[go: up one dir, main page]

CN111583315A - 一种新的可见光图像和红外图像配准方法及装置 - Google Patents

一种新的可见光图像和红外图像配准方法及装置 Download PDF

Info

Publication number
CN111583315A
CN111583315A CN202010329377.7A CN202010329377A CN111583315A CN 111583315 A CN111583315 A CN 111583315A CN 202010329377 A CN202010329377 A CN 202010329377A CN 111583315 A CN111583315 A CN 111583315A
Authority
CN
China
Prior art keywords
image
infrared
visible light
gray
edge
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
Application number
CN202010329377.7A
Other languages
English (en)
Inventor
鹿璇
曾意
周严
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.)
Wuhan Zmvision Technology Co ltd
Original Assignee
Wuhan Zmvision Technology Co ltd
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 Wuhan Zmvision Technology Co ltd filed Critical Wuhan Zmvision Technology Co ltd
Priority to CN202010329377.7A priority Critical patent/CN111583315A/zh
Publication of CN111583315A publication Critical patent/CN111583315A/zh
Pending legal-status Critical Current

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
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10052—Images from lightfield camera
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种新的可见光图像和红外图像配准方法及装置，方法包括：步骤1，采集可见光图像原图和红外图像原图；步骤2，将可见光图像原图和红外图像原图灰度化，得到可见光灰度图和红外灰度图；步骤3，分别提取可见光灰度图和红外灰度图的边缘信息，得到可见光灰度图和红外灰度图的边缘图像；步骤4，对红外灰度图的边缘图像做横纵方向的平移遍历，每次平移后都计算当前平移状态下的红外灰度图的边缘图和可见光灰度图的边缘图的吻合度，并在遍历结束后统计得到最大吻合度时的红外灰度图的边缘图在横纵方向的平移值；步骤5，基于得到的所述横纵方向的平移值对红外图像原图做平移，用平移后的红外图像与可见光图像原图进行配准，完成两张图像的配准。

Description

一种新的可见光图像和红外图像配准方法及装置
技术领域
本发明涉及图像处理应用中的图像配准领域，具体涉及一种新的可见光图像和红外图像配准方法及装置。
背景技术
图像配准融合是图像处理中一个重要的研究方向，尤其在军事领域，在复杂的环境下精确地检测到军事目标是一项困难的任务，仅靠传统的可见光传感器相机来进行画面捕获得到的信息十分有限。随着计算机图像处理能力的提高和多种传感器技术的发展，利用图像融合技术将多传感器得到的图像进行融合可以对拍摄到的场景进行全面、清晰的理解和识别。
常用的传感器包括可见光传感器、红外热像仪、微光夜视仪、激光成像雷达等，各种成像传感器的工作原理和使用环境有所区别，成像结果中对画面的表现也有很大差别，将不同的成像传感器信息融合，可以充分利用它们的互补信息。目前最常见的做法是将可见光传感器得到的图像和红外传感器得到的图像进行融合。
一般情况下，可见光图像具有较高的时空分辨率，可以展现场景中的纹理、颜色等细节信息，但可见光传感器无法探测到被遮挡的目标，且成像效果受光线和天气等外界条件影响较大。而红外图像是通过接受目标散发出来的红外辐射成像，可以探测到隐藏的物体，抗干扰能力较强，但是无法表现出目标的细节。鉴于上述两种图像的特点，将两者融合起来可以突出画面中的物体，适用于全天候探测隐藏目标，因此可见光图像和红外图像融合在军事和安全监控等领域都有着广泛的应用。
受相机的成像原理限制，通常可见光传感器和红外传感器所成的图像在空间上存在着些许差异，对图像融合的效果造成影响，因此在融合之前需要进行可见光和红外图像的配准，完成两者在空间上的对齐。图像配准的精度直接决定了图像融合的观感，人工配准的精确度很高，但是比较费时且无法做到视频流持续配准的实时性，因此一个高效的自动配准算法的设计是图像融合的关键一步。
由于可见光和红外图像表现的内容存在差别，在两者的原图上直接进行特征点匹配效果很差，两者唯一相似的部分在于图像中的边缘信息，因此目前常见的可见光和红外图像自动配准算法都是在图像边缘提取的基础上进行的，分别对可见光和红外图像进行边缘提取，然后利用边缘图进行特征点检测和匹配，求出两张图像之间的变换矩阵完成图像配准。
在画面构成较简单时，可见光和红外图像提取出的边缘相似度较高，利用特征点匹配做配准效果很好，但当场景的复杂度提高时，两者边缘提取的结果可能会出现较大的差异，给配准带来极大的障碍，传统的特征点检测和匹配算法如SIFT、SURF、ORB等在这种情况下匹配的准确度会大打折扣。
发明内容
鉴于现有技术中存在的技术缺陷和技术弊端，本发明实施例提供克服上述问题或者至少部分地解决上述问题的一种新的可见光图像和红外图像配准方法及装置，具体方案如下：
作为本发明的第一方面，提供一种新的可见光图像和红外图像配准方法，所述方法包括以下步骤：
步骤1，采集可见光图像原图和红外图像原图；
步骤2，将可见光图像原图和红外图像原图灰度化，得到可见光灰度图和红外灰度图；
步骤3，分别提取可见光灰度图和红外灰度图的边缘信息，得到可见光灰度图和红外灰度图的边缘图像；
步骤4，对红外灰度图的边缘图像做横纵方向的平移遍历，每次平移后都计算当前平移状态下的红外灰度图的边缘图和可见光灰度图的边缘图的吻合度，并在遍历结束后统计得到最大吻合度时的红外灰度图的边缘图在横纵方向的平移值；
步骤5，基于得到的所述横纵方向的平移值对红外图像原图做平移，用平移后的红外图像与可见光图像原图进行配准，完成两张图像的配准。
进一步地，步骤3中，利用sobel算子分别提取可见光灰度图和红外灰度图的边缘信息。
进一步地，利用sobel算子分别提取可见光灰度图和红外灰度图的边缘信息，具体如下：
设图像I的水平梯度图和垂直梯度图分别为Gx和Gy，将图像I分别和两个奇数大小的卷积核进行卷积即得到Gx和Gy，其计算公式如下：
Figure 820839DEST_PATH_IMAGE001
；
Figure 624715DEST_PATH_IMAGE002
；
结合水平梯度图和垂直梯度图就可以得到图像总体的梯度图，即提取出的边缘信息，公式如下：
Figure 180462DEST_PATH_IMAGE003
；
依上述方法，提取可见光灰度图和红外灰度图的边缘信息。
进一步地，步骤4中，采用PSNR指标计算红外灰度图的边缘图和可见光灰度图的边缘图的吻合度，其计算公式如下：
Figure 388589DEST_PATH_IMAGE004
；
其中，
Figure 482316DEST_PATH_IMAGE005
为图像可能的最大像素值，8位深度的图像最大像素值为255，
Figure 434091DEST_PATH_IMAGE006
表示红外灰度图的边缘图和可见光灰度图的边缘图的像素的均方误差，PSNR值越大表示两个图像越相似，即边缘的吻合度越高。
进一步地，步骤1中，可见光图像原图和红外图像原图为同一时刻同一场景下所拍摄到的可见光图像和红外图像，其中可见光图像为三通道的彩色图像，红外图像为单通道图像。
作为本发明的第二方面，提供一种新的可见光图像和红外图像配准装置，所述装置包括：图像采集模块、灰度化处理模块、边缘图像提取模块、平移值计算模块、平移模块以及配准模块；
所述图像采集模块用于采集可见光图像原图和红外图像原图；
所述灰度化处理模块用于将可见光图像原图和红外图像原图灰度化，得到可见光灰度图和红外灰度图；
所述边缘图像提取模块用于分别提取可见光灰度图和红外灰度图的边缘信息，得到可见光灰度图和红外灰度图的边缘图像。
所述平移值计算模块用于对红外灰度图的边缘图像做横纵方向的平移遍历，每次平移后都计算当前平移状态下的红外灰度图的边缘图和可见光灰度图的边缘图的吻合度，并在遍历结束后统计得到最大吻合度时的红外灰度图的边缘图在横纵方向的平移值；
所述配准模块用于基于得到的所述横纵方向的平移值对红外图像原图做平移，用平移后的红外图像与可见光图像原图进行配准，完成两张图像的配准。
进一步地，所述所述边缘图像提取模块利用sobel算子分别提取可见光灰度图和红外灰度图的边缘信息。
进一步地，利用sobel算子分别提取可见光灰度图和红外灰度图的边缘信息，具体如下：
设图像I的水平梯度图和垂直梯度图分别为Gx和Gy，将图像I分别和两个奇数大小的卷积核进行卷积即得到Gx和Gy，其计算公式如下：
Figure 313186DEST_PATH_IMAGE001
；
Figure 957794DEST_PATH_IMAGE002
；
结合水平梯度图和垂直梯度图就可以得到图像总体的梯度图，即提取出的边缘信息，公式如下：
Figure 804396DEST_PATH_IMAGE003
；
依上述方法，提取可见光灰度图和红外灰度图的边缘信息。
进一步地，所述平移值计算模块采用PSNR指标计算红外灰度图的边缘图和可见光灰度图的边缘图的吻合度，其计算公式如下：
Figure 559862DEST_PATH_IMAGE004
；
其中，
Figure 762304DEST_PATH_IMAGE005
为图像可能的最大像素值，8位深度的图像最大像素值为255，
Figure 843393DEST_PATH_IMAGE006
表示红外灰度图的边缘图和可见光灰度图的边缘图的像素的均方误差，PSNR值越大表示两个图像越相似，即边缘的吻合度越高。
进一步地，所述可见光图像原图和红外图像原图为同一时刻同一场景下所拍摄到的可见光图像和红外图像，其中可见光图像为三通道的彩色图像，红外图像为单通道图。
本发明具有以下有益效果：
本发明提供的一种新的可见光图像和红外图像配准方法及装置，基于Sobel边缘提取和PSNR吻合度判别，在提取出图像边缘后，利用平移遍历来寻找两张图最佳吻合时的平移量，用求出的平移结果作为配准的依据，且采用PSNR方法来计算边缘吻合度，能够准确全面地反映两个图像的相似程度，避免了因可见光边缘图像和红外边缘图像差异过大造成的特征点匹配不准确问题。
附图说明
图1为本发明实施例提供的一种新的可见光图像和红外图像配准方法流程图。
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，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它实施例，都属于本发明保护的范围。
如图1所示，作为本发明第一实施例，提供一种一种新的可见光图像和红外图像配准方法，所述方法包括以下步骤：
步骤1，采集可见光图像原图和红外图像原图。
其中，可见光图像原图和红外图像原图为同一时刻同一场景下所拍摄到的可见光图像和红外图像，其中可见光图像为三通道的彩色图像，红外图像为单通道图像。
步骤2，为方便处理和提取边缘，将可见光图像原图和红外图像原图灰度化，得到可见光灰度图和红外灰度图，在本实施例中输入的可见光图像为YUV格式，其中Y通道表示图像的明亮度，提取出其Y通道的分量即为灰度图的像素值。
步骤3，分别提取可见光灰度图和红外灰度图的边缘信息，得到可见光灰度图和红外灰度图的边缘图像。
具体的，图像边缘是指像素值发生跃迁的地方，即变化率最大处、导数最大处，把图像想象成连续函数，因为边缘部分的像素值是与旁边像素明显有区别的，所以对图片局部求极值，就可以得到整幅图片的边缘信息了。不过图像是二维的离散函数，导数就变成了差分，这个差分就称为图像的梯度。
本实施利用sobel算子分别提取可见光灰度图和红外灰度图的边缘信息，Sobel算子是一种离散微分算子，可以用来计算图像灰度的近似梯度，梯度越大的地方越有可能是边缘。Soble算子的功能集合了高斯平滑和微分求导，又被称为一阶微分算子，求导算子，在水平和垂直两个方向上求导，得到的分别是图像在x方向与y方向的梯度图像。
