0、||αB||0分别为αA、αB中所包含的非零分量个数,ε为容错误差,并保存低频子带稀疏字典D。
在一个实施例中,字典D0的n=64,m=256。
(3)低频子带系数融合,的表示系数为用最大范数L1规则合并和以获得融合的稀疏矢量
和的融合结果由下式计算
其中,为合并的平均值,由下式得出
再将融合向量转置即得到融合分块将***到LF的原始位置;当分块之间有重叠的部分时,对应LF中的每个像素上的值取平均。因为相邻的分块步长为1,分块边长为所以之间有重叠的部分,所以在重构时,融合后的分块之间每重叠一次应该在原来基础上做一次平均。
步骤3,对高频子带系数采用同一尺度下方向子带绝对值和取最大值的方法进行融合,得到高频融合系数HF;
高频子带系数{HA,HB},HA类似低频子带系数,与原图像等大的矩阵构成,绝对值取大是指A,B对应矩阵同一位置的值取绝对值然后比较大小,绝对值大的值作为融合后的高频值,
即:
得到高频融合系数HF;
步骤4,对低频融合系数LF和高频融合系数HF进行剪切波逆变换,得到融合图像。参见说明书附图3所示,3(a)为非下采样轮廓波变换和稀疏字典学习融合方法结果,3(b)为剪切波和稀疏字典学习融合方法结果。
为了定量评价不同融合方法用于多聚焦图片融合性能,本发明采用信息熵(EN)、平均梯度(AVG)、边缘强度(EI)以及互信息(MI)等评价参数,用于对比的融合方法采用非下采样轮廓波变换和稀疏字典学习融合方法,以及剪切波和稀疏字典学习融合方法记过如下表1所示,参数越大表示效果越好,图像边缘纹理信息越丰富、融合图像质量越好。
表1非下采样轮廓波变换和稀疏字典学习融合结果与本发明剪切波和稀疏字典学习融合结果参数比对表
NSCT_SR | NSST_SR | |
EN(信息熵) | 7.329228237 | 7.34036016 |
AVG(平均梯度) | 5.676997966 | 5.683472982 |
EI(边缘强度) | 60.42435937 | 60.77937653 |
FD(图像清晰度) | 6.590472177 | 6.641491989 |
MI(互信息) | 5.319732697 | 5.323883589 |
如表1中数据所示,第一列为评价参数,第二列为非下采样轮廓波变换和稀疏字典学习融合方法,第三列为本发明剪切波和稀疏字典学习融合方法。可以看出信息熵、边缘强度、图像清晰度等评价参数有较大的提升,表明本发明方法能够增强图像的细节表现能力,从源图像提取了更多子带信息并加以融合,所以具有更好的融合效果。
为了进一步优化上述技术方案,源图像包括但不限于配准好的多聚焦图像、中红外和远红外图片。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于稀疏字典学习和剪切波的图像融合方法,其特征在于,包括如下步骤:
步骤1,对已经配准好的两幅源图像{IA,IB}进行剪切波变换,以获得对应的低频子带系数{LA,LB}和高频子带系数{HA,HB},图像大小为M×N;
步骤2:对低频子带系数进行稀疏字典学习,并进行融合得到低频融合系数LF;
步骤3,对高频子带系数采用同一尺度下方向子带绝对值和取最大值的方法进行融合,得到高频融合系数HF;
步骤4,对所述低频融合系数LF和高频融合系数HF进行剪切波逆变换,得到融合图像。
2.根据权利要求1所述基于稀疏字典学习和剪切波的图像融合方法,其特征在于,所述步骤2具体包括:
(1)滑窗取块,按照从左上到右下的顺序,将所述低频子带系数{LA,LB}以步长l,大小为的滑动窗口进行分块提取,得到大小为的分块其中,对于每个位置i,再将所有分块转置排列为列向量然后通过
将每个所述列向量的平均值归一化为零以获得构成低频子带稀疏字典学***均值;
(2)学习低频子带稀疏字典以构成稀疏表示的基原子;
(3)低频子带系数融合,的系数表示为用最大范数L1规则合并和以获得融合的稀疏矢量
和的融合结果由下式计算
其中,为合并的平均值,由下式得出
再将融合向量转置即得到融合分块将***到LF的原始位置;当分块之间有重叠的部分时,对应LF中的每个像素上的值取平均。
3.根据权利要求2所述基于稀疏字典学习和剪切波的图像融合方法,其特征在于,首先从所述低频子带稀疏字典学习样本集中随机选取P个样本构成训练集,然后随机初始化一个大小为n×m的字典D0,其中n<m,n为字典原子的大小,m为每个字典的原子数;
使用正交匹配追踪算法来计算稀疏系数向量,即并不断迭代更新低频子带稀疏字典D,
其中,D是学习的低频子带稀疏字典,αA、αB分别为对应的全部系数,||αA||0、||αB||0分别为αA、αB中所包含的非零分量个数,ε为容错误差,并保存所述低频子带稀疏字典D。
4.根据权利要求1所述基于稀疏字典学习和剪切波的图像融合方法,其特征在于,所述源图像包括但不限于配准好的多聚焦图像、中红外和远红外图片。
