CN114067134A - 烟尘环境下多光谱目标探测方法、***、设备和存储介质 - Google Patents
烟尘环境下多光谱目标探测方法、***、设备和存储介质 Download PDFInfo
- Publication number
- CN114067134A CN114067134A CN202111417592.3A CN202111417592A CN114067134A CN 114067134 A CN114067134 A CN 114067134A CN 202111417592 A CN202111417592 A CN 202111417592A CN 114067134 A CN114067134 A CN 114067134A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- layer
- unit
- multispectral
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013481 data capture Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 239000004071 soot Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000036544 posture Effects 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明提供烟尘环境下多光谱目标探测方法、***、设备和存储介质,充分利用FPGA的运算资源和多传感器在烟尘环境下不同光谱下采集到的图像信息的融合,更加快速的完成针对烟尘背景下运动目标的识别,更好的达到烟尘背景下实时识别目标和低功耗运行,应用于靶场烟尘环境下智能弹药末端制导过程中飞行轨迹和姿态的识别;本申请步骤简单,提高了对运动目标的识别速度和识别精度,且能够大量应用于实际的生产检测中。
Description
技术领域
本发明涉及图像处理技术和目标跟踪领域,尤其涉及烟尘环境下多光谱目标探测方法、***、设备和存储介质。
背景技术
图像是信息的重要载体,在烟尘环境以及战场环境下的主被动干扰会造成图像目标信息模糊、细节缺失、探测率低等问题,严重影响成像质量。针对烟尘环境下的目标识别,现有技术中的单一传感器获取的图像信息已经无法满足烟尘场中的目标识别工作,多光谱图像融合技术应运而生。
可见光图像通过反射可见光进行成像,纹理细节和对比度更适合人类视觉感知,但可见光在烟尘条件下成像效果差。短波红外所成的像非常类似可见光图像,相比于热成像,短波红外拥有更好的细节分辨和解析能力,能够更好的识别出目标的类别。红外图像主要依靠物体自身热辐射进行成像,突出背景中隐藏的目标,不受光照条件、天气的影响,但当物体温差不明显时,成像细节差。利用多光谱融合技术能够在烟尘环境下得到清晰目标的高质量图像。对于目标跟踪识别常需要短时间处理大量图像或视频流信息,利用MATLAB等经典方法处理图像实时性差,难以满足计算要求,现场可编程门阵列(FieldProgrammable Gate Array,FPGA)是作为专用集成电路领域中的一种半定制电路,具有高性能、低功耗的特点,能够得到处理速度较快,适用的范围更广的清晰高质量图像。
发明内容
针对现有技术中存在的问题,本发明提供烟尘环境下多光谱目标探测方法、***、设备和存储介质,可以实时有效准确的对烟尘背景下目标进行识别,解决现有烟尘背景下目标信息模糊、探测率低、识别速度慢和功耗高等问题。
本发明是通过以下技术方案来实现:
烟尘环境下多光谱目标探测方法,其特征在于,包括以下步骤:
S1:对目标区域进行实时的图像或视频采集,并将采集到的数据进行距格式的转换和存储;
S2:将转换和存储的数据读出,将每个通道的数据进行引导滤波处理,通过权重图构造确定不同图像信息的权重参数,并进行图像融合和仲裁;
S3:对融合和仲裁后的图片进行对应的指令控制操作,并对应选择图像的处理算法,得到图像数据流;
S4:对于图像信息流经异步FIFO读出并显示于对应显示屏位置,完成烟尘背景多光谱目标探测。
进一步,所述步骤1中对目标区域进行实时拍摄,获取实时的视频和图像序列,将视频和图像转换为RGB565格式并存储。
进一步,所述步骤2中采用Lab-引导滤波融合的方法对视频和图像进行引导滤波处理,将RGB的视频和图像转换为Lab格式,所述Lab-引导滤波融合包括一个亮通道L和两个色彩通道a和b。
进一步,所述将RGB的视频和图像转换为Lab格式,步骤如下:
借助XYZ空间,
式中:RGB为原始通道的值;Lab为转换之后的值;Yn、Xn、Zn一般为100、95.047和108.883;M是一个矩阵;
将各个通道输入的图像数据进行改进引导滤波处理,输入图像为p,输入引导图I与输出图q之间存在线性关系,并利用最小二乘法最小化噪声平方和,求解系数,如下:
式中:ak和bk表示常数参数,一个ωk只对应一对常数参数;
引入两个变参数A和B,利用上一层协方差矩阵线性调整最小二乘法估计出来的两个常系数,如下:
b为基础层图像,d为细节层图像,引导滤波分解式如下:
I=b0=bn+dn+dn-1+...+d1;
式中:GF为引导滤波,b0层为源图像,第n层的基础图像是n-1层图像进行引导滤波得到的,第n层的细节图像就是上一层的基础图像与本层基础图像的差。
进一步,所述步骤S2中对得到的Lab文件引入权重图构造的步骤为:
对图像进行导向过滤分解,细节层和显现图像信息存在差异;
计算每一层分离出的细节图的相对权重进行细节图的融合;其中短波红外在烟尘环境下能够获取更多的目标信息和细节,在融合规则中,再次加入短波红外的细节信息,对各层信息相加,得到最终细节层图像;可见光和短波红外基础层更能反映背景,进一步改进基础层融合规则,再次引入可见光和短波红外的背景信息,得到基础层图像。
进一步,所述Lab文件引入权重图构造的计算步骤为:
将基础层和细节层进行叠加,得到融合图像,如下:
F=BF+DF;
最终将融合后的图像数据再次经由采集数据仲裁单元放入采集数据缓存单元进行缓存。
烟尘环境下多光谱目标探测***,包括:
数据信号采集模块,用于在烟尘背景下目标区域进行实时的视频图像采集,通过配置传感器,将采集到的数据经过数据捕获单元转化成RGB565的16bit彩色数据,并通过异步FIFO实现数据总线和地址总线的跨时钟域处理,将光、近红外和红外的数据经过采集数据仲裁单元依次缓存进采集数据缓存单元;
烟尘背景下多光谱图像融合模块,用于将缓存后的数据进行引导滤波处理,并确定基础层和细节层的融合权重,在多光谱图像融合单元中将图像进行融合,融合后的数据经过采集数据仲裁单元和采集数据缓存单元输出;
串口控制模块,用于控制和分析指令,并控制选择不同烟尘环境下的对应的图像算法;
数据信号显示模块,用于控制显示模块控制单元VGA下发的信息流不断的从数据缓存单元中将数据流进行读出,显示在HDMI显示器上。
进一步,所述数据信号采集模块包括CMOS可见光摄像头、LD-SW640近红外摄像头、Tigris-640红外相机、数据捕获单元、采集数据仲裁单元和采集数据缓存单元;
所述烟尘背景下多光谱图像融合模块包括引导滤波单元、权重图构造单元和多光谱图像融合单元;
所述串口控制模块包括上位机单元、串口协议单元、指令分析单元和控制图像算法单元;
所述数据信号显示模块包括显示数据缓存单元、显示模块控制单元以及HDMI显示器。
一种计算机设备,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所述烟尘环境下多光谱目标探测方法的步骤。
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所述烟尘环境下多光谱目标探测方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提供烟尘环境下多光谱目标探测方法、***、设备和存储介质,充分利用FPGA的运算资源和多传感器在烟尘环境下不同光谱下采集到的图像信息的融合,更加快速的完成针对烟尘背景下运动目标的识别,更好的达到烟尘背景下实时识别目标和低功耗运行,应用于靶场烟尘环境下智能弹药末端制导过程中飞行轨迹和姿态的识别;本申请步骤简单,提高了对运动目标的识别速度和识别精度,且能够大量应用于实际的生产检测中。
附图说明
图1为本发明实施中烟尘环境下多光谱目标探测方法流程图;
图2为本发明实施中烟尘环境下多光谱目标探测***示意图;
图3为本发明实施中可见光通道图像数据缓存图;
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供烟尘环境下多光谱目标探测方法,如图1所示,包括以下步骤:
S1:对目标区域进行实时的图像或视频采集,并将采集到的数据进行距格式的转换和存储;
S2:将转换和存储的数据读出,将每个通道的数据进行引导滤波处理,通过权重图构造确定不同图像信息的权重参数,并进行图像融合和仲裁;
S3:对融合和仲裁后的图片进行对应的指令控制操作,并对应选择图像的处理算法,得到图像数据流;
S4:对于图像信息流经异步FIFO读出并显示于对应显示屏位置,完成烟尘背景多光谱目标探测。
本发明提供的一种优选实施例为,所述步骤1中对目标区域进行实时拍摄,获取实时的视频和图像序列,将视频和图像转换为RGB565格式并存储。
本发明提供的一种优选实施例为,所述步骤2中,采用Lab-引导滤波融合的方法对视频和图像进行引导滤波处理,将RGB的视频和图像转换为Lab格式,所述Lab-引导滤波融合包括一个亮通道L和两个色彩通道a和b。
进一步的,所述将RGB的视频和图像转换为Lab格式,步骤如下:
借助XYZ空间,
式中:RGB为原始通道的值;Lab为转换之后的值;Yn、Xn、Zn一般为100、95.047和108.883;M是一个矩阵;
将各个通道输入的图像数据进行改进引导滤波处理,输入图像为p,输入引导图I与输出图q之间存在线性关系,并利用最小二乘法最小化噪声平方和,求解系数,如下:
式中:ak和bk表示常数参数,一个ωk只对应一对常数参数。
引入两个变参数A和B,利用上一层协方差矩阵线性调整最小二乘法估计出来的两个常系数,如下:
b为基础层图像,d为细节层图像,引导滤波分解式如下:
I=b0=bn+dn+dn-1+...+d1;
式中:GF为引导滤波,b0层为源图像,第n层的基础图像是n-1层图像进行引导滤波得到的,第n层的细节图像就是上一层的基础图像与本层基础图像的差。
本发明提供的另一种优选实施例为,所述步骤S2中对得到的Lab文件引入权重图构造的步骤为:
对图像进行导向过滤分解,细节层和显现图像信息存在差异;
计算每一层分离出的细节图的相对权重进行细节图的融合;其中短波红外在烟尘环境下能够获取更多的目标信息和细节,在融合规则中,再次加入短波红外的细节信息,对各层信息相加,得到最终细节层图像;可见光和短波红外基础层更能反映背景,进一步改进基础层融合规则,再次引入可见光和短波红外的背景信息,得到基础层图像。
进一步的,所述Lab文件引入权重图构造的计算步骤为:
将基础层和细节层进行叠加,得到融合图像,如下:
F=BF+DF;
最终将融合后的图像数据再次经由采集数据仲裁单元放入采集数据缓存单元进行缓存。
本发明提供烟尘环境下多光谱目标探测***,如图2和图3所示,包括:
数据信号采集模块,用于在烟尘背景下目标区域进行实时的视频图像采集,通过配置传感器,将采集到的数据经过数据捕获单元转化成RGB565的16bit彩色数据,并通过异步FIFO实现数据总线和地址总线的跨时钟域处理,将光、近红外和红外的数据经过采集数据仲裁单元依次缓存进采集数据缓存单元;
烟尘背景下多光谱图像融合模块,用于将缓存后的数据进行引导滤波处理,并确定基础层和细节层的融合权重,在多光谱图像融合单元中将图像进行融合,融合后的数据经过采集数据仲裁单元和采集数据缓存单元输出;
串口控制模块,用于控制和分析指令,并控制选择不同烟尘环境下的对应的图像算法;
数据信号显示模块,用于控制显示模块控制单元VGA下发的信息流不断的从数据缓存单元中将数据流进行读出,显示在HDMI显示器上。
本发明提供的另一种优选实施例为,所述数据信号采集模块包括CMOS可见光摄像头、LD-SW640近红外摄像头、Tigris-640红外相机、数据捕获单元、采集数据仲裁单元和采集数据缓存单元;
所述烟尘背景下多光谱图像融合模块包括引导滤波单元、权重图构造单元和多光谱图像融合单元;
所述串口控制模块包括上位机单元、串口协议单元、指令分析单元和控制图像算法单元;
所述数据信号显示模块包括显示数据缓存单元、显示模块控制单元以及HDMI显示器。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部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发明实施例技术方案的范围。
Claims (10)
1.烟尘环境下多光谱目标探测方法,其特征在于,包括以下步骤:
S1:对目标区域进行实时的图像或视频采集,并将采集到的数据进行距格式的转换和存储;
S2:将转换和存储的数据读出,将每个通道的数据进行引导滤波处理,通过权重图构造确定不同图像信息的权重参数,并进行图像融合和仲裁;
S3:对融合和仲裁后的图片进行对应的指令控制操作,并对应选择图像的处理算法,得到图像数据流;
S4:对于图像信息流经异步FIFO读出并显示于对应显示屏位置,完成烟尘背景多光谱目标探测。
2.根据权利要求1所述烟尘环境下多光谱目标探测方法,其特征在于,所述步骤1中对目标区域进行实时拍摄,获取实时的视频和图像序列,将视频和图像转换为RGB565格式并存储。
3.根据权利要求1所述烟尘环境下多光谱目标探测方法,其特征在于,所述步骤2中采用Lab-引导滤波融合的方法对视频和图像进行引导滤波处理,将RGB的视频和图像转换为Lab格式,所述Lab-引导滤波融合包括一个亮通道L和两个色彩通道a和b。
4.根据权利要求3所述烟尘环境下多光谱目标探测方法,其特征在于,所述将RGB的视频和图像转换为Lab格式,步骤如下:
借助XYZ空间,
式中:RGB为原始通道的值;Lab为转换之后的值;Yn、Xn、Zn一般为100、95.047和108.883;M是一个矩阵;
将各个通道输入的图像数据进行改进引导滤波处理,输入图像为p,输入引导图I与输出图q之间存在线性关系,并利用最小二乘法最小化噪声平方和,求解系数,如下:
式中:ak和bk表示常数参数,一个ωk只对应一对常数参数;
引入两个变参数A和B,利用上一层协方差矩阵线性调整最小二乘法估计出来的两个常系数,如下:
b为基础层图像,d为细节层图像,引导滤波分解式如下:
I=b0=bn+dn+dn-1+...+d1;
式中:GF为引导滤波,b0层为源图像,第n层的基础图像是n-1层图像进行引导滤波得到的,第n层的细节图像就是上一层的基础图像与本层基础图像的差。
5.根据权利要求1所述烟尘环境下多光谱目标探测方法,其特征在于,所述步骤S2中对得到的Lab文件引入权重图构造的步骤为:
对图像进行导向过滤分解,细节层和显现图像信息存在差异;
计算每一层分离出的细节图的相对权重进行细节图的融合;其中短波红外在烟尘环境下能够获取更多的目标信息和细节,在融合规则中,再次加入短波红外的细节信息,对各层信息相加,得到最终细节层图像;可见光和短波红外基础层更能反映背景,进一步改进基础层融合规则,再次引入可见光和短波红外的背景信息,得到基础层图像。
7.烟尘环境下多光谱目标探测***,其特征在于,基于权利要求1-6所述任意烟尘环境下多光谱目标探测方法,包括:
数据信号采集模块,用于在烟尘背景下目标区域进行实时的视频图像采集,通过配置传感器,将采集到的数据经过数据捕获单元转化成RGB565的16bit彩色数据,并通过异步FIFO实现数据总线和地址总线的跨时钟域处理,将光、近红外和红外的数据经过采集数据仲裁单元依次缓存进采集数据缓存单元;
烟尘背景下多光谱图像融合模块,用于将缓存后的数据进行引导滤波处理,并确定基础层和细节层的融合权重,在多光谱图像融合单元中将图像进行融合,融合后的数据经过采集数据仲裁单元和采集数据缓存单元输出;
串口控制模块,用于控制和分析指令,并控制选择不同烟尘环境下的对应的图像算法;
数据信号显示模块,用于控制显示模块控制单元VGA下发的信息流不断的从数据缓存单元中将数据流进行读出,显示在HDMI显示器上。
8.根据权利要求7所述烟尘环境下多光谱目标探测***,其特征在于,
所述数据信号采集模块包括CMOS可见光摄像头、LD-SW640近红外摄像头、Tigris-640红外相机、数据捕获单元、采集数据仲裁单元和采集数据缓存单元;
所述烟尘背景下多光谱图像融合模块包括引导滤波单元、权重图构造单元和多光谱图像融合单元;
所述串口控制模块包括上位机单元、串口协议单元、指令分析单元和控制图像算法单元;
所述数据信号显示模块包括显示数据缓存单元、显示模块控制单元以及HDMI显示器。
9.一种计算机设备,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1-6任一项所述烟尘环境下多光谱目标探测方法的步骤。
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1-6任一项所述烟尘环境下多光谱目标探测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417592.3A CN114067134A (zh) | 2021-11-25 | 2021-11-25 | 烟尘环境下多光谱目标探测方法、***、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417592.3A CN114067134A (zh) | 2021-11-25 | 2021-11-25 | 烟尘环境下多光谱目标探测方法、***、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067134A true CN114067134A (zh) | 2022-02-18 |
Family
ID=80276389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111417592.3A Pending CN114067134A (zh) | 2021-11-25 | 2021-11-25 | 烟尘环境下多光谱目标探测方法、***、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067134A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091372A (zh) * | 2023-01-03 | 2023-05-09 | 江南大学 | 基于层分离和重参数的红外和可见光图像融合方法 |
CN117058624A (zh) * | 2023-10-11 | 2023-11-14 | 深圳市金众工程检验检测有限公司 | 一种应用于建筑工地的工程检测方法及*** |
-
2021
- 2021-11-25 CN CN202111417592.3A patent/CN114067134A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091372A (zh) * | 2023-01-03 | 2023-05-09 | 江南大学 | 基于层分离和重参数的红外和可见光图像融合方法 |
CN116091372B (zh) * | 2023-01-03 | 2023-08-15 | 江南大学 | 基于层分离和重参数的红外和可见光图像融合方法 |
CN117058624A (zh) * | 2023-10-11 | 2023-11-14 | 深圳市金众工程检验检测有限公司 | 一种应用于建筑工地的工程检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Night video enhancement using improved dark channel prior | |
Benoit et al. | Using human visual system modeling for bio-inspired low level image processing | |
CN114067134A (zh) | 烟尘环境下多光谱目标探测方法、***、设备和存储介质 | |
CN112288663A (zh) | 一种红外与可见光图像融合方法及*** | |
CN114119378A (zh) | 图像融合方法、图像融合模型的训练方法和装置 | |
CN110473185A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
US11070717B2 (en) | Context-aware image filtering | |
CN104902182B (zh) | 一种实现连续自动对焦的方法和装置 | |
CN111507997B (zh) | 图像分割方法、装置、设备及计算机存储介质 | |
CN102231844B (zh) | 基于结构相似度和人眼视觉的视频图像融合性能评价方法 | |
CN111382647B (zh) | 一种图片处理方法、装置、设备及存储介质 | |
CN112511859B (zh) | 一种视频处理方法、装置和存储介质 | |
Liu et al. | Large size single image fast defogging and the real time video defogging FPGA architecture | |
CN114332911A (zh) | 一种头部姿态检测方法、装置及计算机设备 | |
JP7176616B2 (ja) | 画像処理システム、画像処理装置、画像処理方法、及び画像処理プログラム | |
CN114758027A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114067273A (zh) | 一种夜间机场航站楼热成像显著人体分割检测方法 | |
JP2023553706A (ja) | 撮影モード決定方法、装置、電子機器、及び記憶媒体 | |
Shi et al. | Fusion algorithm of UAV infrared image and visible image registration | |
Chiu et al. | Privacy-preserving video conferencing via thermal-generative images | |
CN103269413A (zh) | 一种多源视频融合*** | |
JP2009116686A (ja) | 撮像対象検出装置および方法 | |
Hua et al. | An Efficient Multiscale Spatial Rearrangement MLP Architecture for Image Restoration | |
Ding et al. | Integrating Human Parsing and Pose Network for Human Action Recognition | |
CN117115065B (zh) | 基于聚焦损失函数约束的可见光和红外图像的融合方法 |
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 |