CN112950685A - 一种红外与可见光图像配准方法、***及存储介质 - Google Patents

一种红外与可见光图像配准方法、***及存储介质 Download PDF

Info

Publication number
CN112950685A
CN112950685A CN202110270086.XA CN202110270086A CN112950685A CN 112950685 A CN112950685 A CN 112950685A CN 202110270086 A CN202110270086 A CN 202110270086A CN 112950685 A CN112950685 A CN 112950685A
Authority
CN
China
Prior art keywords
image
infrared
visible light
points
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110270086.XA
Other languages
English (en)
Other versions
CN112950685B (zh
Inventor
徐海洋
赵伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qinhuai Innovation Research Institute Of Nanjing University Of Aeronautics And Astronautics
Nanjing University of Aeronautics and Astronautics
Original Assignee
Qinhuai Innovation Research Institute Of Nanjing University Of Aeronautics And Astronautics
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qinhuai Innovation Research Institute Of Nanjing University Of Aeronautics And Astronautics, Nanjing University of Aeronautics and Astronautics filed Critical Qinhuai Innovation Research Institute Of Nanjing University Of Aeronautics And Astronautics
Priority to CN202110270086.XA priority Critical patent/CN112950685B/zh
Publication of CN112950685A publication Critical patent/CN112950685A/zh
Application granted granted Critical
Publication of CN112950685B publication Critical patent/CN112950685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared 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
    • G06T2207/20024—Filtering details
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种红外与可见光图像配准方法、***及存储介质，包括：对红外图像和可见光图像进行预处理；通过频率调谐分别对红外图像和可见光图像进行显著性增强，得到显著性响应图；将得到的红外和可见光的显著性响应图进行相位一致性检测，提取两幅图像中的相似性结构边缘特征；分别对处理后的相似性结构边缘图像进行特征点提取，利用匹配算法对提取的特征点进行匹配，筛选误匹配点，计算得到配准图像。本发明采用图像结构信息的特征进行配准，克服了传统方法难以在差异较大的红外和可见光异源图像中提取有效特征的问题，不但具有提高图像配准的精度和速度的优点，而且可以应用于嵌入式平台中，具有广阔的市场前景和应用价值。