5.根据权利要求3所述基于稀疏字典学习和剪切波的图像融合方法,其特征在于,所述字典D0中,n=64,m=256。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810998219.3A CN109191416A (zh) | 2018-08-29 | 2018-08-29 | 基于稀疏字典学习和剪切波的图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810998219.3A CN109191416A (zh) | 2018-08-29 | 2018-08-29 | 基于稀疏字典学习和剪切波的图像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109191416A true CN109191416A (zh) | 2019-01-11 |
Family
ID=64916515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810998219.3A Pending CN109191416A (zh) | 2018-08-29 | 2018-08-29 | 基于稀疏字典学习和剪切波的图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191416A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785282A (zh) * | 2019-01-22 | 2019-05-21 | 厦门大学 | 一种多聚焦图像融合方法 |
CN110084772A (zh) * | 2019-03-20 | 2019-08-02 | 浙江医院 | 基于弯曲波的mri/ct融合方法 |
CN111429393A (zh) * | 2020-04-15 | 2020-07-17 | 四川警察学院 | 基于卷积弹性网络的多聚焦图像融合方法 |
CN111429392A (zh) * | 2020-04-13 | 2020-07-17 | 四川警察学院 | 基于多尺度变换和卷积稀疏表示的多聚焦图像融合方法 |
CN111724334A (zh) * | 2020-06-15 | 2020-09-29 | 石家庄铁道大学 | 多聚焦图像融合方法 |
CN111899208A (zh) * | 2020-08-11 | 2020-11-06 | 四川警察学院 | 基于卷积分析算子的多模态图像融合方法 |
CN113671492A (zh) * | 2021-07-29 | 2021-11-19 | 西安电子科技大学 | 一种面向机动平台前视成像的samp重构方法 |
CN115035012A (zh) * | 2022-06-09 | 2022-09-09 | 浙江大学 | 基于小波变换和块稀疏表示的医学影像融合方法、***及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130129201A1 (en) * | 2011-11-18 | 2013-05-23 | Dehong Liu | Method for Pan-Sharpening Panchromatic and Multispectral Images Using Wavelet Dictionaries |
CN106981058A (zh) * | 2017-03-29 | 2017-07-25 | 武汉大学 | 一种基于稀疏字典的光学与红外图像融合方法及*** |
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 |
CN107886489A (zh) * | 2017-12-04 | 2018-04-06 | 新疆大学 | 基于剪切波变换及引导滤波技术提高医学图像质量的方法 |
-
2018
- 2018-08-29 CN CN201810998219.3A patent/CN109191416A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130129201A1 (en) * | 2011-11-18 | 2013-05-23 | Dehong Liu | Method for Pan-Sharpening Panchromatic and Multispectral Images Using Wavelet Dictionaries |
CN106981058A (zh) * | 2017-03-29 | 2017-07-25 | 武汉大学 | 一种基于稀疏字典的光学与红外图像融合方法及*** |
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 |
CN107886489A (zh) * | 2017-12-04 | 2018-04-06 | 新疆大学 | 基于剪切波变换及引导滤波技术提高医学图像质量的方法 |
Non-Patent Citations (1)
Title |
---|
刘战文等: "一种基于NSST和字典学习的红外和可见光图像融合算法", 《西北工业大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785282A (zh) * | 2019-01-22 | 2019-05-21 | 厦门大学 | 一种多聚焦图像融合方法 |
CN109785282B (zh) * | 2019-01-22 | 2021-03-26 | 厦门大学 | 一种多聚焦图像融合方法 |
CN110084772A (zh) * | 2019-03-20 | 2019-08-02 | 浙江医院 | 基于弯曲波的mri/ct融合方法 |
CN111429392A (zh) * | 2020-04-13 | 2020-07-17 | 四川警察学院 | 基于多尺度变换和卷积稀疏表示的多聚焦图像融合方法 |
CN111429393A (zh) * | 2020-04-15 | 2020-07-17 | 四川警察学院 | 基于卷积弹性网络的多聚焦图像融合方法 |
CN111724334A (zh) * | 2020-06-15 | 2020-09-29 | 石家庄铁道大学 | 多聚焦图像融合方法 |
CN111899208A (zh) * | 2020-08-11 | 2020-11-06 | 四川警察学院 | 基于卷积分析算子的多模态图像融合方法 |
CN113671492A (zh) * | 2021-07-29 | 2021-11-19 | 西安电子科技大学 | 一种面向机动平台前视成像的samp重构方法 |
CN113671492B (zh) * | 2021-07-29 | 2024-05-17 | 西安电子科技大学 | 一种面向机动平台前视成像的samp重构方法 |
CN115035012A (zh) * | 2022-06-09 | 2022-09-09 | 浙江大学 | 基于小波变换和块稀疏表示的医学影像融合方法、***及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191416A (zh) | 基于稀疏字典学习和剪切波的图像融合方法 | |
CN103914847B (zh) | 基于相位一致性和sift的sar图像配准方法 | |
CN104134200B (zh) | 一种基于改进加权融合的运动场景图像拼接方法 | |
CN106886977A (zh) | 一种多图自动配准及融合拼接方法 | |
Legg et al. | Feature neighbourhood mutual information for multi-modal image registration: an application to eye fundus imaging | |
CN105809640A (zh) | 基于多传感器融合的低照度视频图像增强方法 | |
CN102855616B (zh) | 基于多尺度字典学习的图像融合方法 | |
CN112102385B (zh) | 一种基于深度学习的多模态肝脏磁共振影像配准*** | |
CN104919491B (zh) | 图像处理的改进或与图像处理相关的改进 | |
CN107403134B (zh) | 基于局部梯度三边的图域多尺度红外弱小目标检测方法 | |
CN103325105B (zh) | 一种高精度合成孔径雷达图像自动配准方法及设备 | |
CN106204440A (zh) | 一种多帧超分辨图像重建方法及*** | |
CN113298853B (zh) | 一种逐级递进的二阶段医学图像配准方法 | |
CN109919960A (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN110570387B (zh) | 一种基于特征级Copula模型相似性的图像融合方法 | |
CN101493936B (zh) | 一种基于图像边缘的多分辨非刚性头部医学图像配准方法 | |
CN108765476A (zh) | 一种偏振图像配准方法 | |
CN109376641A (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
CN106023187A (zh) | 一种基于sift特征和角度相对距离的图像配准方法 | |
CN106204601A (zh) | 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 | |
CN105809650B (zh) | 一种基于双向迭代优化的图像融合方法 | |
CN106897999A (zh) | 基于尺度不变特征变换的苹果图像融合方法 | |
Dogra et al. | Multi-modality medical image fusion based on guided filter and image statistics in multidirectional shearlet transform domain | |
CN112150564A (zh) | 基于深度卷积神经网络医学图像融合算法 | |
CN103065291A (zh) | 基于提升小波变换和像素区域相关性的图像融合方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |