CN112837254A - 一种图像融合方法、装置、终端设备及存储介质 - Google Patents
一种图像融合方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112837254A CN112837254A CN202110209439.5A CN202110209439A CN112837254A CN 112837254 A CN112837254 A CN 112837254A CN 202110209439 A CN202110209439 A CN 202110209439A CN 112837254 A CN112837254 A CN 112837254A
- Authority
- CN
- China
- Prior art keywords
- image
- fused
- value
- original color
- fusion
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims description 63
- 238000005070 sampling Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007499 fusion processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
本申请适用于图像融合技术领域,提供了一种图像融合方法、装置、终端设备及存储介质。本申请实施例中获取待融合的至少两张原始彩色图像;采用预设的拉普拉斯金字塔图像融合方法对至少两张原始彩色图像进行亮度通道融合,得到融合图像的亮度值;根据预设的自适应融合算法对融合图像的亮度值和原始彩色图像的亮度值进行处理,得到融合图像的色度值;根据融合图像的亮度值和融合图像的色度值确定融合图像,从而整体上提升了图像融合后的融合结果准确性。
Description
技术领域
本申请属于图像融合技术领域,尤其涉及一种图像融合方法、装置、终端设备及存储介质。
背景技术
随着社会的发展,图像融合技术广泛应用于人们的生活中,而不同图像所采集的信息也会因位置、光照等外界因素而有所不同,为了更全面的对图像进行检测,需整合不同图像所对应的图像信息,以得到更为准确的图像结果,故需对所得到的图像进行图像融合,以便于更好的对图像中的目标又准确的认知,从而便于后续相关决策的进行。但现有图像在进行图像融合时,常常会产生偏色问题,进而致使图像融合的色彩还原度较低,得到的融合结果准确性较低。
发明内容
本申请实施例提供了一种图像融合方法、装置、终端设备及存储介质,可以解决图像融合后的融合结果准确性较低的问题。
第一方面,本申请实施例提供了一种图像融合方法,包括:
获取待融合的至少两张原始彩色图像;
采用预设的拉普拉斯金字塔图像融合方法对上述至少两张原始彩色图像进行亮度通道融合,得到融合图像的亮度值;
根据预设的自适应融合算法对上述融合图像的亮度值和上述原始彩色图像的亮度值进行处理,得到上述融合图像的色度值;
根据上述融合图像的亮度值和上述融合图像的色度值确定上述融合图像。
第二方面,本申请实施例提供了一种图像融合装置,包括:
获取模块,用于获取待融合的至少两张原始彩色图像;
亮度模块,用于采用预设的拉普拉斯金字塔图像融合方法对上述至少两张原始彩色图像进行亮度通道融合,得到融合图像的亮度值;
色度模块,用于根据预设的自适应融合算法对上述融合图像的亮度值和上述原始彩色图像的亮度值进行处理,得到上述融合图像的色度值;
融合图像确定模块,用于根据上述融合图像的亮度值和上述融合图像的色度值确定上述融合图像。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序,上述处理器执行上述计算机程序时实现上述任一种图像融合方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述的计算机程序被处理器执行时实现上述任一种图像融合方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一种图像融合方法。
本申请实施例中获取待融合的至少两张原始彩色图像;采用预设的拉普拉斯金字塔图像融合方法对至少两张原始彩色图像进行亮度通道融合,来减少图像拼接的痕迹,从而得到融合图像的亮度值。再根据预设的自适应融合算法对融合图像的亮度值和原始彩色图像的亮度值进行处理,来减少图像融合过程中的偏色问题,进而得到融合图像的色度值,最后再根据融合图像的亮度值和融合图像的色度值确定融合图像,从而整体上提升了图像融合后的融合结果准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的图像融合方法的第一种流程示意图;
图2是本申请实施例提供的图像融合方法的第二种流程示意图;
图3是本申请实施例提供的拉普拉斯金字塔分解的流程示意图;
图4是本申请实施例提供的图像融合方法的第三种流程示意图;
图5是本申请实施例提供的高斯金字塔分解的流程示意图;
图6是本申请实施例提供的原始彩色图像亮度通道融合的流程示意图;
图7是本申请实施例提供的图像融合方法的第四种流程示意图;
图8是本申请实施例提供的图像融合装置的结构示意图;
图9是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1所示为本申请实施例中一种图像融合方法的流程示意图,该方法的执行主体可以是终端设备,如图1所示,上述图像融合方法可以包括如下步骤:
步骤S101、获取待融合的至少两张原始彩色图像。
在本实施例中,因不同图像所采集的信息会因为外界因素而有所变化,故需将多张图像进行图像融合,以便于得到更为准确的图像所对应的结果,因此,终端设备获取待融合的至少两张原始彩色图像,来进行图像融合。
在一个实施例中,终端设备可通过将上述至少两张原始彩色图像转换为同一格式,以便于进行图像融合,故在检测到当前至少两张原始彩色图像中存在格式不符合预设格式的图像时,将不符合预设格式的图像进行格式转换,其中,上述预设格式为YUV格式,当检测到原始彩色图像不是YUV格式时,将该原始彩色图像转换为YUV格式。
步骤S102、采用预设的拉普拉斯金字塔图像融合方法对至少两张原始彩色图像进行亮度通道融合,得到融合图像的亮度值。