Description

一种红外与可见光图像配准方法、***及存储介质
技术领域
本发明属于图像配准技术和计算机视觉领域，具体涉及一种红外与可见光图像配准方法、***及存储介质。
背景技术
红外与可见光图像配准是异源图像配准的研究重点和难点。红外图像反映物体的温度辐射信息，可见光图像反映物体的光反射信息，二者信息相互补充，能够实现异源图像的配准和融合，在军事侦查、目标跟踪、模式识别等领域有着广泛的应用。基于特征点的图像配准方法因其计算速度高、鲁棒性较好被广泛应用于图像配准领域。其首先需要提取两幅图像的某些能使图像保持不变的特征元素(边缘、角点、闭区域的中心等)，然后利用特征元素求解空间几何变换模型参数，完成配准。但是，由于成像原理和拍摄条件的不同，红外与可见光图像存在较大的差异，噪声干扰较大，红外图像的灰度对比度和信噪比较低，通过特征点提取算子检测到的特征点数量相比可见光图像少的多，不能满足实际的图像配准需求。
所以，需要一个新的技术方案来解决这个问题。
发明内容
发明目的：为了克服现有技术中存在的不足，提供一种红外与可见光图像配准方法、***及存储介质，该方法具备正确匹配率高、精度高、实时性强和鲁棒性好的优点。
技术方案：为实现上述目的，本发明提供一种红外与可见光图像配准方法，包括如下步骤：
S1：获取同一场景下的红外图像和可见光图像，对红外图像和可见光图像进行预处理，用于平滑噪声；
S2：分别将预处理后的红外图像和可见光图像转换到LAB颜色空间，通过频率调谐分别对红外图像和可见光图像进行显著性增强，得到显著性响应图；
S3：将得到的红外和可见光的显著性响应图进行相位一致性检测，提取两幅图像中的相似性结构边缘特征；
S4：基于相似性结构边缘特征，分别对处理后的相似性结构边缘图像进行特征点提取，利用匹配算法对提取的特征点进行匹配，筛选误匹配点，计算出图像间的单应变换矩阵，得到配准图像。
进一步地，所述步骤S1中预处理操作的流程为：
A1：分别利用红外传感器和可见光传感器采集获取到同一场景下的红外和可见光图像作为输入，改变输入的源图像大小，使两个图像大小保持一致；
A2：进行灰度化处理，然后利用3×3或5×5的高斯卷积核平滑图像的噪声，得到预处理图像。
进一步地，所述步骤S2具体为：
B1：将得到的预处理图像转换到LAB颜色空间，计算每个像素点的对称区域子图的平均LAB像素值；
B2：针对图像中的每个像素点，计算其显著性响应值，得到处理后的显著图。
进一步地，所述步骤B1中每个像素点的对称区域子图的平均LAB像素值的计算公式为：
Figure BDA0002973956110000021
其中，x0和y0为对称区域的偏移量，x0、y0和面积A的计算如下：
x0＝min(x,w-x)
y0＝min(y,h-y)
A＝(2x0+1)(2y0+1)
所述步骤B2中像素的显著性响应值计算公式如下：
S(x,y)＝||Iu-If||
其中，If是原图像高斯滤波后的对称区域子图的平均LAB像素值。在计算对称区域子图的平均像素值时，遍历图像中的每一个像素进行处理，利用积分图像的方法降低算法的时间复杂度，加快数据处理速度，得到显著性响应图。
进一步地，所述步骤S3中相似性结构边缘特征的提取过程具体如下：
C1：对显著性响应图进行傅里叶变换，在多个尺度和方向上利用Log-Gabor滤波器对傅里叶变换图像进行滤波处理，计算得到不同方向和尺度上图像像素点的幅值和相位响应值；
C2：分别计算不同方向下图像像素点的相位一致性值，得到相位一致性矩，根据相位一致性矩随方向变化的特征，计算并提取出图像中的边缘结构。
进一步地，所述步骤S4中特征点提取与配准过程具体如下：
D1：在红外和可见光图像的相似性结构边缘上提取FAST关键角点，并采用BRIEF算法为每一组关键点创建二元特征向量，利用0和1对特征向量进行编码，生成二进制码串描述子；
D2：计算两个特征点集的汉明距离，并对得到的距离进行非极大值抑制，暴力匹配所有点得到粗匹配点集；
D3：利用RANSAC算法在粗匹配的特征点集中随机选取4个特征点，通过不断的计算迭代，得到最优的参数模型，在该最优模型中，匹配的特征点达到最大值，利用最优单应性矩阵对图像进行变换，实现配准。
进一步地，所述步骤C1中不同方向和尺度上图像像素点的幅值和相位响应值的计算公式为：
Figure BDA0002973956110000031
Φso＝tan-1(L(x,y)*Gso/L(x,y)*G'so)
其中，Aso和ΔΦso为像素点的幅值和相位响应值，s和o分别表示尺度因子和方向因子，Gso和Gs'o表示奇偶对称的Log-Gabor滤波器。
进一步地，所述步骤C2中相位一致性测度值的计算方法如下：
Figure BDA0002973956110000032
其中，s为尺度因子，o为方向因子，Aso和ΔΦso为像素点的幅值和相位响应值，Wo为滤波方向权值，T为噪声阈值，ε为极小值常数，
Figure BDA0002973956110000033
为非正值抑制函数。
一种红外与可见光图像配准***，所述***包括网络接口、存储器和处理器；其中，
所述网络接口，用于在与其他外部网元之间进行收发信息过程中，实现信号的接收和发送；
所述存储器，用于存储能够在所述处理器上运行的计算机程序指令；
所述处理器，用于在运行所述计算机程序指令时，执行权利要求1～8中任一项所述的一种红外与可见光图像配准方法的步骤。
一种计算机存储介质，所述计算机存储介质存储有一种红外与可见光图像配准方法的程序，所述一种红外与可见光图像配准方法的程序被至少一个处理器执行时实现权利要求1～8中任一项所述的一种红外与可见光图像配准方法的步骤。
有益效果：本发明与现有技术相比，具备如下优点：
(1)本发明采用图像结构信息的特征进行配准，克服了传统方法难以在差异较大的红外和可见光异源图像中提取有效特征的问题，并且可以应用于嵌入式平台中。
(2)本发明能够同时增强并提取红外和可见光图像中的相似性结构边缘特征，从而在快速提取特征点的过程中保留更多的有效信息，能够有效提高配准精度。
(3)本发明实现的方法计算量少，精度高，且***配置简单，可以在基于红外和可见光配准融合的军事侦查和目标识别跟踪等领域将提供的计算机可读存储介质应用于嵌入式平台完成相应任务，具有广阔的市场前景和应用价值。
附图说明
图1是本发明的基本流程图；
图2是本发明应用于嵌入式平台的结构框图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，本发明提供一种红外与可见光图像配准方法，包括如下步骤：
S1：获取同一场景下的红外图像和可见光图像，对红外图像和可见光图像进行预处理，用于平滑噪声；
S2：分别将预处理后的红外图像和可见光图像转换到LAB颜色空间，通过频率调谐分别对红外图像和可见光图像进行显著性增强，得到显著性响应图；
S3：将得到的红外和可见光的显著性响应图进行相位一致性检测，提取两幅图像中的相似性结构边缘特征；
S4：基于相似性结构边缘特征，分别对处理后的相似性结构边缘图像进行特征点提取，利用匹配算法对提取的特征点进行匹配，筛选误匹配点，计算出图像间的单应变换矩阵，得到配准图像。
如图2所示，本实施例中采用嵌入式平台完成上述图像配准。
步骤S1中预处理操作的流程为：
A1：分别利用红外传感器和可见光传感器采集获取到同一场景下的红外和可见光图像作为输入，改变输入的源图像大小，使两个图像大小保持一致；
A2：进行灰度化处理，然后利用3×3或5×5的高斯卷积核平滑图像的噪声，得到预处理图像。
步骤S2具体为：
B1：将得到的预处理图像转换到LAB颜色空间，计算每个像素点的对称区域子图的平均LAB像素值；
每个像素点的对称区域子图的平均LAB像素值的计算公式为：
Figure BDA0002973956110000041
其中，x0和y0为对称区域的偏移量，x0、y0和面积A的计算如下：
x0＝min(x,w-x)
y0＝min(y,h-y)
A＝(2x0+1)(2y0+1)
B2：针对图像中的每个像素点，计算其显著性响应值，得到处理后的显著图。
步骤B2中像素的显著性响应值计算公式如下：
S(x,y)＝||Iu-If||
其中，If是原图像高斯滤波后的对称区域子图的平均LAB像素值。在计算对称区域子图的平均像素值时，遍历图像中的每一个像素进行处理，利用积分图像的方法降低算法的时间复杂度，加快数据处理速度，得到显著性响应图。
步骤S3中相似性结构边缘特征的提取过程具体如下：
C1：对显著性响应图进行傅里叶变换，在多个尺度和方向上利用Log-Gabor滤波器对傅里叶变换图像进行滤波处理，计算得到不同方向和尺度上图像像素点的幅值和相位响应值；
步骤C1中不同方向和尺度上图像像素点的幅值和相位响应值的计算公式为：
Figure BDA0002973956110000051
Φso＝tan-1(L(x,y)*Gso/L(x,y)*G'so)
其中，Aso和ΔΦso为像素点的幅值和相位响应值，s和o分别表示尺度因子和方向因子，Gso和Gs'o表示奇偶对称的Log-Gabor滤波器。
C2：分别计算不同方向下图像像素点的相位一致性值，得到相位一致性矩，根据相位一致性矩随方向变化的特征，计算并提取出图像中的边缘结构。
步骤C2中相位一致性测度值的计算方法如下：
Figure BDA0002973956110000052
其中，s为尺度因子，o为方向因子，Aso和ΔΦso为像素点的幅值和相位响应值，Wo为滤波方向权值，T为噪声阈值，ε为极小值常数，
Figure BDA0002973956110000053
为非正值抑制函数。
步骤S4中特征点提取与配准过程具体如下：
D1：在得到的图像边缘结构图中，分别对红外和可见光图像的边缘结构进行关键点的选取。采用FAST算法在图像中查找特殊区域，选择像素值由浅至深急剧变化的角点作为图像的关键点。对给定像素p，比较其圆圈范围内的16个像素，每个像素在一定阈值内按高于p、小于p及与p相似进行分类筛选。然后根据BRIEF算法为一组关键点创建二元特征向量，利用0和1对特征向量进行编码，生成二进制码串描述子；
D2：将红外和可见光边缘图像中选取的关键点及其描述子视为两个特征点集，计算一个点集中的每个点与另一个点集中的所有点的汉明距离，并对得到的距离进行非极大值抑制，暴力匹配所有点得到粗匹配点集；
D3：假设同一场景下的红外和可见光图像之间的变换模型为：
Figure BDA0002973956110000061
其中，3×3矩阵为最优单应性矩阵。利用RANSAC算法在粗匹配的特征点集中随机选取4个特征点，通过不断的计算迭代，得到最优的参数模型，在该最优模型中，匹配的特征点达到最大值。利用最优单应性矩阵可以对图像进行变换，实现配准。
本实施例还提供一种红外与可见光图像配准***，该***包括网络接口、存储器和处理器；其中，网络接口，用于在与其他外部网元之间进行收发信息过程中，实现信号的接收和发送；存储器，用于存储能够在所述处理器上运行的计算机程序指令；处理器，用于在运行计算机程序指令时，执行上述共识方法的步骤。
本实施例还提供一种计算机存储介质，该计算机存储介质设置于嵌入式平台内，该计算机存储介质存储有计算机程序，在处理器执行所述计算机程序时可实现以上所描述的方法。所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/输出***(BIOS)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作***、用户应用程序、后台服务、后台应用程序等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种红外与可见光图像配准方法，其特征在于，包括如下步骤：
S1：获取同一场景下的红外图像和可见光图像，对红外图像和可见光图像进行预处理；
S2：分别将预处理后的红外图像和可见光图像转换到LAB颜色空间，通过频率调谐分别对红外图像和可见光图像进行显著性增强，得到显著性响应图；
S3：将得到的红外和可见光的显著性响应图进行相位一致性检测，提取两幅图像中的相似性结构边缘特征；
S4：基于相似性结构边缘特征，分别对处理后的相似性结构边缘图像进行特征点提取，利用匹配算法对提取的特征点进行匹配，筛选误匹配点，计算得到配准图像。
2.根据权利要求1所述的一种红外与可见光图像配准方法，其特征在于，所述步骤S1中预处理操作的流程为：
A1：分别利用红外传感器和可见光传感器采集获取到同一场景下的红外和可见光图像作为输入，改变输入的源图像大小，使两个图像大小保持一致；
A2：进行灰度化处理，然后利用高斯卷积核平滑图像的噪声，得到预处理图像。
3.根据权利要求1所述的一种红外与可见光图像配准方法，其特征在于，所述步骤S2具体为：
B1：将得到的预处理图像转换到LAB颜色空间，计算每个像素点的对称区域子图的平均LAB像素值；
B2：针对图像中的每个像素点，计算其显著性响应值，得到处理后的显著图。
4.根据权利要求3所述的一种红外与可见光图像配准方法，其特征在于，所述步骤B1中每个像素点的对称区域子图的平均LAB像素值的计算公式为：
Figure FDA0002973956100000011
其中，x0和y0为对称区域的偏移量，x0、y0和面积A的计算如下：
x0＝min(x,w-x)
y0＝min(y,h-y)
A＝(2x0+1)(2y0+1)
所述步骤B2中像素的显著性响应值计算公式如下：
S(x,y)＝||Iu-If||
其中，If是原图像高斯滤波后的对称区域子图的平均LAB像素值。
5.根据权利要求1所述的一种红外与可见光图像配准方法，其特征在于，所述步骤S3中相似性结构边缘特征的提取过程具体如下：
C1：对显著性响应图进行傅里叶变换，在多个尺度和方向上利用Log-Gabor滤波器对傅里叶变换图像进行滤波处理，计算得到不同方向和尺度上图像像素点的幅值和相位响应值；
C2：分别计算不同方向下图像像素点的相位一致性值，得到相位一致性矩，根据相位一致性矩随方向变化的特征，计算并提取出图像中的边缘结构。
6.根据权利要求1所述的一种红外与可见光图像配准方法，其特征在于，所述步骤S4中特征点提取与配准过程具体如下：
D1：在红外和可见光图像的相似性结构边缘上提取FAST关键角点，并采用BRIEF算法为每一组关键点创建二元特征向量，对特征向量进行编码，生成二进制码串描述子；
D2：计算两个特征点集的汉明距离，并对得到的距离进行非极大值抑制，暴力匹配所有点得到粗匹配点集；
D3：利用RANSAC算法在粗匹配的特征点集中随机选取若干个特征点，通过不断的计算迭代，得到最优的参数模型，在该最优模型中，匹配的特征点达到最大值，利用最优单应性矩阵对图像进行变换，实现配准。
7.根据权利要求5所述的一种红外与可见光图像配准方法，其特征在于，所述步骤C1中不同方向和尺度上图像像素点的幅值和相位响应值的计算公式为：
Figure FDA0002973956100000021
Φso＝tan-1(L(x,y)*Gso/L(x,y)*G′so)
其中，Aso和ΔΦso为像素点的幅值和相位响应值，s和o分别表示尺度因子和方向因子，Gso和G′so表示奇偶对称的Log-Gabor滤波器。
8.根据权利要求5所述的一种红外与可见光图像配准方法，其特征在于，所述步骤C2中相位一致性测度值的计算方法如下：
Figure FDA0002973956100000022
其中，s为尺度因子，o为方向因子，Aso和ΔΦso为像素点的幅值和相位响应值，Wo为滤波方向权值，T为噪声阈值，ε为极小值常数，
Figure FDA0002973956100000023
为非正值抑制函数。
9.一种红外与可见光图像配准***，其特征在于：所述***包括网络接口、存储器和处理器；其中，
所述网络接口，用于在与其他外部网元之间进行收发信息过程中，实现信号的接收和发送；
所述存储器，用于存储能够在所述处理器上运行的计算机程序指令；
所述处理器，用于在运行所述计算机程序指令时，执行权利要求1～8中任一项所述的一种红外与可见光图像配准方法的步骤。
10.一种计算机存储介质，其特征在于：所述计算机存储介质存储有一种红外与可见光图像配准方法的程序，所述一种红外与可见光图像配准方法的程序被至少一个处理器执行时实现权利要求1～8中任一项所述的一种红外与可见光图像配准方法的步骤，所述计算机存储介质应用于嵌入式平台中。
CN202110270086.XA 2021-03-12 2021-03-12 一种红外与可见光图像配准方法、***及存储介质 Active CN112950685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110270086.XA CN112950685B (zh) 2021-03-12 2021-03-12 一种红外与可见光图像配准方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110270086.XA CN112950685B (zh) 2021-03-12 2021-03-12 一种红外与可见光图像配准方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN112950685A true CN112950685A (zh) 2021-06-11
CN112950685B CN112950685B (zh) 2024-04-26

Family

ID=76229623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110270086.XA Active CN112950685B (zh) 2021-03-12 2021-03-12 一种红外与可见光图像配准方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN112950685B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344987A (zh) * 2021-07-07 2021-09-03 华北电力大学（保定） 复杂背景下电力设备的红外与可见光图像配准方法及***
CN115147468A (zh) * 2022-04-02 2022-10-04 杭州汇萃智能科技有限公司 一种双光图像配准方法、***和可读存储介质
CN115474033A (zh) * 2022-09-19 2022-12-13 卓谨信息科技（常州）有限公司 智能识别用虚拟屏幕的实现方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447704A (zh) * 2016-10-13 2017-02-22 西北工业大学 基于显著区域特征和边缘度的可见光‑红外图像配准方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447704A (zh) * 2016-10-13 2017-02-22 西北工业大学 基于显著区域特征和边缘度的可见光‑红外图像配准方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹继 等: "结合相位一致性的行人检测", 《机械设计与制造》, pages 91 - 94 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344987A (zh) * 2021-07-07 2021-09-03 华北电力大学（保定） 复杂背景下电力设备的红外与可见光图像配准方法及***
CN115147468A (zh) * 2022-04-02 2022-10-04 杭州汇萃智能科技有限公司 一种双光图像配准方法、***和可读存储介质
CN115474033A (zh) * 2022-09-19 2022-12-13 卓谨信息科技（常州）有限公司 智能识别用虚拟屏幕的实现方法

Also Published As

Publication number Publication date
CN112950685B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN112950685B (zh) 一种红外与可见光图像配准方法、***及存储介质
CN105474234B (zh) 一种掌静脉识别的方法和掌静脉识别装置
Ham et al. Robust image filtering using joint static and dynamic guidance
Li et al. Fast guided global interpolation for depth and motion
Shen et al. Mutual-structure for joint filtering
Kang et al. Feature extraction of hyperspectral images with image fusion and recursive filtering
Jiao et al. Local stereo matching with improved matching cost and disparity refinement
Yu et al. Efficient patch-wise non-uniform deblurring for a single image
CN110021024B (zh) 一种基于lbp和链码技术的图像分割方法
CN107851196B (zh) 一种图像模式匹配的方法及装置
Lo et al. Joint trilateral filtering for depth map super-resolution
Chakraborty An advanced approach to detect edges of digital images for image segmentation
CN113066030B (zh) 一种基于空谱融合网络的多光谱图像全色锐化方法及***
Deshpande et al. A novel modified cepstral based technique for blind estimation of motion blur
Azhar et al. Detail-preserving switching algorithm for the removal of random-valued impulse noise
Lou et al. Nonlocal similarity image filtering
CN109903246B (zh) 检测图像变化的方法及装置
Khan et al. Multi‐scale GAN with residual image learning for removing heterogeneous blur
CN105303538A (zh) 一种基于nsct和pca的高斯噪声方差估计方法
Zhou et al. A phase congruency based patch evaluator for complexity reduction in multi-dictionary based single-image super-resolution
Özkan et al. A novel multi-scale and multi-expert edge detector based on common vector approach
Zin et al. Local image denoising using RAISR
CN111311610A (zh) 图像分割的方法及终端设备
Zhang et al. A generative adversarial network with dual discriminators for infrared and visible image fusion based on saliency detection
Jung et al. Intensity-guided edge-preserving depth upsampling through weighted L0 gradient minimization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant