CN109377468A - 基于多特征的红外辐射和偏振图像的伪彩色融合方法 - Google Patents
基于多特征的红外辐射和偏振图像的伪彩色融合方法 Download PDFInfo
- Publication number
- CN109377468A CN109377468A CN201811180835.4A CN201811180835A CN109377468A CN 109377468 A CN109377468 A CN 109377468A CN 201811180835 A CN201811180835 A CN 201811180835A CN 109377468 A CN109377468 A CN 109377468A
- Authority
- CN
- China
- Prior art keywords
- image
- local
- images
- feature
- formula
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 100
- 230000005855 radiation Effects 0.000 title claims abstract description 89
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 13
- 239000003086 colorant Substances 0.000 title abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000000926 separation method Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000000007 visual 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
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
公开了一种基于多特征的红外辐射和偏振图像的伪彩色融合方法，涉及图像处理技术领域。该方法首先进行基于红外辐射和偏振图像的RGB颜色映射；再将RGB空间转换成YUV空间，提取亮度分量Y；再对红外辐射和红外偏振图像进行多特征分离，获得各自的亮、暗和细节特征；再采用特征匹配的方法融合两图像的亮、暗特征图像以及采用模糊逻辑和特征差异驱动融合两图像细节特征；再将融合后的亮、暗和细节特征结果结合起来，并将结合的结果代替亮度分量Y，再进行YUV逆变换，得到最终的伪彩色融合结果。该方法可有效地提高红外图像的质量和提高了目标的可识别率，有效地增强了图像信息，提高了图像对比度和清晰度。
Description
技术领域
本发明总体地属于图像处理技术领域，具体地涉及一种基于多特征的红外辐射和偏振图像的伪彩色融合方法。
背景技术
当今，随着红外成像探测技术在军事、医疗、安防以及地球观测等应用领域需求的大力发展，传统的红外探测技术在精度、复杂环境以及伪装技术的升级下显得有些力不从心。
红外辐射图像擅长描述热目标的特征，但是图像中目标与背景对比度低，画面一般较暗，信噪比低，边缘模糊，细节纹理较弱，灰度分布集中。然而红外偏振信息是不同域辐射的另一种表征事物的信息，相同辐射的被测物体可能有不同的偏振度，红外偏振图像擅长描述物体表面粗糙度、纹理、边缘等信息。同一场景的红外偏振图像和红外辐射图像之间存在冗余性和互补性，融合红外偏振图像和红外辐射图像融合后的图像不仅包含一幅图像特有目标信息，而且增强了二者皆有的信息，使得场景描述更加全面和精确，有利于观察者对场景的理解与识别。但在背景和目标对比度低的情况下，目标仍然难识别，还可能给观察者造成一些视觉错误；并且，某些只考虑单一差异特征的图像融合算法不能对图像中的所有不确定和随机变化的图像特征进行有效描述，导致在融合过程中损失一些有价值的信息，导致融合与识别的失败。
发明内容
本发明的目的在于克服上述现有技术的不足，提出基于多特征的红外辐射和偏振图像的伪彩色融合方法，实现红外辐射图像和偏振图像的融合，使得场景信息更加全面，改善红外图像质量和提高目标的可识别率。
为实现上述目的，本发明技术方案为：一种基于多特征的红外辐射和偏振图像的伪彩色融合方法，包括以下步骤：
1、一种基于多特征的红外辐射和偏振图像的伪彩色融合方法，其特征在于，包括以下步骤：
S1、基于红外辐射图像和红外偏振图像的RGB颜色映射获得一幅RGB图像；
S2、将步骤S1获得图像的RGB空间转化成YUV空间，并提取亮度分量Y；
S3、分别对原始的红外辐射图像和红外偏振图像的灰度图像进行基于暗原色理论的多特征分离，分别获得两幅图像的亮特征、暗特征和细节特征；
S4、采用基于局部区域能量特征的匹配方法融合步骤S3获得的两幅图像相对应的亮特征；
S5、采用基于局部区域加权方差特征的匹配方法融合步骤S3获得的两幅图像相对应的暗特征；
S6、利用模糊逻辑和特征差异驱动融合步骤S3获得的红外辐射图像和红外偏振图像的细节特征；
S7、融合步骤S4、S5和S6的结果，获得灰度融合结果，并将融合结果代替步骤S2中的亮度分量Y，再进行YUV逆变换，获得最终伪彩色融合结果；
其中，需要特别说明的是，步骤S4、S5、S6是不分时序的，可以放在一个步骤中进行描述，这里进行步骤编号仅为了后续描述方便：步骤S4、S5、S6可以同步进行；也可以任意两个同时进行，然后进行最后一个；也可以先进行其中任意一个，然后进行同步进行剩下的两个；或者依次进行其中的一个。
进一步的，上述步骤S2中，将RGB空间转换成YUV空间的公式如公式(1)所示：
其中提取亮度分量Y的公式如公式(2)所示：
Y＝0.299R+0.587G+0.114B 公式(2)。
进一步的，上述步骤S3中，设原始的红外辐射图像的灰度图像为r，原始的红外偏振图像的灰度图像为p，暗原色图的求解方法如公式(3)所示：
公式(3)中，C为图像的三个颜色通道R、G、B；N(x)为以像素点x为中心的窗口领域内的像素；LC(y)为图像的一个颜色通道图；Ldark(x)为LC(y)对应的暗通道图像；
通过公式(3)获得红外辐射图像的暗原色图像
通过公式(3)获得红外偏振图像的暗原色图像
采用基于暗原色理论的多特征分离，分别获得两幅图像的亮特征、暗特征和细节特征，包括以下步骤：
S3.1、分别利用下述公式(4)和(5)获得红外辐射图像取反之后的图像和红外偏振图像取反之后的图像再将暗原色图像和分别与图像和按照绝对值取小的规则进行融合，获得分别如公式(6)和(7)所示的红外辐射图像的暗特征图像Dr和红外偏振图像的暗特征图像Dp；
S3.2、将所述和分别与其对应的图像Dr和Dp作差，获得分别如公式(8)和(9)所示红外辐射图像的亮特征图像Lr和红外偏振图像的亮特征图像Lp；
S3.3、将红外辐射图像r和红外偏振图像为p分别与其对应的暗原色图像和暗原色图像作差，获得分别如公式(10)和(11)所示的红外辐射图像的细节图像Pr和红外偏振图像的细节图像Pp；