在本实施例中,终端设备预先对图像亮度融合所需的拉普拉斯金字塔图像融合方法进行改进,以便于更好的进行图像融合,而后终端设备采用预先设置好的拉普拉斯金字塔图像融合方法对其所获取的至少两张原始彩色图像进行亮度通道上的融合,以得到融合图像的亮度值。其中,上述拉普拉斯金字塔图像融合方法,又称为多分辨率图像融合,由于在图像融合时可以有效的减少拼接痕迹,所以在图像融合时被广泛使用。该方法首先将参加融合的每张图像分解为多尺度的拉普拉斯金字塔图像序列,将低分辨率的图像在上层,高分辨率的图像在下层,上层图像的大小为前一层图像大小的1/4,层数为0,1,2,…,N。将所有图像的拉普拉斯金字塔在相应层上以一定的规则融合,就可得到合成金字塔,再将该合成金字塔按照金字塔生成的逆过程进行重构,便得到融合后的图像。
在一个实施例中,如图2所示,步骤S102包括:
步骤S201、计算原始彩色图像的初始权重图。
在本实施例中,上述初始权重图表示了原始彩色图像的亮度通道每个位置的权重,而上述计算初始权重图的方法可根据场景的不同来设置对应的计算方法,在本实施例中计算初始权重图中每个位置的权重的公式为:
在计算出初始权重图中每个位置的权重后,再进行权重归一化处理:
步骤S202、将原始彩色图像的亮度通道进行L级的预设的拉普拉斯金字塔分解,得到第一拉普拉斯分量;L为正整数。
在本实施例中,可将原始彩色图像的亮度通道进行L级的改进后的拉普拉斯金字塔分解,从而得到原始彩色图像在亮度上的L+1个拉普拉斯分量,也就是上述第一拉普拉斯分量,如图3所示,图3中的lpYi0,lpYi1,lpYi2…,lpYiL为第i张原始彩色图像在亮度上的L+1个拉普拉斯分量。其中,当i=1,2,…,K时,将lpY10~lpY1L,lpY20~lpY2L,…,lpYK0~lpYKL设为所获取的K张原始彩色图像在亮度上的各个L+1个拉普拉斯分量,上述L为正整数。
在一个实施例中,如图3和图4所示,上述步骤S202包括:
步骤S401、对原始彩色图像进行下采样操作,得到下采样操作后的原始彩色图像。
在本实施例中,上述下采样操作可根据用户需求进行设定,例如3倍下采样。由于现有的基于拉普拉斯的图像融合多是对融合规则做一定改进,所以相比于现有的基于拉普拉斯的图像融合,并没有改变整体的分解与融合流程,所以耗时并不会明显地减少,在本实施例中采用3倍下采样对上述原始彩色图像进行下采样操作。相较于传统的拉普拉斯的图像融合方法的2倍下采样,通过采用3倍下采样,可以在达到相同融合的效果时所需的金字塔层数减少,并且减少了内存的占用以及减少耗时,从而满足在一些实时性较高的环境下的图像融合需求。
具体的,如图3所示,本实施例中对第i张待融合的原始彩色图像的亮度通道Y图像Yi,也就是图3中的gsYi0,该图像尺寸为M×N,对该图像进行1/3下采样,从而得到一个进行3倍下采样后的原始彩色图像,若坐标(p,q)为3倍下采样后的原始彩色图像的亮度通道亮度值的坐标,则可以得到:
Ydown(p,q)=Y1(3*p,3*q)
其中,上述Ydown为3倍下采样后的原始彩色图像;上述Y1为未进行操作时的原始彩色图像,例如,图3中的gsYi0。
步骤S402、将下采样操作后的原始彩色图像进行滤波,得到高斯图像。
在本实施例中,将下采样操作后的原始彩色图像通过一个对称的高斯滤波器进行滤波,以得到高斯图像,相较于传统的拉普拉斯金字塔图像融合,本实施例将下采样与滤波进行交换,可以在保证图像效果不变的前提下,缩短整体图像融合的耗时,为图像融合提供了一种快速且效果保持不变的方法。可以理解的是,若将对图像所进行的下采样以及滤波过程进行重复,可得到一系列尺寸小于上一层图像预设规格的高斯图像。其中,上述高斯滤波器所对应的高斯滤波卷积核ω在3×3时可以为:
具体的,如图3所示,通过将尺寸为M×N的,进行3倍下采样后的图像gsYi0进行高斯滤波,即可得到第一层高斯图像gsYi1,该图像的尺寸为(M/3)×(N/3),若将该过程重复L次,则可以得到一系列尺寸为上一层高斯图像1/9的图像gsYi0,gsYi1,gsYi2,…,gsYiL。
步骤S403、对高斯图像进行上采样操作,得到上采样操作后的高斯图像。
在本实施例中,上述上采样操作可根据用户需求进行设定,例如3倍上采样,在本实施例中采用3倍上采样对上述高斯图像进行上采样操作。通过采用3倍上采样,与计算每个像素时至少要6次乘法的双线性插值相比,因算法原理不同,而致使3倍上采样的计算量较少,因此耗时较少;而与最临近插值相比,因不再是简单地采用临近的一个像素作为结果,而是结合临近的1~4个元素进行加权求和,故没有最临近插值的明显方块效应,从而在时间与效果上达到了平衡。
具体的,如图3所示,本实施例中对高斯图像gsYi1进行3倍上采样,从而得到一个进行3倍上采样后的高斯图像EXPAND(gsYi1),该图像尺寸为M×N。
在一个实施例中,上述步骤S403包括:
根据预设的第一参数对高斯图像进行克罗内积处理,得到放大后的高斯图像。根据预设的第二参数对放大后的高斯图像进行卷积处理,得到上采样操作后的高斯图像。
在本实施例中,通过克罗内积处理,将高斯图像放大预设倍数,再将放大后的高斯图像进行卷积处理,从而得到上采样操作后的高斯图像。其中,上述得到上采样操作后的高斯图像的公式为:
其中,上述为卷积处理;上述为克罗内克积处理;上述A为第二参数;上述B为第一参数;上述Yup为3倍上采样操作后的高斯图像,例如,图3中的高斯图像EXPAND(gsYi1);上述Y2为未进行操作时的高斯图像,例如,图3中的第1层高斯图像gsYi1。
在本实施例中,可利用第一参数B将高斯图像放大三倍,第一参数B可取值为:
其中,上述B的取值相当于每两个元素之间***两个0。
通过卷积处理的设计思路:
可将上述第二参数A取值为:
在一个实施例中,可将第二参数A替换为A′:
可以理解的,因“/256”在运算上可以用右移8位进行替代,而右移的操作比除法操作更为快速。因此,卷积核的设计需满足以16为底,从而方便归一化右移8位,故设卷积核为[b a X a b],其中,设定a+b=X,以满足对称性;设定X-a=(X-b)/2,以使插值出来的像素过渡平滑,从而得出[5 11 16 11 5]/16,再将其扩展成二维的卷积核,就是上述替换后的A′。
步骤S404、将原始彩色图像与上采样操作后的高斯图像进行减法处理,得到当前层的拉普拉斯分量。
在本实施例中,通过将原始彩色图像与上采样操作后的高斯图像进行减法处理,得到当前层的拉普拉斯分量。可以理解的是,若想得到原始彩色图像在亮度通道上的L+1个拉普拉斯分量,则需将每一层的高斯金字塔图像与其下一层进行上采样得到的图像相减,来得到每一层的拉普拉斯分量,而最高层的拉普拉斯分量由最高层的高斯图像直接得到。
具体的,图3中拉普拉斯金字塔第0层的拉普拉斯分量lpYi0=gsYi0-EXPAND(gsYi1),将该过程重复进行,即可得到每一层对应的拉普拉斯分量lpYiz=gsYiz-EXPAND(gsYi(z+1)),(z=1,…,N),而最高层的拉普拉斯分量lpYiL=gsYiL,通过上述手段即可得到原始彩色图像L+1个的拉普拉斯分量。
步骤S203、对初始权重图进行L级的预设的高斯金字塔分解,得到第二拉普拉斯分量。
在本实施例,通过对初始权重图进行下采样,再进行高斯滤波,得到每一层的高斯图像,并将该过程重复L次,从而得到原始彩色图在权重上的L+1个拉普拉斯分量,也就是上述第二拉普拉斯分量,如图5所示,图5中的gsWi0,gsWi1,gsWi2,…,gsWiL为第i张原始彩色图像对应的初始权重图的各个拉普拉斯分量。其中,当i=1,2,…,K时,将gsW10~gsW1L,gsW20~gsW2L,…,gsWK0~gsWKL设为所获取的K张原始彩色图像对应的初始权重图的L+1个拉普拉斯分量。
具体的,如图5所示,对第i张待融合的原始彩色图像对应的初始权重图的Wi,也就是图5中的gsWi0,该图像尺寸为M×N,将该图像进行1/3下采样,再将进行3倍下采样后的图像通过一个对称的高斯滤波器ω(如3×3)进行滤波,从而得到尺寸为(M/3)×(N/3)的高斯图像gsWi1。若将该过程重复L次,则可以得到一系列尺寸为上一层高斯图像1/9的图像gsWi0,gsWi1,gsWi2,…,gsWiL。
步骤S204、根据第一拉普拉斯分量和第二拉普拉斯分量计算融合后的每层拉普拉斯分量,并重构获得亮度融合后的图像。
在本实施例中,终端设备根据各个初始权重图的L+1个拉普拉斯分量gsW10~gsW1L,gsW20~gsW2L,…,gsWK0~gsWKL对各个原始彩色图像的L+1个拉普拉斯分量lpY10~lpY1L,lpY20~lpY2L,…,lpYK0~lpYKL两两对应,进行加权融合,以得到融合后的每层拉普拉斯分量,进而确定出融合后的拉普拉斯金字塔,如图6所示,图6为对K张原始彩色图的亮度通道的进行3级的改进拉普拉斯金字塔分解,以及对原始彩色图相应的权重图进行3级的改进高斯金字塔分解,并进行亮度通道融合的流程示意图。
具体的,用lpF(z)(x,y)表示融合后的第z层拉普拉斯分解在坐标(x,y)处的值:
在本实施例中,当得到融合后的每层拉普拉斯分量,即可确定出融合后的拉普拉斯金字塔,从其顶层开始逐层从上至下按预设公式进行递推,待计算完成后,即可得到最后的融合结果Y(0),其中,Y(0)包括Y(L)和Y(z),上述预设公式为:
其中,上述EXPAND(·)表示3倍上采样操作。
步骤S103、根据预设的自适应融合算法对融合图像的亮度值和原始彩色图像的亮度值进行处理,得到融合图像的色度值。
在本实施例中,终端设备依据所获得的融合图像的亮度值和原始彩色图像的亮度值,采用预设的自适应融合算法确定出融合图像的色度值,可以减少图像融合后的偏色问题。
在一个实施例中,如图7所示,步骤S103包括:
步骤S701、获取融合图像中的目标点的亮度值。
步骤S702、从原始彩色图像中选取与目标点亮度值最相邻的第一参考点亮度值和第二参考点亮度值。
在本实施例中,终端设备获取融合图像中的目标点的亮度值,在所获取的至少两张待融合的原始彩色图像的相同位置处选取在亮度上与上述目标点的亮度值最邻近的两个参考点的亮度值,也就是上述第一参考点亮度值和上述第二参考点亮度值。其中,上述最邻近是指与目标点的亮度值的差值最小的两个亮度值。
步骤S703、根据第一参考点亮度值和目标点的亮度值的差值确定第一自适应比例。
在本实施例中,上述第一自适应比例k1的确定公式为:
其中,上述Yl(p,q)为第一参考点亮度值,上述Y(p,q)为目标点的亮度值,上述Yj(p,q)为第二参考点亮度值。
步骤S704、根据第二参考点亮度值和目标点的亮度值的差值确定第二自适应比例。
在本实施例中,上述第二自适应比例k2的确定公式为:
步骤S705、根据第一自适应比例和第二自适应比例确定目标点的色度值。
在本实施例中,因图像在融合过程中,容易产生偏色问题,故终端设备在原始彩色图像进行色度融合时,根据预先得到的融合图像的亮度值,再由亮度值的相邻亮度值确定出第一自适应比例和第二自适应比例,再根据所确定的第一自适应比例和第二自适应比例来确定目标点的色度值,可以减少图像融合后的偏色问题。
在一个实施例中,步骤S705包括:
获取第一参考点对应的色度值和第二参考点对应的色度值。
当第一自适应比例和第二自适应比例的总和为1时,采用预设的色度计算公式对第一参考点对应的色度值和第二参考点对应的色度值进行计算,确定目标点的色度值。
在本实施例中,终端设备在检测到第一自适应比例和第二自适应比例的总和为1时,说明目标点的亮度值在第一参考点亮度值和第二参考点亮度值之间,也就说明当前第一参考点亮度值和第二参考点亮度值的颜色正常,在这种情况下,可利用自适应比例相加求和获得目标点的色度值,也就是采用预设的色度计算公式对所获取的第一参考点对应的色度值和所获取的第二参考点对应的色度值进行计算,从而由原始彩色图像的色度值自适应插值获得目标点的色度值,减少了偏色问题。
在一个实施例中,上述预设的色度计算公式包括:
其中,k2为所述第二自适应比例,k1为所述第一自适应比例,(ul,vl)为所述第一参考点对应的色度值,(uj,vj)为所述第二参考点对应的色度值,(uf,vf)为所述目标点的色度值。
当第一自适应比例和第二自适应比例的和不为1时,从第一自适应比例和第二自适应比例中选取小于1的自适应比例所对应的参考点,将参考点对应的色度值确定为目标点的色度值。
在本实施例中,终端设备在检测到第一自适应比例和第二自适应比例的总和不为1时,说明目标点的亮度值不在第一参考点亮度值和第二参考点亮度值之间,也就说明当前第一参考点亮度值和第二参考点亮度值中有一个参考点的亮度值的颜色异常,在这种情况下,因正常值离融合后的亮度值更近,而且第一自适应比例和第二自适应比例的总和只能是大于或等于1,故从第一自适应比例和第二自适应比例中选取小于1的自适应比例所对应的参考点,该参考点就是离目标点的亮度值最近的点,将所选取的参考点对应的色度值确定为目标点的色度值,从而由原始彩色图像的色度值自适应插值的获得目标点的色度值,减少了偏色问题。
具体的,若第一自适应比例小于1,则:
若第二自适应比例小于1,则:
步骤S104、根据融合图像的亮度值和融合图像的色度值确定融合图像。