算子是通过权重来扩大差异，Sobel算子利用两个带权重的卷积核来进行梯度计算，设图像I的水平梯度图和垂直梯度图分别为Gx和Gy,将I分别和两个奇数大小的卷积核进行卷积可得到Gx和Gy，其计算公式如下：
Figure 911712DEST_PATH_IMAGE001
；
Figure 470869DEST_PATH_IMAGE002
；
其中*表示卷积操作，
Figure 58977DEST_PATH_IMAGE007
是指原图像I灰度图的矩阵表示，即一个原图像长×宽大小的矩阵，矩阵中的每个元素表示对应坐标的像素灰度值，取值在0~255，设f(x,y)表示图像上坐标(x,y)点的像素值，则卷积结果具体计算如下：
Figure 779808DEST_PATH_IMAGE008
；
Gy的卷积计算方法与之类似，在卷积得到Gx和Gy后，图像的每一个像素上结合以上两个结果可以求出该点的近似梯度：
Figure 335423DEST_PATH_IMAGE003
Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。
步骤4，对红外灰度图的边缘图像做横纵方向的平移遍历，每次平移后都计算当前平移状态下的红外灰度图的边缘图和可见光灰度图的边缘图的吻合度，并在遍历结束后统计得到最大吻合度时的红外灰度图的边缘图在横纵方向的平移值。
这一步骤的目标是通过遍历找出最佳的x、y平移量，使得可见光灰度图的和红外灰度图的边缘图像的吻合度最高，对于上一步中得到的两张边缘图像，使边缘最吻合就是要令两张图最相似，在本实施例中采用了PSNR(Peak Signal-to-Noise Ratio)峰值信噪比这一指标来衡量遍历过程中两张边缘图的相似度。
PSNR常用于压缩图像的质量评价，它的核心思想是计算两张图像所有像素值的均方误差，给定两张大小为m×n的图像I1,I2，均方误差(MSE)定义为：
Figure 432692DEST_PATH_IMAGE009
则PSNR定义为：
Figure 140885DEST_PATH_IMAGE010
本实施例中，
Figure 32618DEST_PATH_IMAGE005
为图像可能的最大像素值，8位深度的图像最大像素值为255，
Figure 93107DEST_PATH_IMAGE006
表示红外灰度图的边缘图和可见光灰度图的边缘图的像素的均方误差，PSNR值越大表示两个图像越相似，即边缘的吻合度越高。
具体的，平移遍历的过程开始首先设置两个变量分别表示x、y的平移值，这两个变量都从-25到25像素逐数取值，采用一个双层循环实现遍历过程，对于任意一次循环，按当前的循环变量x0、y0对红外灰度图的边缘图像进行平移变换，然后计算平移后的图像和可见光灰度图的边缘图像的PSNR值，遍历结束后，记录PSNR最大时的平移量就是配准所需的值。
步骤5，基于得到的所述横纵方向的平移值对红外图像原图做平移，用平移后的红外图像与可见光图像原图进行配准，完成两张图像的配准。
利用上一步中遍历求得的平移量offsetx和offsety对红外原始图像进行平移即可将其与可见光图像对齐，完成配准的过程，为图像融合做好了准备。
平移的过程通过简单的坐标变换即可完成：
Figure 994067DEST_PATH_IMAGE011
；
该变换将原坐标为（x,y)变换为新坐标（x',y')。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种新的可见光图像和红外图像配准方法，其特征在于，所述方法包括以下步骤：
步骤1，采集可见光图像原图和红外图像原图；
步骤2，将可见光图像原图和红外图像原图灰度化，得到可见光灰度图和红外灰度图；
步骤3，分别提取可见光灰度图和红外灰度图的边缘信息，得到可见光灰度图和红外灰度图的边缘图像；
步骤4，对红外灰度图的边缘图像做横纵方向的平移遍历，每次平移后都计算当前平移状态下的红外灰度图的边缘图和可见光灰度图的边缘图的吻合度，并在遍历结束后统计得到最大吻合度时的红外灰度图的边缘图在横纵方向的平移值；
步骤5，基于得到的所述横纵方向的平移值对红外图像原图做平移，用平移后的红外图像与可见光图像原图进行配准，完成两张图像的配准。
2.根据权利要求1所述的新的可见光图像和红外图像配准方法，其特征在于，步骤3中，利用sobel算子分别提取可见光灰度图和红外灰度图的边缘信息。
3.根据权利要求2所述的新的可见光图像和红外图像配准方法，其特征在于，利用sobel算子分别提取可见光灰度图和红外灰度图的边缘信息，具体如下：
设图像I的水平梯度图和垂直梯度图分别为Gx和Gy，将图像I分别和两个奇数大小的卷积核进行卷积即得到Gx和Gy，其计算公式如下：
Figure 433924DEST_PATH_IMAGE001
；
Figure 863768DEST_PATH_IMAGE002
；
结合水平梯度图和垂直梯度图就可以得到图像总体的梯度图，即提取出的边缘信息，公式如下：
Figure 292344DEST_PATH_IMAGE003
；
依上述方法，提取可见光灰度图和红外灰度图的边缘信息。
4.根据权利要求1所述的新的可见光图像和红外图像配准方法，其特征在于，步骤4中，采用PSNR指标计算红外灰度图的边缘图和可见光灰度图的边缘图的吻合度，其计算公式如下：
Figure 505151DEST_PATH_IMAGE004
；
其中，
Figure 148622DEST_PATH_IMAGE005
为图像可能的最大像素值，8位深度的图像最大像素值为255，
Figure 667809DEST_PATH_IMAGE006
表示红外灰度图的边缘图和可见光灰度图的边缘图的像素的均方误差，PSNR值越大表示两个图像越相似，即边缘的吻合度越高。
5.根据权利要求1所述的新的可见光图像和红外图像配准方法，其特征在于，步骤1中，可见光图像原图和红外图像原图为同一时刻同一场景下所拍摄到的可见光图像和红外图像，其中可见光图像为三通道的彩色图像，红外图像为单通道图像。
6.一种新的可见光图像和红外图像配准装置，其特征在于，所述装置包括：图像采集模块、灰度化处理模块、边缘图像提取模块、平移值计算模块、平移模块以及配准模块；
所述图像采集模块用于采集可见光图像原图和红外图像原图；
所述灰度化处理模块用于将可见光图像原图和红外图像原图灰度化，得到可见光灰度图和红外灰度图；
所述边缘图像提取模块用于分别提取可见光灰度图和红外灰度图的边缘信息，得到可见光灰度图和红外灰度图的边缘图像；
所述平移值计算模块用于对红外灰度图的边缘图像做横纵方向的平移遍历，每次平移后都计算当前平移状态下的红外灰度图的边缘图和可见光灰度图的边缘图的吻合度，并在遍历结束后统计得到最大吻合度时的红外灰度图的边缘图在横纵方向的平移值；
所述配准模块用于基于得到的所述横纵方向的平移值对红外图像原图做平移，用平移后的红外图像与可见光图像原图进行配准，完成两张图像的配准。
7.根据权利要求6所述的新的可见光图像和红外图像配准装置，其特征在于，所述所述边缘图像提取模块利用sobel算子分别提取可见光灰度图和红外灰度图的边缘信息。
8.根据权利要求7所述的新的可见光图像和红外图像配准装置，其特征在于，利用sobel算子分别提取可见光灰度图和红外灰度图的边缘信息，具体如下：
设图像I的水平梯度图和垂直梯度图分别为Gx和Gy，将图像I分别和两个奇数大小的卷积核进行卷积即得到Gx和Gy，其计算公式如下：
Figure 334414DEST_PATH_IMAGE001
；
Figure 600179DEST_PATH_IMAGE002
；
结合水平梯度图和垂直梯度图就可以得到图像总体的梯度图，即提取出的边缘信息，公式如下：
Figure 98156DEST_PATH_IMAGE003
；
依上述方法，提取可见光灰度图和红外灰度图的边缘信息。
9.根据权利要求6所述的新的可见光图像和红外图像配准装置，其特征在于，所述平移值计算模块采用PSNR指标计算红外灰度图的边缘图和可见光灰度图的边缘图的吻合度，其计算公式如下：
Figure 807486DEST_PATH_IMAGE004
；
其中，
Figure 945076DEST_PATH_IMAGE005
为图像可能的最大像素值，8位深度的图像最大像素值为255，
Figure 827581DEST_PATH_IMAGE006
表示红外灰度图的边缘图和可见光灰度图的边缘图的像素的均方误差，PSNR值越大表示两个图像越相似，即边缘的吻合度越高。
10.根据权利要求6所述的新的可见光图像和红外图像配准装置，其特征在于，所述可见光图像原图和红外图像原图为同一时刻同一场景下所拍摄到的可见光图像和红外图像，其中可见光图像为三通道的彩色图像，红外图像为单通道图像。
CN202010329377.7A 2020-04-23 2020-04-23 一种新的可见光图像和红外图像配准方法及装置 Pending CN111583315A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010329377.7A CN111583315A (zh) 2020-04-23 2020-04-23 一种新的可见光图像和红外图像配准方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010329377.7A CN111583315A (zh) 2020-04-23 2020-04-23 一种新的可见光图像和红外图像配准方法及装置

Publications (1)

Publication Number Publication Date
CN111583315A true CN111583315A (zh) 2020-08-25

Family

ID=72122605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010329377.7A Pending CN111583315A (zh) 2020-04-23 2020-04-23 一种新的可见光图像和红外图像配准方法及装置

Country Status (1)

Country Link
CN (1) CN111583315A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529987A (zh) * 2020-09-14 2021-03-19 武汉高德智感科技有限公司 一种手机终端红外图像和可见光图像融合方法及系统
CN113628261A (zh) * 2021-08-04 2021-11-09 国网福建省电力有限公司泉州供电公司 一种电力巡检场景下的红外与可见光图像配准方法
CN114581563A (zh) * 2022-03-09 2022-06-03 武汉高德智感科技有限公司 一种图像融合的方法、装置、终端及存储介质
CN115278117A (zh) * 2022-07-29 2022-11-01 深圳市朗高特科技发展有限公司 一种红外热像仪彩色图像的生成方法、装置、系统及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976434A (zh) * 2010-08-27 2011-02-16 浙江大学 一种用于图像配准的频域加权的相关方法
CN102982535A (zh) * 2012-11-02 2013-03-20 天津大学 基于psnr和ssim的立体图像质量评价方法
CN105321172A (zh) * 2015-08-31 2016-02-10 哈尔滨工业大学 一种sar、红外、可见光图像融合方法
CN107240096A (zh) * 2017-06-01 2017-10-10 陕西学前师范学院 一种红外与可见光图像融合质量评价方法
CN107862706A (zh) * 2017-11-01 2018-03-30 天津大学 一种基于特征向量的改进光流场模型算法
CN108242061A (zh) * 2018-02-11 2018-07-03 南京亿猫信息技术有限公司 一种基于Sobel算子的超市购物车手部识别方法
CN109146930A (zh) * 2018-09-20 2019-01-04 河海大学常州校区 一种电力机房设备红外与可见光图像配准方法
CN109242891A (zh) * 2018-08-03 2019-01-18 天津大学 一种基于改进光流场模型的图像配准方法
CN110223330A (zh) * 2019-06-12 2019-09-10 国网河北省电力有限公司沧州供电分公司 一种可见光和红外图像的配准方法及系统
CN110610463A (zh) * 2019-08-07 2019-12-24 深圳大学 一种图像增强方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976434A (zh) * 2010-08-27 2011-02-16 浙江大学 一种用于图像配准的频域加权的相关方法
CN102982535A (zh) * 2012-11-02 2013-03-20 天津大学 基于psnr和ssim的立体图像质量评价方法
CN105321172A (zh) * 2015-08-31 2016-02-10 哈尔滨工业大学 一种sar、红外、可见光图像融合方法
CN107240096A (zh) * 2017-06-01 2017-10-10 陕西学前师范学院 一种红外与可见光图像融合质量评价方法
CN107862706A (zh) * 2017-11-01 2018-03-30 天津大学 一种基于特征向量的改进光流场模型算法
CN108242061A (zh) * 2018-02-11 2018-07-03 南京亿猫信息技术有限公司 一种基于Sobel算子的超市购物车手部识别方法
CN109242891A (zh) * 2018-08-03 2019-01-18 天津大学 一种基于改进光流场模型的图像配准方法
CN109146930A (zh) * 2018-09-20 2019-01-04 河海大学常州校区 一种电力机房设备红外与可见光图像配准方法
CN110223330A (zh) * 2019-06-12 2019-09-10 国网河北省电力有限公司沧州供电分公司 一种可见光和红外图像的配准方法及系统
CN110610463A (zh) * 2019-08-07 2019-12-24 深圳大学 一种图像增强方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529987A (zh) * 2020-09-14 2021-03-19 武汉高德智感科技有限公司 一种手机终端红外图像和可见光图像融合方法及系统
CN112529987B (zh) * 2020-09-14 2023-05-26 武汉高德智感科技有限公司 一种手机终端红外图像和可见光图像融合方法及系统
CN116645304A (zh) * 2020-09-14 2023-08-25 武汉高德智感科技有限公司 一种拍摄目标物体红外可见光融合图像的方法及系统
CN113628261A (zh) * 2021-08-04 2021-11-09 国网福建省电力有限公司泉州供电公司 一种电力巡检场景下的红外与可见光图像配准方法
CN113628261B (zh) * 2021-08-04 2023-09-22 国网福建省电力有限公司泉州供电公司 一种电力巡检场景下的红外与可见光图像配准方法
CN114581563A (zh) * 2022-03-09 2022-06-03 武汉高德智感科技有限公司 一种图像融合的方法、装置、终端及存储介质
CN115278117A (zh) * 2022-07-29 2022-11-01 深圳市朗高特科技发展有限公司 一种红外热像仪彩色图像的生成方法、装置、系统及介质

Similar Documents

Publication Publication Date Title
CN111583315A (zh) 一种新的可见光图像和红外图像配准方法及装置
CN109272489B (zh) 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN109410207B (zh) 一种基于ncc特征的无人机巡线图像输电线路检测方法
EP2426642B1 (en) Method, device and system for motion detection
CN111079556A (zh) 一种多时相无人机视频图像变化区域检测及分类方法
CN107993258B (zh) 一种图像配准方法及装置
CN110782477A (zh) 基于序列图像的运动目标快速检测方法、计算机视觉系统
CN111709968B (zh) 一种基于图像处理的低空目标探测跟踪方法
CN107481315A (zh) 一种基于Harris‑SIFT‑BRIEF算法的单目视觉三维环境重建方法
CN107301420A (zh) 一种基于显著性分析的热红外影像目标探测方法
CN113313707B (zh) 原始图像处理方法、装置、设备及可读存储介质
CN110033431A (zh) 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法
CN101763646B (zh) 一种阴影检测的方法、装置及视频图像处理系统
CN112613568B (zh) 基于可见光及红外多光谱图像序列的目标识别方法和装置
CN103281513B (zh) 一种无重叠域监控系统中行人识别方法
CN108596040A (zh) 一种基于双目视觉的串联通道融合行人检测方法
CN115497073A (zh) 一种基于车载摄像头和激光雷达融合的障碍物相机实时检测方法
CN111161308A (zh) 一种基于关键点匹配的双波段融合目标提取方法
CN108376409A (zh) 一种光场图像配准方法及系统
CN111028263A (zh) 一种基于光流颜色聚类的运动物体分割方法及其系统
CN110430400B (zh) 一种双目可运动摄像机的地平面区域检测方法
CN112489055A (zh) 融合亮度-时序特征的卫星视频动态车辆目标提取方法
CN115690190B (zh) 基于光流图像和小孔成像的运动目标检测与定位方法
CN112926676B (zh) 一种虚假目标识别方法、装置及计算机设备
CN111833384B (zh) 一种可见光和红外图像快速配准方法及装置

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: 20200825

RJ01 Rejection of invention patent application after publication