更进一步的，上述步骤S4中融合亮特征图像Lr和亮特征图像Lp包括以下步骤：
S4.1、分别求得亮特征图像Lr的高斯加权局部能量和亮特征图像Lp的高斯加权局部能量求算利用公式(12)进行：
公式(12)中，代表以点(m,n)为中心的高斯加权局部能量；w(i,j)为高斯滤波矩阵；N为区域的大小；t＝(N-1)/2；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中L表示亮特征图像；
利用公式(12)分别求得亮特征图像Lr的高斯加权局部能量和亮特征图像Lp的高斯加权局部能量
S4.2、求解图像Lr和Lp的高斯加权局部能量的匹配度ME(m,n)，求解利用公式(13)进行；
S4.3、利用步骤S4.1获得的高斯加权局部能量和步骤S4.2获得的高斯加权局部能量匹配度进行亮特征图像Lr和Lp的融合，获得亮特征图像的融合结果FL；
红外辐射图像和红外偏振图像的亮特征图像的融合利用公式(14)进行：
其中，
公式(14)中，Tl为亮度特征融合相似性判断的阈值，取值为0～0.5；若是ME(m,n)＜Tl，则两幅图像Lr和Lp以点(m,n)为中心的区域不相似，两幅图像Lr和Lp的融合结果选取高斯加权区域能量大者；否者，两幅图像Lr和Lp的融合结果为系数加权平均。
还进一步的，上述步骤S5中融合暗特征图像Dr和暗特征图像Dp的步骤为：
S5.1、求得暗特征图像Dr的局部区域加权方差能量和暗特征图像Dp的局部区域加权方差能量求算利用公式(16)进行：
公式(16)中，代表以点(m,n)为中心的局部区域加权方差能量；w(i,j)为高斯滤波矩阵；N为区域的大小；t＝(N-1)/2；代表以点(m,n)为中心的局部区域平均值；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中D表示暗特征图像；
利用公式(16)分别求得暗特征图像Dr的局部区域加权方差能量和暗特征图像Dp的局部区域加权方差能量
S5.2、根据步骤S5.1的结果求解两幅图像Dr和Dp的局部区域加权方差能量的匹配度MV(m,n)；求算利用公式(17)进行：
S5.3、利用步骤S5.1获得的局部区域加权方差能量和步骤S5.2获得的局部区域加权方差能量匹配度MV(m,n)进行两幅暗特征图像Dr和Dp的融合，获得暗特征图像的融合结果FD；融合利用公式(18)进行：
其中，
公式(18)中，Th为暗度特征融合相似性判断的阈值，取值为0.5～1；若是ME(m,n)＜Th，则两幅图像Dr和Dp以点(m,n)为中心的区域不相似，两幅图像Dr和Dp的融合结果选取局部区域加权方差能量大者；否者，两幅图像Dr和Dp的融合结果为系数加权平均。
还进一步的，上述步骤S6包括以下步骤：
S6.1、求得红外辐射图像的细节特征图像Pr局部梯度和红外偏振图像的细节特征图像Pp的局部梯度求解利用公式(20)进行：
式中，代表像素点(m,n)处的局部梯度；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中P表明细节特征图像；分别代表利用Sobel算子的水平和垂直模板与细节特征图像Pk卷积获得的水平和垂直边缘图像；
利用公式(20)获得细节特征图像Pr的局部梯度和细节特征图像Pp的局部梯度
S6.2、求得红外辐射图像的细节特征图像Pr的局部加权方差和红外偏振图像的细节特征图像Pp的局部梯度
局部加权方差求解方法采用与公式(16)一样的方法，即细节特征图像的局部加权方差为：
式中，代表以点(m,n)为中心的局部区域加权方差能量；w(i,j)为高斯滤波矩阵；N为区域的大小；t＝(N-1)/2；代表以点(m,n)为中心的局部区域平均值；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中P表示细节特征图像。
利用公式(21)获得细节特征图像Pr的局部加权方差和细节特征图像Pp的局部梯度
S6.3、求得两幅细节特征图像的局部差异梯度匹配度、局部加权方差匹配度、局部差异梯度和局部差异方差；求算分别利用如下公式(22)-公式(25)进行：
局部梯度匹配度：
局部加权方差匹配度：
局部差异梯度：
局部差异方差：
S6.4、根据局部差异梯度ΔT(m,n)和局部差异方差ΔV(m,n)获得基于像素的决策图PDG(m,n)，并且根据局部梯度匹配度MT(m,n)和局部加权方差匹配度MV(m,n)获得特征差异程度决策图DDG；
S6.5、根据基于像素的决策图PDG(m,n)和特征差异程度决策图DDG判定确定区域和不确定区域；
S6.6、利用特征差异驱动融合两幅细节特征图像的确定区域；
以局部差异梯度ΔT(m,n)和局部差异方差ΔV(m,n)的乘积作为确定区域融合的驱动因素，记为DIF(m,n)，如下面公式(27)所示：
DIF(m,n)＝ΔT(m,n)·ΔV(m,n) 公式(27)
则利用DIF(m,n)驱动融合确定区域，得到的确定区域融合后的图像为如公式(28)所示：
式中，“·*”代表矩阵中对应像素位置处值的乘积；
S6.7、利用模糊逻辑理论融合两幅细节特征图像的不确定区域；
假设“红外辐射图像和红外偏振图像的细节特征图像的局部梯度是大的”的隶属函数分别为μT(Pr(m,n))和μT(Pp(m,n))，如公式(29)所示；“红外辐射图像和红外偏振图像的细节特征图像的局部加权方差是大的”的隶属函数分别为μV(Pr(m,n))和μV(Pp(m,n)),如(30)所示：
式中，k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；
利用模糊逻辑的交运算规则分别计算红外辐射图像和红外偏振图像的细节特征图像在位置(m,n)的处的像素值对不确定区域融合图像重要程度的隶属函数，分别用μT∩V(Pr(m,n))和μT∩V(Pp(m,n))表示，如公式(31)所示：
μT∩V(Pk(m,n))＝min[μT(Pk(m,n)),μV(Pk(m,n))] 公式(31)
式中，k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；
则，两幅图像细节特征图像不确定区域的融合图像如公式(32)所示：
式中，“·*”代表矩阵中对应像素位置处值的乘积，·/代表矩阵中对应像素位置处值的相除；
S6.8、融合和得到最终的融合结果FDIF(m,n)，如公式(33)所示，并对FDIF(m,n)进行一致性校验；
对FDIF(m,n)进行一致性校验，使用大小3×3的窗口在图像FDIF(m,n)上移动，用窗口周围的像素来验证中心像素：如果中心像素来自于Pr和Pp其中一个图像中，而该中心像素的周围s(4＜s＜8)个像素都来自另外一个图像中，那么就把该中心像素值改为另外一个图像在该位置的像素值，窗口遍历整个图像FDIF(m,n)来得到修正后的FDIF(m,n)。
还进一步的，上述步骤S6.4包括以下步骤：