在本实施例中,通过上述所得到的融合图像的亮度值和融合图像的色度值,来确定融合图像,从而减少图像的偏色问题,以及提高图像处理的实时性。其中,上述融合图像可以由融合后的亮度值与色度值直接获得在YUV空间下的融合图像,该融合图像为彩色图像;也可是其他空间下的彩色图像,如RGB,Lab等,该图像可以由YUV空间下的彩色图像进行公式转换获得。
本申请实施例中获取待融合的至少两张原始彩色图像;采用预设的拉普拉斯金字塔图像融合方法对至少两张原始彩色图像进行亮度通道融合,来减少图像拼接的痕迹,从而得到融合图像的亮度值。再根据预设的自适应融合算法对融合图像的亮度值和原始彩色图像的亮度值进行处理,来减少图像融合过程中的偏色问题,进而得到融合图像的色度值,最后再根据融合图像的亮度值和融合图像的色度值确定融合图像,从而整体上提升了图像融合后的融合结果准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文所述的一种图像融合方法,图8所示为本申请实施例中一种图像融合装置的结构示意图,如图8所示,上述图像融合装置可以包括:
获取模块801,用于获取待融合的至少两张原始彩色图像。
亮度模块802,用于采用预设的拉普拉斯金字塔图像融合方法对至少两张原始彩色图像进行亮度通道融合,得到融合图像的亮度值。
色度模块803,用于根据预设的自适应融合算法对融合图像的亮度值和原始彩色图像的亮度值进行处理,得到融合图像的色度值。
融合图像确定模块804,用于根据融合图像的亮度值和融合图像的色度值确定融合图像。
在一个实施例中,上述色度模块803可以包括:
获取子模块,用于获取融合图像中的目标点的亮度值。
选取子模块,用于从原始彩色图像中选取与目标点亮度值最相邻的第一参考点亮度值和第二参考点亮度值。
第一比例确定子模块,用于根据第一参考点亮度值和目标点的亮度值的差值确定第一自适应比例。
第二比例确定子模块,用于根据第二参考点亮度值和目标点的亮度值的差值确定第二自适应比例。
色度值确定子模块,用于根据第一自适应比例和第二自适应比例确定目标点的色度值。
在一个实施例中,上述色度值确定子模块可以包括:
获取单元,用于获取第一参考点对应的色度值和第二参考点对应的色度值。
计算单元,用于当第一自适应比例和第二自适应比例的总和为1时,采用预设的色度计算公式对第一参考点对应的色度值和第二参考点对应的色度值进行计算,确定目标点的色度值。
选取单元,用于当第一自适应比例和第二自适应比例的和不为1时,从第一自适应比例和第二自适应比例中选取小于1的自适应比例所对应的参考点,将参考点对应的色度值确定为目标点的色度值。
在一个实施例中,上述计算单元可以包括:
其中,k2为所述第二自适应比例,k1为所述第一自适应比例,(ul,vl)为所述第一参考点对应的色度值,(uj,vj)为所述第二参考点对应的色度值,(uf,vf)为所述目标点的色度值。
在一个实施例中,上述亮度模块802可以包括:
计算子模块,用于计算原始彩色图像的初始权重图。
第一分解子模块,用于将原始彩色图像的亮度通道进行L级的预设的拉普拉斯金字塔分解,得到第一拉普拉斯分量;L为正整数。
第二分解子模块,用于对初始权重图进行L级的预设的高斯金字塔分解,得到第二拉普拉斯分量。
重构子模块,用于根据第一拉普拉斯分量和第二拉普拉斯分量计算融合后的每层拉普拉斯分量,并重构获得亮度融合后的图像。
在一个实施例中,上述第一分解子模块可以包括:
下采样单元,用于对原始彩色图像进行下采样操作,得到下采样操作后的原始彩色图像。
滤波单元,用于将下采样操作后的原始彩色图像进行滤波,得到高斯图像。
上采样单元,用于对高斯图像进行上采样操作,得到上采样操作后的高斯图像。
减法处理单元,用于将原始彩色图像与上采样操作后的高斯图像进行减法处理,得到当前层的拉普拉斯分量。
在一个实施例中,上述上采样单元可以包括:
克罗内积处理子单元,用于根据预设的第一参数对高斯图像进行克罗内积处理,得到放大后的高斯图像。
卷积处理子单元,用于根据预设的第二参数对放大后的高斯图像进行卷积处理,得到上采样操作后的高斯图像。
本申请实施例中获取待融合的至少两张原始彩色图像;采用预设的拉普拉斯金字塔图像融合方法对至少两张原始彩色图像进行亮度通道融合,来减少图像拼接的痕迹,从而得到融合图像的亮度值。再根据预设的自适应融合算法对融合图像的亮度值和原始彩色图像的亮度值进行处理,来减少图像融合过程中的偏色问题,进而得到融合图像的色度值,最后再根据融合图像的亮度值和融合图像的色度值确定融合图像,从而整体上提升了图像融合后的融合结果准确性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述***实施例以及方法实施例中的对应过程,在此不再赘述。
图9为本申请实施例提供的终端设备的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分。
如图9所示,该实施例的终端设备9包括:至少一个处理器900(图9中仅示出一个),与上述处理器900连接的存储器901,以及存储在上述存储器901中并可在上述至少一个处理器900上运行的计算机程序902,例如图像融合程序。上述处理器900执行上述计算机程序902时实现上述各个图像融合方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,上述处理器900执行上述计算机程序902时实现上述各装置实施例中各模块的功能,例如图8所示模块801至804的功能。
示例性的,上述计算机程序902可以被分割成一个或多个模块,上述一个或者多个模块被存储在上述存储器901中,并由上述处理器900执行,以完成本申请。上述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述上述计算机程序902在上述终端设备9中的执行过程。例如,上述计算机程序902可以被分割成获取模块801、亮度模块802、色度模块803、融合图像确定模块804,各模块具体功能如下:
获取模块801,用于获取待融合的至少两张原始彩色图像;
亮度模块802,用于采用预设的拉普拉斯金字塔图像融合方法对至少两张原始彩色图像进行亮度通道融合,得到融合图像的亮度值;
色度模块803,用于根据预设的自适应融合算法对融合图像的亮度值和原始彩色图像的亮度值进行处理,得到融合图像的色度值;
融合图像确定模块804,用于根据融合图像的亮度值和融合图像的色度值确定融合图像。
上述终端设备9可包括,但不仅限于,处理器900、存储器901。本领域技术人员可以理解,图9仅仅是终端设备9的举例,并不构成对终端设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备、总线等。
所称处理器900可以是中央处理单元(Central Processing Unit,CPU),该处理器900还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器901在一些实施例中可以是上述终端设备9的内部存储单元,例如终端设备9的硬盘或内存。上述存储器901在另一些实施例中也可以是上述终端设备9的外部存储设备,例如上述终端设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,上述存储器901还可以既包括上述终端设备9的内部存储单元也包括外部存储设备。上述存储器901用于存储操作***、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等,例如上述计算机程序的程序代码等。上述存储器901还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一计算机可读存储介质中。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像融合方法,其特征在于,包括:
获取待融合的至少两张原始彩色图像;
采用预设的拉普拉斯金字塔图像融合方法对所述至少两张原始彩色图像进行亮度通道融合,得到融合图像的亮度值;
根据预设的自适应融合算法对所述融合图像的亮度值和所述原始彩色图像的亮度值进行处理,得到所述融合图像的色度值;
根据所述融合图像的亮度值和所述融合图像的色度值确定所述融合图像。
2.如权利要求1所述的图像融合方法,其特征在于,所述根据预设的自适应融合算法对所述融合图像的亮度值和所述原始彩色图像的亮度值进行处理,得到所述融合图像的色度值,包括:
获取所述融合图像中的目标点的亮度值;
从所述原始彩色图像中选取与所述目标点亮度值最相邻的第一参考点亮度值和第二参考点亮度值;
根据所述第一参考点亮度值和所述目标点的亮度值的差值确定第一自适应比例;
根据所述第二参考点亮度值和所述目标点的亮度值的差值确定第二自适应比例;
根据所述第一自适应比例和所述第二自适应比例确定所述目标点的色度值。
3.如权利要求2所述的图像融合方法,其特征在于,所述根据所述第一自适应比例和所述第二自适应比例确定所述目标点的色度值,包括:
获取所述第一参考点对应的色度值和所述第二参考点对应的色度值;
当所述第一自适应比例和所述第二自适应比例的总和为1时,采用预设的色度计算公式对所述第一参考点对应的色度值和所述第二参考点对应的色度值进行计算,确定所述目标点的色度值;
当所述第一自适应比例和所述第二自适应比例的和不为1时,从所述第一自适应比例和所述第二自适应比例中选取小于1的自适应比例所对应的参考点,将所述参考点对应的色度值确定为所述目标点的色度值。
5.如权利要求1所述的图像融合方法,其特征在于,所述采用预设的拉普拉斯金字塔图像融合方法对所述至少两张原始彩色图像进行亮度通道融合,包括:
计算所述原始彩色图像的初始权重图;
将所述原始彩色图像的亮度通道进行L级的预设的拉普拉斯金字塔分解,得到第一拉普拉斯分量;L为正整数;
对所述初始权重图进行L级的预设的高斯金字塔分解,得到第二拉普拉斯分量;
根据所述第一拉普拉斯分量和所述第二拉普拉斯分量计算融合后的每层拉普拉斯分量,并重构获得亮度融合后的图像。
6.如权利要求5所述的图像融合方法,其特征在于,所述将所述原始彩色图像的亮度通道进行L级的预设的拉普拉斯金字塔分解,得到第一拉普拉斯分量,包括:
对所述原始彩色图像进行下采样操作,得到下采样操作后的原始彩色图像;
将所述下采样操作后的原始彩色图像进行滤波,得到高斯图像;
对所述高斯图像进行上采样操作,得到上采样操作后的高斯图像;
将所述原始彩色图像与所述上采样操作后的高斯图像进行减法处理,得到当前层的拉普拉斯分量。
7.如权利要求6所述的图像融合方法,其特征在于,所述对所述高斯图像进行上采样操作,得到上采样操作后的高斯图像,包括:
根据预设的第一参数对所述高斯图像进行克罗内积处理,得到放大后的高斯图像;
根据预设的第二参数对所述放大后的高斯图像进行卷积处理,得到所述上采样操作后的高斯图像。
8.一种图像融合装置,其特征在于,包括:
获取模块,用于获取待融合的至少两张原始彩色图像;
亮度模块,用于采用预设的拉普拉斯金字塔图像融合方法对所述至少两张原始彩色图像进行亮度通道融合,得到融合图像的亮度值;
色度模块,用于根据预设的自适应融合算法对所述融合图像的亮度值和所述原始彩色图像的亮度值进行处理,得到所述融合图像的色度值;
融合图像确定模块,用于根据所述融合图像的亮度值和所述融合图像的色度值确定所述融合图像。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的一种图像融合方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种图像融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110209439.5A CN112837254B (zh) | 2021-02-25 | 2021-02-25 | 一种图像融合方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110209439.5A CN112837254B (zh) | 2021-02-25 | 2021-02-25 | 一种图像融合方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837254A true CN112837254A (zh) | 2021-05-25 |
CN112837254B CN112837254B (zh) | 2024-06-11 |
Family
ID=75933388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110209439.5A Active CN112837254B (zh) | 2021-02-25 | 2021-02-25 | 一种图像融合方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837254B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187213A (zh) * | 2021-12-14 | 2022-03-15 | 成都微光集电科技有限公司 | 图像融合方法及其装置、设备和存储介质 |
CN114494084A (zh) * | 2022-04-14 | 2022-05-13 | 广东欧谱曼迪科技有限公司 | 一种图像颜色均化方法、装置、电子设备及存储介质 |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100296698A1 (en) * | 2009-05-25 | 2010-11-25 | Visionatics Inc. | Motion object detection method using adaptive background model and computer-readable storage medium |
CN105635574A (zh) * | 2015-12-29 | 2016-06-01 | 小米科技有限责任公司 | 图像的处理方法和装置 |
US20160300337A1 (en) * | 2015-04-08 | 2016-10-13 | Tatung University | Image fusion method and image processing apparatus |
CN106204513A (zh) * | 2016-08-15 | 2016-12-07 | 厦门美图之家科技有限公司 | 图像处理的方法、装置和*** |
CN106446829A (zh) * | 2016-09-22 | 2017-02-22 | 三峡大学 | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 |
CN106550227A (zh) * | 2016-10-27 | 2017-03-29 | 成都西纬科技有限公司 | 一种图像饱和度调整方法及装置 |
US20170132820A1 (en) * | 2015-11-11 | 2017-05-11 | Leauto Intelligent Technology (Beijing) Co. Ltd | Method and system for mitigating color mutation in image fusion |
CN106875371A (zh) * | 2017-02-09 | 2017-06-20 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像融合方法及图像融合装置 |
US20170213330A1 (en) * | 2016-01-25 | 2017-07-27 | Qualcomm Incorporated | Unified multi-image fusion approach |
CN107038695A (zh) * | 2017-04-20 | 2017-08-11 | 厦门美图之家科技有限公司 | 一种图像融合方法及移动设备 |
CN107452034A (zh) * | 2017-07-31 | 2017-12-08 | 广东欧珀移动通信有限公司 | 图像处理方法及其装置 |
WO2018000359A1 (zh) * | 2016-06-30 | 2018-01-04 | 北京深迈瑞医疗电子技术研究院有限公司 | 一种增强超声造影图像的方法、***及超声造影成像设备 |
CN108600721A (zh) * | 2018-03-28 | 2018-09-28 | 深圳市华星光电半导体显示技术有限公司 | 一种色域映射方法及设备 |
CN109712102A (zh) * | 2017-10-25 | 2019-05-03 | 杭州海康威视数字技术股份有限公司 | 一种图像融合方法、装置及图像采集设备 |
CN110211077A (zh) * | 2019-05-13 | 2019-09-06 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 一种基于高阶奇异值分解的多曝光图像融合方法 |
CN110309781A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 |
CN111080568A (zh) * | 2019-12-13 | 2020-04-28 | 兰州交通大学 | 一种基于Tetrolet变换的近红外与彩色可见光图像融合算法 |
CN111147755A (zh) * | 2020-01-02 | 2020-05-12 | 普联技术有限公司 | 双摄像头的变焦处理方法、装置及终端设备 |
CN111238808A (zh) * | 2020-02-04 | 2020-06-05 | 沈阳理工大学 | 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法 |
CN111292243A (zh) * | 2020-03-09 | 2020-06-16 | 三亚至途科技有限公司 | 一种投影无缝边缘融合方法和装置 |
CN111355886A (zh) * | 2018-03-27 | 2020-06-30 | 华为技术有限公司 | 拍照方法、拍照装置和移动终端 |
CN111504646A (zh) * | 2020-06-05 | 2020-08-07 | 合肥工业大学 | 用于轴承早期失效的微弱信号故障特征分类方法与*** |
WO2020182230A2 (zh) * | 2019-03-11 | 2020-09-17 | 影石创新科技股份有限公司 | 一种图像融合方法及便携式终端 |
CN111953893A (zh) * | 2020-06-30 | 2020-11-17 | 普联技术有限公司 | 一种高动态范围图像生成方法、终端设备及存储介质 |
CN111986129A (zh) * | 2020-06-30 | 2020-11-24 | 普联技术有限公司 | 基于多摄图像融合的hdr图像生成方法、设备及存储介质 |
CN112036042A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种基于变分模态分解的动力设备异常检测方法及*** |
CN112179653A (zh) * | 2020-09-07 | 2021-01-05 | 神华铁路装备有限责任公司 | 滚动轴承振动信号盲源分离方法、装置及计算机设备 |
CN112381743A (zh) * | 2020-12-01 | 2021-02-19 | 影石创新科技股份有限公司 | 图像处理方法、装置、设备和存储介质 |
CN112633368A (zh) * | 2020-12-21 | 2021-04-09 | 四川大学 | 基于改进多粒度级联森林的扁平振动电机缺陷检测***及方法 |
-
2021
- 2021-02-25 CN CN202110209439.5A patent/CN112837254B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100296698A1 (en) * | 2009-05-25 | 2010-11-25 | Visionatics Inc. | Motion object detection method using adaptive background model and computer-readable storage medium |
US20160300337A1 (en) * | 2015-04-08 | 2016-10-13 | Tatung University | Image fusion method and image processing apparatus |
US20170132820A1 (en) * | 2015-11-11 | 2017-05-11 | Leauto Intelligent Technology (Beijing) Co. Ltd | Method and system for mitigating color mutation in image fusion |
CN105635574A (zh) * | 2015-12-29 | 2016-06-01 | 小米科技有限责任公司 | 图像的处理方法和装置 |
US20170213330A1 (en) * | 2016-01-25 | 2017-07-27 | Qualcomm Incorporated | Unified multi-image fusion approach |
WO2018000359A1 (zh) * | 2016-06-30 | 2018-01-04 | 北京深迈瑞医疗电子技术研究院有限公司 | 一种增强超声造影图像的方法、***及超声造影成像设备 |
CN106204513A (zh) * | 2016-08-15 | 2016-12-07 | 厦门美图之家科技有限公司 | 图像处理的方法、装置和*** |
CN106446829A (zh) * | 2016-09-22 | 2017-02-22 | 三峡大学 | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 |
CN106550227A (zh) * | 2016-10-27 | 2017-03-29 | 成都西纬科技有限公司 | 一种图像饱和度调整方法及装置 |
CN106875371A (zh) * | 2017-02-09 | 2017-06-20 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像融合方法及图像融合装置 |
CN107038695A (zh) * | 2017-04-20 | 2017-08-11 | 厦门美图之家科技有限公司 | 一种图像融合方法及移动设备 |
CN107452034A (zh) * | 2017-07-31 | 2017-12-08 | 广东欧珀移动通信有限公司 | 图像处理方法及其装置 |
CN109712102A (zh) * | 2017-10-25 | 2019-05-03 | 杭州海康威视数字技术股份有限公司 | 一种图像融合方法、装置及图像采集设备 |
CN111355886A (zh) * | 2018-03-27 | 2020-06-30 | 华为技术有限公司 | 拍照方法、拍照装置和移动终端 |
CN108600721A (zh) * | 2018-03-28 | 2018-09-28 | 深圳市华星光电半导体显示技术有限公司 | 一种色域映射方法及设备 |
WO2020182230A2 (zh) * | 2019-03-11 | 2020-09-17 | 影石创新科技股份有限公司 | 一种图像融合方法及便携式终端 |
CN110211077A (zh) * | 2019-05-13 | 2019-09-06 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 一种基于高阶奇异值分解的多曝光图像融合方法 |
CN110309781A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 |
CN111080568A (zh) * | 2019-12-13 | 2020-04-28 | 兰州交通大学 | 一种基于Tetrolet变换的近红外与彩色可见光图像融合算法 |
CN111147755A (zh) * | 2020-01-02 | 2020-05-12 | 普联技术有限公司 | 双摄像头的变焦处理方法、装置及终端设备 |
CN111238808A (zh) * | 2020-02-04 | 2020-06-05 | 沈阳理工大学 | 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法 |
CN111292243A (zh) * | 2020-03-09 | 2020-06-16 | 三亚至途科技有限公司 | 一种投影无缝边缘融合方法和装置 |
CN111504646A (zh) * | 2020-06-05 | 2020-08-07 | 合肥工业大学 | 用于轴承早期失效的微弱信号故障特征分类方法与*** |
CN111953893A (zh) * | 2020-06-30 | 2020-11-17 | 普联技术有限公司 | 一种高动态范围图像生成方法、终端设备及存储介质 |
CN111986129A (zh) * | 2020-06-30 | 2020-11-24 | 普联技术有限公司 | 基于多摄图像融合的hdr图像生成方法、设备及存储介质 |
CN112036042A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种基于变分模态分解的动力设备异常检测方法及*** |
CN112179653A (zh) * | 2020-09-07 | 2021-01-05 | 神华铁路装备有限责任公司 | 滚动轴承振动信号盲源分离方法、装置及计算机设备 |
CN112381743A (zh) * | 2020-12-01 | 2021-02-19 | 影石创新科技股份有限公司 | 图像处理方法、装置、设备和存储介质 |
CN112633368A (zh) * | 2020-12-21 | 2021-04-09 | 四川大学 | 基于改进多粒度级联森林的扁平振动电机缺陷检测***及方法 |
Non-Patent Citations (4)
Title |
---|
RABIA ZAFAR等: ""Multi-Focus Image Fusion: Algorithms, Evaluation, and a Library"", 《J IMAGING》, vol. 6, no. 7, 2 July 2020 (2020-07-02), pages 60 - 72 * |
SIMRANDEEP SINGH: ""Review of Various Image Fusion Algorithms and Image Fusion Performance Metric"", 《ARCHIVES OF COMPUTATION METHOD IN ENGINEERING》, vol. 28, 19 February 2021 (2021-02-19), pages 3645 - 3659, XP037528567, DOI: 10.1007/s11831-020-09518-x * |
张红英等: ""一种基于细节层分离的单曝光HDR图像生成算法"", 《自动化学报》, vol. 45, no. 11, 30 November 2019 (2019-11-30), pages 2159 - 2170 * |
李成立等: ""基于颜色传递和目标增强的夜视图像彩色融合"", 《激光与红外》, vol. 46, no. 5, 31 May 2016 (2016-05-31), pages 607 - 611 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187213A (zh) * | 2021-12-14 | 2022-03-15 | 成都微光集电科技有限公司 | 图像融合方法及其装置、设备和存储介质 |
CN114494084A (zh) * | 2022-04-14 | 2022-05-13 | 广东欧谱曼迪科技有限公司 | 一种图像颜色均化方法、装置、电子设备及存储介质 |
CN114494084B (zh) * | 2022-04-14 | 2022-07-26 | 广东欧谱曼迪科技有限公司 | 一种图像颜色均化方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112837254B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275626B (zh) | 一种基于模糊度的视频去模糊方法、装置及设备 | |
US6091851A (en) | Efficient algorithm for color recovery from 8-bit to 24-bit color pixels | |
US8224085B2 (en) | Noise reduced color image using panchromatic image | |
EP1347410B1 (en) | Edge-based enlargement and interpolation of images | |
CN111402258A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
KR20070068433A (ko) | 2차원 이미지의 확대 및 핀칭 | |
CN109903224A (zh) | 图像缩放方法、装置、计算机设备和存储介质 | |
CN112997479B (zh) | 跨阶段跳跃连接处理图像的方法、***和计算机可读介质 | |
US11854157B2 (en) | Edge-aware upscaling for improved screen content quality | |
CN112837254A (zh) | 一种图像融合方法、装置、终端设备及存储介质 | |
CN110430403B (zh) | 一种图像处理方法和装置 | |
CN113939845A (zh) | 提高图像色彩质量的方法、***和计算机可读介质 | |
CN109005368A (zh) | 一种高动态范围图像的生成方法、移动终端及存储介质 | |
CN110503704A (zh) | 三分图的构造方法、装置和电子设备 | |
CN110717864B (zh) | 一种图像增强方法、装置、终端设备及计算机可读介质 | |
CN111563517A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111724292B (zh) | 图像处理方法、装置、设备以及计算机可读介质 | |
CN116523787A (zh) | 基于lab空间和多尺度特征金字塔的低照度图像增强方法 | |
US20230098437A1 (en) | Reference-Based Super-Resolution for Image and Video Enhancement | |
CN115471417A (zh) | 图像降噪处理方法、装置、设备、存储介质和程序产品 | |
CN115809959A (zh) | 一种图像处理方法及装置 | |
JP6525700B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
US20170206637A1 (en) | Image correction apparatus and image correction method | |
CN112419146B (zh) | 一种图像处理方法、装置及终端设备 | |
KR101882739B1 (ko) | 패턴을 이용한 영상 해상도 변환 장치 및 방법 |
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 |