S6.4.1、根据局部差异梯度ΔT(m,n)和局部差异方差ΔV(m,n)获得基于像素的决策图PDG(m,n)：当ΔT(m,n)＞0,ΔV(m,n)＞0时，令PDG(m,n)＝p1；当ΔT(m,n)＜0,ΔV(m,n)＜0时，PDG(m,n)＝p2；当ΔT(m,n)＞0,ΔV(m,n)＜0时，PDG(m,n)＝p3；当ΔT(m,n)＜0,ΔV(m,n)＞0时，令PDG(m,n)＝p4；当ΔT(m,n)＝0,ΔV(m,n)＞0时，令PDG(m,n)＝p5；当ΔT(m,n)＝0,ΔV(m,n)＜0时，令PDG＝p6；当ΔT(m,n)＞0,ΔV(m,n)＝0时，令PDG(m,n)＝p7；当ΔT(m,n)＜0,ΔV(m,n)＝0时，令PDG(m,n)＝p8；当ΔT(m,n)＝0,ΔV(m,n)＝0时，令PDG(m,n)＝p9，其中p1～p9表示满足上述条件时像素位置为1，其他像素位置为0的决策图；
S6.4.2、根据局部梯度匹配度MT(m,n)和局部加权方差匹配度MV(m,n)获得特征差异程度决策图DDG，利用公式(26)进行：
式中，d1和d2表示满足公式(26)的对应的像素位置为1，其他像素位置为0。
更进一步的，上述步骤S6.5中判定确定区域和不确定区域的方法为：由PDG判定满足步骤S6.4的S6.4.1相对应条件的p1、p2、p5、p6、p7和p8为确定区域。对于p1和p2这两种情况而言，两个差异特征都能反映出相对应像素点的灰度值是否保留在融合图像中；对于p5、p6、p7和p8这四种情况而言，利用其中一个差异特征就能反映出对应像素点的灰度值是否保留在融合图像中；由PDG和DDG判定p3和p4为确定区域；利用特征差异程度决策图DDG可以确定两图像局部特征的差异程度大小，然后选取差异程度较大的差异特征，这个差异特征能够反映出对应像素点的灰度值是否保留在融合图像中；因为区域p9不能根据两个决策图PDG和DDG判断，此区域属于不确定性区域。
还进一步的，上述步骤S7中融合步骤S4、S5和S6的结果是指融合包含亮特征的图像FL(m,n)、暗特征的图像FD(m,n)和细节特征的图像FDIF(m,n)，融合利用公式(34)进行：
F＝αFL(m,n)+βFD(m,n)+γFDIF(m,n) (34)
式中，α、β和γ为融合权重系数，取值范围为[0,1]；优选地，α取值为1，β取值为0.3，γ取值为1，以减少融合图像的过饱和并提高对比度。
相对于现有技术，本发明具有以下有益效果：
1、同一场景的红外偏振图像和红外辐射图像之间存在冗余性和互补性，本发明方法融合了红外辐射图像和红外偏振图像两者场景的亮特征信息、暗特征信息和细节特征信息，是图像特征信息得到互补(因为两图像之间拥有相同的信息，也拥有不同的信息，本发明阐述了两幅图像的融合，融合的是两者之间的不同信息，所以说融合了两者的互补信息，使图像特征信息得到互补)，使得场景信息更加全面，改善了红外图像质量和提高了目标的可识别率。
2、本发明方法图像融合过程中考虑了相邻像素之间的关系、局部区域亮度差异、局部区域灰度变化的剧烈程度和局部梯度变化，即融合过程结合多个特征差异，对不确定和随机变化的图像特征进行有效描述，使得融合结果保留图像有价值的信息，提高了图像的清晰度和目标背景对比度，增强了图像细节信息。
附图说明
从下面结合附图对本发明实施例的详细描述中，本发明的这些和/或其它方面和优点将变得更加清楚并更容易理解，其中：
图1是本发明实施例红外辐射和红外偏振图像的伪彩色融合方法流程图；
图2是本发明实施例所述红外辐射和红外偏振图像的伪彩色融合方法中步骤S6中的细节特征融合方法流程；
图3是本发明实施例所述红外辐射和红外偏振图像融合结果图，其中(a)为红外辐射图像；(b)为红外偏振图像；(c)为本发明实施例的伪彩色融合结果图。
具体实施方式
为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发明作进一步详细说明。
实施例
一种基于多特征的红外辐射和偏振图像的伪彩色融合方法，其具体操作流程如图1所示，包括以下步骤S1-S7：
S1、基于红外辐射图像和红外偏振图像的RGB颜色映射获得一幅RGB图像：
由于红外偏振图像和红外光强图像是灰度图像，进行伪彩色图像融合需先进行RGB颜色映射，将灰度图像转变成RGB图像。由于人眼对红、绿、蓝三色光的敏感度不同，红色属于暖色，给人以强烈、刺目的感觉，约有65％的人眼细胞对红光敏感；在相同亮度的三基色光谱中，人的主观感觉认为绿色是三基色中最亮的，大约有33％的人眼细胞对绿光敏感，人眼视觉对蓝光变化的对比灵敏度较高，大约有2％的对蓝光敏感。
红外偏振图像整体较暗，另外，红外偏振图像受物体偏振度与探测角度影响较大，图像的明暗差异比较大，能够较好反映场景的目标与背景的边缘信息，而且擅长对红外伪装和低辐射强度目标成像。而红外辐射图像受红外光强图像受物体辐射强度的影响较大，温度高的部分其辐射度相对比较高，温度低的部分比较低，图像景物的细节比较清楚，清晰度较高。因此，红外偏振图像赋予R通道，以通过醒目的红色突显偏振图像中特有的亮目标；将信息量较大的红外辐射图像赋予G通道，以明亮的绿色突显图中的细节信息；将二者的差值绝对值图像赋予B通道，以蓝色来区别二者的差异特征。
S2、将步骤S1获得图像的RGB空间转化成YUV空间，并提取亮度分量Y：
将RGB空间转换成YUV空间的公式如下公式(1)所示：
其中提取亮度分量Y的公式如公式(2)所示：
Y＝0.299R+0.587G+0.114B 公式(2)
S3、分别对原始的红外辐射图像的灰度图像和原始的红外偏振图像的灰度图像进行基于暗原色理论的多特征分离，分别获得两幅图像的亮特征、暗特征和细节特征：
假设原始的红外辐射图像为r，原始的红外偏振图像为p。暗原色图是He等用于估算大气散射模型中的透射率，实现对自然图像快速去雾。暗通道图的求解方法如公式(3)所示。
式中，C为图像的三个颜色通道R、G、B；N(x)为以像素点x为中心的窗口领域内的像素；LC(y)为图像的一个颜色通道图；Ldark(x)为图像L对应的暗通道图像，反映了图像雾化程度，对于无雾图像，它的暗通道Ldark(x)值趋于0；对于有雾图像，Ldark(x)值较大；通过公式(3)获得红外辐射图像的暗原色图像 通过公式(3)获得红外偏振图像的暗原色图像
在自然图像中，受雾影响明显的区域一般是暗原色中最亮的像素点，而无雾区域在暗原色中的像素值很低。因此对于灰度图像来说，暗原色图包含了原图像中明亮区域，体现了原图像低频部分，即保留了原图像中灰度变化比较平缓的区域，使得亮暗特征差异更为突出，丢失灰度值变化比较剧烈、对比度高的局部区域信息，特别是边缘细节信息。
采用基于暗原色理论的多特征分离，分别获得两幅图像的亮特征、暗特征和细节特征的步骤为：
S3.1、分别利用下述公式(4)和(5)获得红外辐射图像取反之后的图像和红外偏振图像取反之后的图像再将暗原色图像和分别与图像和按照绝对值取小的规则进行融合，获得分别如公式(6)和(7)所示的红外辐射图像的暗特征图像Dr和红外偏振图像的暗特征图像Dp；
S3.2、将和分别与其对应的图像Dr和Dp作差，获得分别如公式(8)和(9)所示红外辐射图像的亮特征图像Lr和红外偏振图像的亮特征图像Lp；
S3.3、将红外辐射图像r和红外偏振图像为p分别与暗原色图像和暗原色图像作差，获得分别如公式(10)和(11)所示的红外辐射图像的细节图像Pr和红外偏振图像的细节图像Pp；
需要特别说明：下面的步骤S4、S5、S6是不分时序的，可以放在一个步骤中进行描述，这里进行步骤编号仅为了后续描述方便：步骤S4、S5、S6可以同步进行；也可以任意两个同时进行，然后进行最后一个；也可以先进行其中任意一个，然后进行同步进行剩下的两个；或者依次进行其中的一个。
S4、采用基于局部区域能量特征的匹配方法融合两幅图像相对应的亮特征：
亮特征信息集中了原图像中的明亮区域，体现了原图像中的低频分量，融合亮特征图像Lr和亮特征图像Lp包括以下步骤：
S4.1、分别求得亮特征图像Lr的高斯加权局部能量和亮特征图像Lp的高斯加权局部能量求算利用公式(12)进行：
公式(12)中，代表以点(m,n)为中心的高斯加权局部能量；w(i,j)为高斯滤波矩阵；N为区域的大小；t＝(N-1)/2；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中的L表示亮特征图像。
利用公式(12)分别求得亮特征图像Lr的高斯加权局部能量和亮特征图像Lp的高斯加权局部能量
S4.2、求解图像Lr和Lp的高斯加权局部能量的匹配度ME(m,n)，求解利用公式(13)进行；
S4.3、利用高斯加权局部能量和高斯加权局部能量匹配度融合图像Lr和Lp，获得亮特征图像的融合结果FL；
红外辐射图像和红外偏振图像的亮特征图像的融合利用公式(14)进行：
公式(14)中，
式中，Tl为亮度特征融合相似性判断的阈值，取值为0～0.5；若是ME(m,n)＜Tl，则两幅图像Lr和Lp以点(m,n)为中心的区域不相似，两幅图像Lr和Lp的融合结果选取高斯加权区域能量大者；否者，两幅图像Lr和Lp的融合结果为系数加权平均。
S5、采用基于局部区域加权方差特征的匹配方法融合两幅图像相对应的暗特征：
暗特征图像缺少源图像中的明亮区域，但是仍然可以看作源图像的近似图像，包含了图像的主要能量，并且体现了图像的基本轮廓，融合暗特征图像Dr和暗特征图像Dp的步骤为：
S5.1、求得暗特征图像Dr的局部区域加权方差能量和暗特征图像Dp的局部区域加权方差能量求算利用公式(16)进行：
公式(16)中，代表以点(m,n)为中心的局部区域加权方差能量；w(i,j)为高斯滤波矩阵；N为区域的大小；t＝(N-1)/2；代表以点(m,n)为中心的局部区域平均值；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中D表示暗特征图像。
利用公式(16)可分别求得暗特征图像Dr的局部区域加权方差能量和暗特征图像Dp的局部区域加权方差能量
S5.2、求解两幅图像Dr和Dp的局部区域加权方差能量的匹配度；求算利用公式(17)进行：
S5.3、利用局部区域加权方差能量和局部区域加权方差能量匹配度融合两幅暗特征图像Dr和Dp，获得暗特征图像的融合结果FD；融合利用公式(18)进行：
公式(18)中，
式中，Th为暗度特征融合相似性判断的阈值，取值为0.5～1；若是ME(m,n)＜Th，则两幅图像Dr和Dp以点(m,n)为中心的区域不相似，两幅图像Dr和Dp的融合结果选取局部区域加权方差能量大者；否者，两幅图像Dr和Dp的融合结果为系数加权平均。
S6、利用模糊逻辑和特征差异驱动融合红外辐射图像和红外偏振图像的细节特征：局部梯度和局部方差能够很好地反映图像的细节信息，表达了图像的清晰度。为了尽可能地保留细节特征图像的细节信息，提升清晰度，采用基于局部梯度和局部方差的特征差异驱动方法融合红外辐射图像和红外偏振图像的细节特征，处理流程步骤如图2所示，包括以下步骤：
S6.1、求得红外辐射图像的细节特征图像Pr局部梯度和红外偏振图像的细节特征图像Pp的局部梯度求解利用公式(20)进行：
式中，代表像素点(m,n)处的局部梯度；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中P表明细节特征图像；分别代表利用Sobel算子的水平和垂直模板与细节特征图像卷积获得的水平和垂直边缘图像；
利用公式(20)获得细节特征图像Pr的局部梯度和细节特征图像Pp的局部梯度
S6.2、求得红外辐射图像的细节特征图像Pr的局部加权方差和红外偏振图像的细节特征图像Pp的局部梯度
局部加权方差求解方法采用与公式(16)一样的方法，即细节特征图像的局部加权方差为：
式中，代表以点(m,n)为中心的局部区域加权方差能量；w(i,j)为高斯滤波矩阵；N为区域的大小；t＝(N-1)/2；代表以点(m,n)为中心的局部区域平均值；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中P表示细节特征图像；
利用公式(21)获得细节特征图像Pr的局部加权方差和细节特征图像Pp的局部梯度
S6.3、求得两幅细节特征图像的局部差异梯度匹配度、局部加权方差匹配度、局部差异梯度和局部差异方差；求算分别利用如下公式(22)-公式(25)进行：
局部梯度匹配度：
局部加权方差匹配度：
局部差异梯度：
局部差异方差：
S6.4、根据局部差异梯度ΔT(m,n)和局部差异方差ΔV(m,n)获得基于像素的决策图PDG(m,n)，并且根据局部梯度匹配度MT(m,n)和局部加权方差匹配度MV(m,n)获得特征差异程度决策图DDG；包括以下步骤：
S6.4.1、根据局部差异梯度ΔT(m,n)和局部差异方差ΔV(m,n)获得基于像素的决策图PDG(m,n)：根据局部差异梯度ΔT(m,n)和局部差异方差ΔV(m,n)获得基于像素的决策图PDG(m,n)：当ΔT(m,n)＞0,ΔV(m,n)＞0时，令PDG(m,n)＝p1；当ΔT(m,n)＜0,ΔV(m,n)＜0时，PDG(m,n)＝p2；当ΔT(m,n)＞0,ΔV(m,n)＜0时，PDG(m,n)＝p3；当ΔT(m,n)＜0,ΔV(m,n)＞0时，令PDG(m,n)＝p4；当ΔT(m,n)＝0,ΔV(m,n)＞0时，令PDG(m,n)＝p5；当ΔT(m,n)＝0,ΔV(m,n)＜0时，令PDG＝p6；当ΔT(m,n)＞0,ΔV(m,n)＝0时，令PDG(m,n)＝p7；当ΔT(m,n)＜0,ΔV(m,n)＝0时，令PDG(m,n)＝p8；当ΔT(m,n)＝0,ΔV(m,n)＝0时，令PDG(m,n)＝p9，其中p1～p9表示满足上述条件时像素位置为1，其他像素位置为0的决策图；
S6.4.2、根据局部梯度匹配度MT(m,n)和局部加权方差匹配度MV(m,n)获得特征差异程度决策图DDG，利用公式(26)进行：
式中，d1和d2表示满足公式(26)的对应的像素位置为1，其他像素位置为0；
S6.5、根据基于像素的决策图PDG(m,n)和特征差异程度决策图DDG判定确定区域和不确定区域；
由PDG可以判定满足步骤S6.4的S6.4.1相对应条件的p1、p2、p5、p6、p7和p8为确定区域。因为对于p1和p2这两种情况而言，两个差异特征都能反映出两幅细节特征图像相对应像素点的灰度值是否保留在融合图像中；对于p5、p6、p7和p8这四种情况而言，利用其中一个差异特征就能反映出两幅细节特征图像相对应像素点的灰度值是否保留在融合图像中。
由PDG和DDG可以判定p3和p4为确定区域。因为利用特征差异程度决策图DDG可以确定两图像局部特征的差异程度大小，然后选取差异程度较大的差异特征，这个差异特征能够反映出对应像素点的灰度值是否保留在融合图像中。
然而对于区域p9就不能根据两个决策图PDG和DDG判断法，此区域属于不确定性区域。
S6.6、利用特征差异驱动融合两幅细节特征图像的确定区域；
以局部差异梯度ΔT(m,n)和局部差异方差ΔV(m,n)的乘积作为确定区域融合的驱动因素，记为DIF(m,n)，如下面公式(27)所示：
DIF(m,n)＝ΔT(m,n)·ΔV(m,n) 公式(27)
则利用DIF(m,n)驱动融合确定区域，得到的确定区域融合后的图像为如公式(28)所示：
式中，“·*”代表矩阵中对应像素位置处值的乘积。
S6.7、利用模糊逻辑理论融合两幅细节特征图像的不确定区域；
利用模糊逻辑理论融合不确定区域，针对红外辐射图像和红外偏振图像的细节特征图像，需考虑是细节特征图像的局部梯度是大的，还是细节特征图像的局部加权方差是大的，针对这组关系，构建细节特征图像的隶属度函数。假设“红外辐射图像和红外偏振图像的细节特征图像的局部梯度是大的”的隶属函数分别为μT(Pr(m,n))和μT(Pp(m,n))，如公式(29)所示；“红外辐射图像和红外偏振图像的细节特征图像的局部加权方差是大的”的隶属函数分别为μV(Pr(m,n))和μV(Pp(m,n)),如(30)所示：
式中，k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p。
利用模糊逻辑的交运算规则分别计算红外辐射图像和红外偏振图像的细节特征图像在位置(m,n)的处的像素值对不确定区域融合图像重要程度的隶属函数，分别用μT∩V(Pr(m,n))和μT∩V(Pp(m,n))表示，如公式(31)所示：
μT∩V(Pk(m,n))＝min[μT(Pk(m,n)),μV(Pk(m,n))] 公式(31)
式中，k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p。
则，两幅图像细节特征图像不确定区域的融合图像如公式(32)所示：
式中，“·*”代表矩阵中对应像素位置处值的乘积，·/代表矩阵中对应像素位置处值的相除；
S6.8、融合和得到最终的融合结果FDIF(m,n)，如公式(33)所示，并对FDIF(m,n)进行一致性校验；
对FDIF(m,n)进行一致性校验，使用大小3×3的窗口在图像FDIF(m,n)上移动，用窗口周围的像素来验证中心像素：如果中心像素来自于Pr和Pp其中一个图像中，而该中心像素的周围s(4＜s＜8)个像素都来自另外一个图像中，那么就把该中心像素值改为另外一个图像在该位置的像素值，窗口遍历整个图像FDIF(m,n)来得到修正后的FDIF(m,n)。
S7、融合步骤S4、S5和S6的结果获得灰度融合结果，将其代替步骤S2中的亮度分量，再进行YUV逆变换，获得最终伪彩色融合结果。
融合步骤S4、S5和S6的结果是指融合包含亮特征的图像FL(m,n)、暗特征的图像FD(m,n)和细节特征的图像FDIF(m,n)，融合利用公式(34)进行：
F＝αFL(m,n)+βFD(m,n)+γFDIF(m,n) (34)
式中，α、β和γ为融合权重系数，取值范围为[0,1]。为了减少融合图像的过饱和并提高对比度，α取值为1，β取值为0.3，γ取值为1。
RGB颜色映射过程中降低了图像的亮度对比度，所以需要对亮度分量进行灰度增强，本发明采用融合图像代替亮度分量对亮度进行增强，即将融合结果F代替步骤S2中的亮度分量，然后进行YUV逆变换，获得最终的红外辐射和红外偏振图像的融合结果。
图3所示的本发明实施例红外辐射和红外偏振图像及其融合结果对比图显示：本发明方法可有效地提高红外图像的质量和目标的可识别率，增强了图像信息，提高了图像对比度和清晰度。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于多特征的红外辐射和偏振图像的伪彩色融合方法，其特征在于，包括以下步骤：
S1、基于红外辐射图像和红外偏振图像的RGB颜色映射获得一幅RGB图像；
S2、将步骤S1获得图像的RGB空间转化成YUV空间，并提取亮度分量Y；
S3、分别对原始的红外辐射图像和红外偏振图像的灰度图像进行基于暗原色理论的多特征分离，分别获得两幅图像的亮特征、暗特征和细节特征；
S4、采用基于局部区域能量特征的匹配方法融合步骤S3获得的两幅图像相对应的亮特征、采用基于局部区域加权方差特征的匹配方法融合步骤S3获得的两幅图像相对应的暗特征、利用模糊逻辑和特征差异驱动融合步骤S3获得的红外辐射图像和红外偏振图像的细节特征；
S5、融合步骤S4中的亮特征、暗特征和细节特征结果，获得灰度融合结果，并将融合结果代替步骤S2中的亮度分量Y，再进行YUV逆变换，获得最终伪彩色融合结果。
2.如权利要求1所述的基于多特征的红外辐射和偏振图像的伪彩色融合方法，其特征在于，
所述步骤S2中，将RGB空间转换成YUV空间的公式如公式(1)所示：
其中提取亮度分量Y的公式如公式(2)所示：
Y＝0.299R+0.587G+0.114B 公式(2)。
3.如权利要求1所述的基于多特征的红外辐射和偏振图像的伪彩色融合方法，其特征在于，
所述步骤S3中，设原始的红外辐射图像的灰度图像为r，原始的红外偏振图像的灰度图像为p，暗原色图的求解方法如公式(3)所示：
公式(3)中，C为图像的三个颜色通道R、G、B；N(x)为以像素点x为中心的窗口领域内的像素；LC(y)为图像的一个颜色通道图；Ldark(x)为LC(y)对应的暗通道图像；
通过公式(3)获得红外辐射图像的暗原色图像
通过公式(3)获得红外偏振图像的暗原色图像
采用基于暗原色理论的多特征分离，分别获得两幅图像的亮特征、暗特征和细节特征，包括以下步骤：
S3.1、分别利用下述公式(4)和(5)获得红外辐射图像取反之后的图像和红外偏振图像取反之后的图像再将暗原色图像和分别与图像和按照绝对值取小的规则进行融合，获得分别如公式(6)和(7)所示的红外辐射图像的暗特征图像Dr和红外偏振图像的暗特征图像Dp；
S3.2、将所述和分别与其对应的图像Dr和Dp作差，获得分别如公式(8)和(9)所示红外辐射图像的亮特征图像Lr和红外偏振图像的亮特征图像Lp；
S3.3、将红外辐射图像r和红外偏振图像为p分别与其对应的暗原色图像和暗原色图像作差，获得分别如公式(10)和(11)所示的红外辐射图像的细节图像Pr和红外偏振图像的细节图像Pp；
4.如权利要求3所述的基于多特征的红外辐射和偏振图像的伪彩色融合方法，其特征在于，
所述步骤S4中采用基于局部区域能量特征的匹配方法融合步骤S3获得的两幅图像相对应的亮特征，包括以下步骤：
S4.1、分别求得亮特征图像Lr的高斯加权局部能量和亮特征图像Lp的高斯加权局部能量求算利用公式(12)进行：
公式(12)中，代表以点(m,n)为中心的高斯加权局部能量；w(i,j)为高斯滤波矩阵；N为区域的大小；t＝(N-1)/2；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中L表示亮特征图像；
利用公式(12)分别求得亮特征图像Lr的高斯加权局部能量和亮特征图像Lp的高斯加权局部能量
S4.2、求解图像Lr和Lp的高斯加权局部能量的匹配度ME(m,n)，求解利用公式(13)进行；
S4.3、利用步骤S4.1获得的高斯加权局部能量和步骤S4.2获得的高斯加权局部能量匹配度进行亮特征图像Lr和Lp的融合，获得亮特征图像的融合结果FL；
红外辐射图像和红外偏振图像的亮特征图像的融合利用公式(14)进行：
其中，
公式(14)中，Tl为亮度特征融合相似性判断的阈值，取值为0～0.5；若是ME(m,n)＜Tl，则两幅图像Lr和Lp以点(m,n)为中心的区域不相似，两幅图像Lr和Lp的融合结果选取高斯加权区域能量大者；否者，两幅图像Lr和Lp的融合结果为系数加权平均。
5.如权利要求4所述的基于多特征的红外辐射和偏振图像的伪彩色融合方法，其特征在于，
所述步骤S4中采用基于局部区域加权方差特征的匹配方法融合步骤S3获得的两幅图像相对应的暗特征的步骤为：
S4.4、求得暗特征图像Dr的局部区域加权方差能量和暗特征图像Dp的局部区域加权方差能量求算利用公式(16)进行：
公式(16)中，代表以点(m,n)为中心的局部区域加权方差能量；w(i,j)为高斯滤波矩阵；N为区域的大小；t＝(N-1)/2；代表以点(m,n)为中心的局部区域平均值；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中D表示暗特征图像；
利用公式(16)分别求得暗特征图像Dr的局部区域加权方差能量和暗特征图像Dp的局部区域加权方差能量
S4.5、根据步骤S4.4的结果求解两幅图像Dr和Dp的局部区域加权方差能量的匹配度MV(m,n)；求算利用公式(17)进行：
S4.6、利用步骤S4.4获得的局部区域加权方差能量和步骤S4.5获得的局部区域加权方差能量匹配度MV(m,n)进行两幅暗特征图像Dr和Dp的融合，获得暗特征图像的融合结果FD；融合利用公式(18)进行：
其中，
公式(18)中，Th为暗度特征融合相似性判断的阈值，取值为0.5～1；若是ME(m,n)＜Th，则两幅图像Dr和Dp以点(m,n)为中心的区域不相似，两幅图像Dr和Dp的融合结果选取局部区域加权方差能量大者；否者，两幅图像Dr和Dp的融合结果为系数加权平均。
6.如权利要求5所述的基于多特征的红外辐射和偏振图像的伪彩色融合方法，其特征在于，所述步骤S4中利用模糊逻辑和特征差异驱动融合步骤S3获得的红外辐射图像和红外偏振图像的细节特征，包括以下步骤：
S4.7、求得红外辐射图像的细节特征图像Pr局部梯度和红外偏振图像的细节特征图像Pp的局部梯度求解利用公式(20)进行：
式中，代表像素点(m,n)处的局部梯度；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中P表明细节特征图像；分别代表利用Sobel算子的水平和垂直模板与细节特征图像Pk卷积获得的水平和垂直边缘图像；
利用公式(20)获得细节特征图像Pr的局部梯度和细节特征图像Pp的局部梯度
S4.8、求得红外辐射图像的细节特征图像Pr的局部加权方差和红外偏振图像的细节特征图像Pp的局部梯度
局部加权方差求解方法采用与公式(16)一样的方法，即细节特征图像的局部加权方差为：
式中，代表以点(m,n)为中心的局部区域加权方差能量；w(i,j)为高斯滤波矩阵；N为区域的大小；t＝(N-1)/2；代表以点(m,n)为中心的局部区域平均值；k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；中P表示细节特征图像；
利用公式(21)获得细节特征图像Pr的局部加权方差和细节特征图像Pp的局部梯度
S4.9、求得两幅细节特征图像的局部差异梯度匹配度、局部加权方差匹配度、局部差异梯度和局部差异方差；求算分别利用如下公式(22)-公式(25)进行：
局部梯度匹配度：
局部加权方差匹配度：
局部差异梯度：
局部差异方差：
S4.10、根据局部差异梯度ΔT(m,n)和局部差异方差ΔV(m,n)获得基于像素的决策图PDG(m,n)，并且根据局部梯度匹配度MT(m,n)和局部加权方差匹配度MV(m,n)获得特征差异程度决策图DDG；
S4.11、根据基于像素的决策图PDG(m,n)和特征差异程度决策图DDG判定确定区域和不确定区域；
S4.12、利用特征差异驱动融合两幅细节特征图像的确定区域；
以局部差异梯度ΔT(m,n)和局部差异方差ΔV(m,n)的乘积作为确定区域融合的驱动因素，记为DIF(m,n)，如下面公式(27)所示：
DIF(m,n)＝ΔT(m,n)·ΔV(m,n) 公式(27)
则利用DIF(m,n)驱动融合确定区域，得到的确定区域融合后的图像为如公式(28)所示：
式中，“·*”代表矩阵中对应像素位置处值的乘积；
S4.13、利用模糊逻辑理论融合两幅细节特征图像的不确定区域；
假设“红外辐射图像和红外偏振图像的细节特征图像的局部梯度是大的”的隶属函数分别为μT(Pr(m,n))和μT(Pp(m,n))，如公式(29)所示；“红外辐射图像和红外偏振图像的细节特征图像的局部加权方差是大的”的隶属函数分别为μV(Pr(m,n))和μV(Pp(m,n)),如(30)所示：
式中，k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；
利用模糊逻辑的交运算规则分别计算红外辐射图像和红外偏振图像的细节特征图像在位置(m,n)的处的像素值对不确定区域融合图像重要程度的隶属函数，分别用μT∩V(Pr(m,n))和μT∩V(Pp(m,n))表示，如公式(31)所示：
μT∩V(Pk(m,n))＝min[μT(Pk(m,n)),μV(Pk(m,n))] 公式(31)
式中，k代表原始红外图像的灰度图像r或原始红外偏振图像的灰度图像p；
则，两幅图像细节特征图像不确定区域的融合图像如公式(32)所示：
式中，“·*”代表矩阵中对应像素位置处值的乘积，·/代表矩阵中对应像素位置处值的相除；
S4.14、融合和得到最终的融合结果FDIF(m,n)，如公式(33)所示，并对FDIF(m,n)进行一致性校验；
对FDIF(m,n)进行一致性校验，使用大小3×3的窗口在图像FDIF(m,n)上移动，用窗口周围的像素来验证中心像素：如果中心像素来自于Pr和Pp其中一个图像中，而该中心像素的周围的4-8个像素都来自另外一个图像中，那么就把该中心像素值改为另外一个图像在该位置的像素值，窗口遍历整个图像FDIF(m,n)来得到修正后的FDIF(m,n)。
7.如权利要求6所述的基于多特征的红外辐射和偏振图像的伪彩色融合方法，其特征在于，
所述步骤S4.10包括以下步骤：
S4.10.1、根据局部差异梯度ΔT(m,n)和局部差异方差ΔV(m,n)获得基于像素的决策图PDG(m,n)：当ΔT(m,n)＞0,ΔV(m,n)＞0时，令PDG(m,n)＝p1；当ΔT(m,n)＜0,ΔV(m,n)＜0时，PDG(m,n)＝p2；当ΔT(m,n)＞0,ΔV(m,n)＜0时，PDG(m,n)＝p3；当ΔT(m,n)＜0,ΔV(m,n)＞0时，令PDG(m,n)＝p4；当ΔT(m,n)＝0,ΔV(m,n)＞0时，令PDG(m,n)＝p5；当ΔT(m,n)＝0,ΔV(m,n)＜0时，令PDG＝p6；当ΔT(m,n)＞0,ΔV(m,n)＝0时，令PDG(m,n)＝p7；当ΔT(m,n)＜0,ΔV(m,n)＝0时，令PDG(m,n)＝p8；当ΔT(m,n)＝0,ΔV(m,n)＝0时，令PDG(m,n)＝p9，其中p1～p9表示满足上述条件时像素位置为1，其他像素位置为0的决策图；
S4.10.2、根据局部梯度匹配度MT(m,n)和局部加权方差匹配度MV(m,n)获得特征差异程度决策图DDG，利用公式(26)进行：
式中，d1和d2表示满足公式(26)的对应的像素位置为1，其他像素位置为0。
8.如权利要求7所述的基于多特征的红外辐射和偏振图像的伪彩色融合方法，其特征在于，
所述步骤S4.11中判定确定区域和不确定区域的方法为：
由PDG判定满足步骤S4.10的S4.10.1相对应条件的p1、p2、p5、p6、p7和p8为确定区域:对于p1和p2这两种情况，根据两个差异特征中的任意一个来判定相对应像素点的灰度值是否保留在融合图像中；对于p5、p6、p7和p8这四种情况，根据其中一个不为零的差异特征来判定对应像素点的灰度值是否保留在融合图像中；
由PDG和DDG判定p3和p4为确定区域：利用特征差异程度决策图DDG来确定两图像局部特征的差异程度大小，然后选取差异程度较大的差异特征，利用这个差异特征来判定对应像素点的灰度值是否保留在融合图像中；
因为区域p9不属于上述描述任意一种情况，此区域属于不确定性区域。
9.如权利要求8所述的基于多特征的红外辐射和偏振图像的伪彩色融合方法，其特征在于，所述步骤S5中融合步骤S4中的亮特征、暗特征和细节特征结果是指融合包含亮特征的图像FL(m,n)、暗特征的图像FD(m,n)和细节特征的图像FDIF(m,n)，融合利用公式(34)进行：
F＝αFL(m,n)+βFD(m,n)+γFDIF(m,n) (34)
式中，α、β和γ为融合权重系数，取值范围为[0,1]。
10.如权利要求9所述的基于多特征的红外辐射和偏振图像的伪彩色融合方法，其特征在于，α取值为1，β取值为0.3，γ取值为1，以减少融合图像的过饱和并提高对比度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811180835.4A CN109377468A (zh) | 2018-10-09 | 2018-10-09 | 基于多特征的红外辐射和偏振图像的伪彩色融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811180835.4A CN109377468A (zh) | 2018-10-09 | 2018-10-09 | 基于多特征的红外辐射和偏振图像的伪彩色融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109377468A true CN109377468A (zh) | 2019-02-22 |
Family
ID=65402869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811180835.4A Pending CN109377468A (zh) | 2018-10-09 | 2018-10-09 | 基于多特征的红外辐射和偏振图像的伪彩色融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109377468A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084771A (zh) * | 2019-03-11 | 2019-08-02 | 中北大学 | 一种基于集值映射的双模态红外图像分块多算法优化融合方法 |
| CN111445464A (zh) * | 2020-03-31 | 2020-07-24 | 中北大学 | 基于非参数估计的差异特征频次分布构造方法 |
| CN115631123A (zh) * | 2022-11-22 | 2023-01-20 | 北京航空航天大学 | 仿生视觉融合的恶劣环境成像装置及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069769A (zh) * | 2015-08-26 | 2015-11-18 | 哈尔滨工业大学 | 一种微光与红外夜视图像融合方法 |
| US20160093034A1 (en) * | 2014-04-07 | 2016-03-31 | Steven D. BECK | Contrast Based Image Fusion |
| CN107103596A (zh) * | 2017-04-27 | 2017-08-29 | 湖南源信光电科技股份有限公司 | 一种基于yuv空间的彩色夜视图像融合方法 |
| CN107909112A (zh) * | 2017-11-27 | 2018-04-13 | 中北大学 | 一种红外光强与偏振图像多类变元组合的融合方法 |
| CN108419062A (zh) * | 2017-02-10 | 2018-08-17 | 杭州海康威视数字技术股份有限公司 | 图像融合设备和图像融合方法 |
| CN108492274A (zh) * | 2018-04-03 | 2018-09-04 | 中国人民解放军国防科技大学 | 一种长波红外偏振特征提取与融合的图像增强方法 |
-
2018
- 2018-10-09 CN CN201811180835.4A patent/CN109377468A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160093034A1 (en) * | 2014-04-07 | 2016-03-31 | Steven D. BECK | Contrast Based Image Fusion |
| CN105069769A (zh) * | 2015-08-26 | 2015-11-18 | 哈尔滨工业大学 | 一种微光与红外夜视图像融合方法 |
| CN108419062A (zh) * | 2017-02-10 | 2018-08-17 | 杭州海康威视数字技术股份有限公司 | 图像融合设备和图像融合方法 |
| CN107103596A (zh) * | 2017-04-27 | 2017-08-29 | 湖南源信光电科技股份有限公司 | 一种基于yuv空间的彩色夜视图像融合方法 |
| CN107909112A (zh) * | 2017-11-27 | 2018-04-13 | 中北大学 | 一种红外光强与偏振图像多类变元组合的融合方法 |
| CN108492274A (zh) * | 2018-04-03 | 2018-09-04 | 中国人民解放军国防科技大学 | 一种长波红外偏振特征提取与融合的图像增强方法 |
Non-Patent Citations (3)
| Title |
|---|
| 安富等: "模糊逻辑与特征差异驱动的红外偏振图像融合模型", 《红外技术》 * |
| 李伟伟等: "红外偏振与红外光强图像的伪彩色融合研究", 《红外技术》 * |
| 郭喆等: "一种红外偏振与光强图像的暗原色多特征分离融合方法", 《科学技术与工程》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084771A (zh) * | 2019-03-11 | 2019-08-02 | 中北大学 | 一种基于集值映射的双模态红外图像分块多算法优化融合方法 |
| CN110084771B (zh) * | 2019-03-11 | 2022-07-05 | 中北大学 | 一种基于集值映射的双模态红外图像分块多算法优化融合方法 |
| CN111445464A (zh) * | 2020-03-31 | 2020-07-24 | 中北大学 | 基于非参数估计的差异特征频次分布构造方法 |
| CN111445464B (zh) * | 2020-03-31 | 2022-04-19 | 中北大学 | 基于非参数估计的差异特征频次分布构造方法 |
| CN115631123A (zh) * | 2022-11-22 | 2023-01-20 | 北京航空航天大学 | 仿生视觉融合的恶劣环境成像装置及方法 |
| CN115631123B (zh) * | 2022-11-22 | 2023-03-03 | 北京航空航天大学 | 仿生视觉融合的恶劣环境成像装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ancuti et al. | D-hazy: A dataset to evaluate quantitatively dehazing algorithms | |
| Berman et al. | Underwater single image color restoration using haze-lines and a new quantitative dataset | |
| Emberton et al. | Underwater image and video dehazing with pure haze region segmentation | |
| CN111968054B (zh) | 基于潜在低秩表示和图像融合的水下图像颜色增强方法 | |
| Negru et al. | Exponential contrast restoration in fog conditions for driving assistance | |
| Li et al. | Nighttime haze removal with glow and multiple light colors | |
| Tseng et al. | Automatic cloud removal from multi-temporal SPOT images | |
| CN106952246A (zh) | 基于视觉注意特性的可见光红外图像增强彩色融合方法 | |
| CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
| Bi et al. | Haze removal for a single remote sensing image using low-rank and sparse prior | |
| Kotwal et al. | Joint desmoking and denoising of laparoscopy images | |
| Yu et al. | A false color image fusion method based on multi-resolution color transfer in normalization YCBCR space | |
| CN109410161B (zh) | 一种基于yuv和多特征分离的红外偏振图像的融合方法 | |
| CN105678318B (zh) | 交通标牌的匹配方法及装置 | |
| Chen et al. | An advanced visibility restoration algorithm for single hazy images | |
| CN109377468A (zh) | 基于多特征的红外辐射和偏振图像的伪彩色融合方法 | |
| CN104766307A (zh) | 一种图像处理的方法及设备 | |
| Halmaoui et al. | Contrast restoration of road images taken in foggy weather | |
| CN112508814A (zh) | 一种基于无人机低空视角下的图像色调修复型去雾增强方法 | |
| CN112991222A (zh) | 图像雾霾去除处理方法、系统、计算机设备、终端及应用 | |
| Shi et al. | A joint deep neural networks-based method for single nighttime rainy image enhancement | |
| CN109410160B (zh) | 基于多特征和特征差异驱动的红外偏振图像融合方法 | |
| Zheng et al. | Overwater image dehazing via cycle-consistent generative adversarial network | |
| CN113570561B (zh) | 可见光与近红外图像联合处理的植被天空区域检测方法 | |
| Lai et al. | Single image dehazing with optimal transmission map |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |