CN117994145B - 一种基于on对抗细胞的生成非伪彩色图像的方法 - Google Patents
一种基于on对抗细胞的生成非伪彩色图像的方法 Download PDFInfo
- Publication number
- CN117994145B CN117994145B CN202410154191.0A CN202410154191A CN117994145B CN 117994145 B CN117994145 B CN 117994145B CN 202410154191 A CN202410154191 A CN 202410154191A CN 117994145 B CN117994145 B CN 117994145B
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- signal
- information
- infrared
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 11
- 230000001629 suppression Effects 0.000 claims description 21
- 230000005284 excitation Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 25
- 238000002474 experimental method Methods 0.000 abstract description 10
- 230000000007 visual effect Effects 0.000 abstract description 10
- 230000000052 comparative effect Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 7
- 241000270295 Serpentes Species 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000007500 overflow downdraw method Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 244000025254 Cannabis sativa Species 0.000 description 4
- 230000005764 inhibitory process Effects 0.000 description 3
- 239000011664 nicotinic acid Substances 0.000 description 3
- 241000271532 Crotalus Species 0.000 description 2
- 230000003141 anti-fusion Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004297 night vision Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000016776 visual perception 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
- 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
- G06T2207/20212—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
本发明涉及一种基于ON对抗细胞的生成非伪彩色图像的方法，包括以下步骤：增强阶段、运算阶段、融合阶段。本发明的基于ON对抗细胞的生成非伪彩色图像的方法，模拟蛇类的视觉成像机制，取得了良好的效果,使得融合图像不仅突出了目标信息并且保留了更丰富的细节信息。在本发明的方法与七种现有技术中的其他方法的对比实验中，56.25％的平均梯度最佳值是在本发明的方法中产生的，68.75％的信息熵最佳值是在本发明的方法中产生的，87.5％的空间频率最佳值是在本发明的方法中产生的。通过对得到的评价指标数据的分析发现，本发明的方法在3个评价指标上的整体表现均优于其他对比方法。
Description
技术领域
本发明涉及图像融合技术领域，特别涉及一种基于ON对抗细胞的生成非伪彩色图像的方法。
背景技术
图像融合作为一种增强技术，旨在通过将同一场景下的不同种类的传感器获取的图像进行综合处理，弥补单个图像信息量不足的缺点，从而生成可以提供精确的场景信息的图像。一个出色的融合方式的关键在于有效提取图像信息和适当应用融合原则。它可以从源图像中提取有用信息，并借助不同模式传感器的互补特性将其整合到融合图像中，生成关于特定环境目标物体的新的阐述，同时避免引入任何伪影。基于此，图像融合算法在理论和应用方面得到了迅速发展。在过去几十年中，人们研究了许多融合红外和可见光图像的方法。按照这些算法的原理，它们大致可以分为四种：基于多尺度变换的方法，基于显著性的方法，基于稀疏表示的方法以及基于神经网络的方法。
对动物学的进一步研究给予了关于图像融合方法新的可能性。图像融合领域的科学家们基于动物学对蛇的视觉感知和红外视觉机制进行了深入研究。由于人眼在彩色图像中比在灰度图像中能够更快地识别目标，因此迄今为止所有模拟蛇的融合方法都生成了伪彩色图像，但这些方法生成的伪彩色图像细节缺失，颜色不自然，有时严重影响图像的视觉效果。例如：1997年，Waxman等人仿照响尾蛇的生理机制，提出了一种夜视图像与红外图像的对抗融合方法。然而，该方法生成的伪彩色图像存在着同样的问题，限制了人类的观察。具体的说，如图5所示，该夜视图像与红外图像的对抗融合方法包括：
第一阶段：首先红外图像(IR)分别经过OFF中心型细胞以及ON中心型细胞的增强处理，获得红外OFF增强图像和红外ON增强图像，分别记为OFF_IR和ON_IR；可见光图像(VI)经过ON中心型细胞的增强处理，得到可见光ON增强图像，记为ON_VI。
第二阶段：将上一阶段中得到信号进一步处理，将OFF_IR，ON_IR和ON_VI同时输入两个ON对抗系统。其一，OFF_IR输入环绕抑制区域，对应着抑制信号，ON_VI输入中心兴奋区域，对应着兴奋信号，第一个ON对抗系统的输出为红外增强可见信号+VIS+IR；其二，ON_IR输入环绕抑制区域，对应着抑制信号，ON_VI输入中心兴奋区域，对应着兴奋信号，第二个ON对抗系统的输出为红外抑制可见信号+VIS-IR；然后信号VI-IR和信号IR-VI同时通过与细胞(AND)得到两者的共有信息；IR_ON减去两者的共有信息与IR-VI加权融合得到最终的融合图像。
最后，将+VIS+IR，ON_VI，+VIS-IR，分别映射至R通道，G通道以及B通道，从而生成最终的伪彩色融合图像。
通过对经典的Waxman融合结构的介绍后，对Waxman经典融合方法的仿真实验，该融合方法涉及核心技术因此基于原理进行实验，实验结果如图6所示。这里采用一组红外图像和可见光图像作为实验演示。其中，图(a)图(b)图和图(c)分别表示红外源图像，可见光源图像以及Waxman方法的融合图像。观察最终融合结果(c)图发现，由于该方法的最终阶段是增强后的图像直接映射至RGB三通道形成的伪彩色图像，所以整幅图像呈现深紫色颜色不自然，反而并不如可见光源图像观察清晰；并且最终生成的融合图像目标信息不突出，所以融合结果并不是非常理想。
发明内容
本发明要解决现有技术中的技术问题，提供一种基于ON对抗细胞的生成非伪彩色图像的方法。
为了解决上述技术问题，本发明的技术方案具体如下：
一种基于ON对抗细胞的生成非伪彩色图像的方法，包括以下步骤：
步骤1：增强阶段；
首先将红外和可见光源图像分别记为IR和VI；IR通过ON对抗系统进行增强处理，得到增强后的红外图像IR_ON；VI通过ON对抗系统进行增强处理，得到增强后的可见光图像VI_ON；IR和VI同时输入两个ON对抗系统进行增强处理；
步骤2：运算阶段；
将信号VI-IR和信号IR-VI同时输入与细胞得到两者的共有信息：IR AND VI；之后IR_ON减去IR ANDVI得到IR_ON的特有信息ir；ir与IR通过ON对抗系统进行增强处理，ir输入环绕抑制区域，对应着抑制信号，IR输入中心兴奋区域，对应着兴奋信号，最终得到输出信号X1；
步骤3：融合阶段；
将X1与VI_ON进行加权平均得到X2，使得得到的X2在可见光信息和红外信息的融合方面达到平衡；然后通过伽马矫正对图像进行对比度调节，增强图像的整体细节表现，得到最终的融合图像。
在上述技术方案中，步骤1中，IR和VI同时输入两个ON对抗系统进行增强处理，具体为：
VI输入环绕抑制区域，对应着抑制信号，IR输入中心兴奋区域，对应着兴奋信号，第一个ON对抗系统的输出为可见抑制红外信号VI-IR；
IR输入环绕抑制区域，对应着抑制信号，VI输入中心兴奋区域，对应着兴奋信号，第二个ON对抗系统的输出为红外抑制可见信号IR-VI。
本发明具有以下有益效果：
本发明的基于ON对抗细胞的生成非伪彩色图像的方法，模拟蛇类的视觉成像机制，取得了良好的效果,使得融合图像不仅突出了目标信息并且保留了更丰富的细节信息。
在本发明的方法与七种现有技术中的其他方法的对比实验中，56.25％的平均梯度最佳值是在本发明的方法中产生的，68.75％的信息熵最佳值是在本发明的方法中产生的，87.5％的空间频率最佳值是在本发明的方法中产生的。通过对得到的评价指标数据的分析发现，本发明的方法在3个评价指标上的整体表现均优于其他对比方法。
附图说明
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。
图1为本发明的方法与Waxman方法的融合结果示意图。
图2为8种方法使用16组源图像仿真得到的融合结果示意图。
图3为第二组图像局部放大结果示意图。
图4为第四组图像局部放大结果示意图。
图5为现有技术中的Waxman结构示意图。
图6为现有技术中的Waxman模型仿真结果示意图。
具体实施方式
本发明的发明思想为：本发明在构建模拟蛇视觉机制的模型时，针对现有技术中的Waxman融合方法得到的融合结果中目标信息不突出，颜色不自然的问题，提出一种基于感受野的改进方法，在经典融合方法的基础上加强了红外信息，并且为了保留细节信息也加大了可见光信息的比例，使得生成的融合图像保留更多细节信息。
本发明的基于ON对抗细胞的生成非伪彩色图像的方法可以分为三个阶段。首先是增强阶段：将可见光图像VI和红外图像IR通过ON对抗系统进行增强处理，分别得到VI_ON和IR_ON；红外图像和可见光图像同时输入两个ON对抗系统，分别输出为可见抑制红外信号VI-IR和红外抑制可见信号IR-VI；其次是运算阶段：将VI-IR和IR-VI同时输入与细胞(AND)得到共有信息IR AND VI；之后IR_ON减去IR ANDVI得到ir；再让ir与IR_ON通过ON对抗系统进行增强处理得到X1；最后是融合阶段：X1与VI加权平均后通过伽马矫正得到最终的融合图像。该方法在Waxman融合方法的基础上加强了红外信息，并且为了保留细节信息也加大了可见光信息的比例。采用三种不同的无参考图像质量评估方法，对本发明得到的非伪彩色图像的质量进行评估。然后将这些图像与其他七种融合方法获得的图像进行比较。通过对得到的评价指标数据的分析发现，56.25％的平均梯度最佳值是在本发明的方法中产生的，68.75％的信息熵最佳值是在本发明的方法中产生的，87.5％的空间频率最佳值是在本发明的方法中产生的。本发明的方法在三个评价指标上的整体性能优于其他方法。最后对本发明的方法得到的部分融合图像进行上色处理，将灰度图转换为彩色图像。
下面结合附图对本发明做以详细说明。
通过对Waxman融合结构以及该模型最后生成的融合图像的简要分析发现，其生成的伪彩色融合图像颜色不够自然，目标不够清晰，处理后的图像有时反而会影响后续观察。因此，本发明提出了一种基于ON对抗细胞的生成非伪彩色图像的改进方法。
针对Waxman融合方法得到的融合结果中红外源图像的目标信息不突出，颜色不自然的问题，提出了改进方法，在Waxman融合方法的基础上加强了红外信息，并且为了保留细节信息也加大了可见光信息的比例，模型结构如图5所示。
本发明的方法可以分为三个阶段。
第一阶段为：增强阶段。首先将红外和可见光源图像分别记为IR和VI。IR通过ON对抗系统进行增强处理，得到增强后的红外图像IR_ON；VI通过ON对抗系统进行增强处理，得到增强后的可见光图像VI_ON；IR和VI同时输入两个ON对抗系统进行增强处理，其一，VI输入环绕抑制区域，对应着抑制信号，IR输入中心兴奋区域，对应着兴奋信号，第一个ON对抗系统的输出为可见抑制红外信号VI-IR；其二，IR输入环绕抑制区域，对应着抑制信号，VI输入中心兴奋区域，对应着兴奋信号，第二个ON对抗系统的输出为红外抑制可见信号IR-VI。
第二阶段为：运算阶段。将信号VI-IR和信号IR-VI同时输入与细胞(AND)得到两者的共有信息：IR ANDVI；之后IR_ON减去IR ANDVI得到IR_ON的特有信息ir，由此来突出可见光图中弱的但是红外光图中强的红外信号；ir与IR通过ON对抗系统进行增强处理，ir输入环绕抑制区域，对应着抑制信号，IR输入中心兴奋区域，对应着兴奋信号，最终得到输出信号X1，该操作进一步加强了红外信息。
第三阶段为：融合阶段。将X1与VI_ON进行加权平均得到X2，使得得到的X2在可见光信息和红外信息的融合方面达到一个平衡。然后通过伽马矫正对图像进行对比度调节，增强图像的整体细节表现，得到最终的融合图像。
图1是Waxman方法与本发明的方法选用一组图像进行演示的融合结果。其中(a)和(b)图分别为可见光和红外图像；(c)和(d)图分别为Waxman方法与改进方法的融合结果。通过结果对比可以发现，改进方法得到的融合图像目标信息更突出，并且更加明亮，更易识别。
实验结果分析
下面对上述提出的改进方法进行实验仿真，并与其他七种融合方法进行对比。对这八种方法得到的融合结果的图像效果分别从主观评价，即人类肉眼观察到的融合图像效果以及空间频率(SF)等指标数据的客观评价两方面进行比较。
为了更加具体的观察本节提出的改进方法的图像融合效果，本发明准备了与其他基于响尾蛇视觉机制的图像融合方法的对比实验，为便于后续对实验数据的理解，在此简要介绍后续与本发明的方法进行对比的图像融合方法。
其一：A.Waxman等人提出的Waxman方法作为对比实验之一，为方便在后续评价中识别对比方法，在此记为Waxman。
其二，将Li提出的改进融合方法作为对比实验之一，为方便在后续评价中识别对比方法，在此记为Li。
其三，将张阵提出的改进的彩色融合方法作为对比实验之一，为方便在后续评价中识别对比方法，在此记为Zhang。
其四，将王和刘等人提出基于响尾蛇的改进的图像融合方法作为对比实验之一，为方便在后续评价中识别对比方法，在此记为Wang。
其五，将Naidu等人提出的基于多分辨率奇异值分解(multi-resolutionsingular value decomposition)的图像融合方法作为非仿生对比试验之一，为方便在后续评价中识别对比方法，在此记为MSVD。
其六，将Bavirisetti等人提出的基于各向异性扩散(anisotropic diffusionfussion)和Karhunen-Loeve变换的融合方法作为对比实验之一，为方便在后续评价中识别对比方法，在此记为ADF。
其七，将Bavirisetti等人提出的基于四阶偏微分方程(Fourth-order partialdifferential equations)的多传感器图像融合方法作为对比试验之一，为方便在后续评价中识别对比方法，在此记为FPDE。
其八，为方便在后续评价中识别对比方法，将本发明提出的方法记为Ours。
1、主观评价
1.1、对比观察
图2是本发明的方法(Ours)及相应对比实验使用16组源图像仿真得到的融合结果。在这一节中首先从主观评价，即人眼观察到的融合图像的视觉效果进行对比分析。图2从上到下分别是从图组一到图组十六的可见光图像，红外图像以及8种融合图像。
观察以上的十六组实验结果发现，Waxman、Li、Zhang、Wang这四种算法生成的伪彩色结果图中周围环境清晰，整体偏亮，可见光信息保留较多，整体便于人眼后续观察，但红外图像中的目标信息并不突出，且颜色不太自然；MSVD、ADF、FDPE生成的结果图都整体偏暗且整体较为模糊，噪声较多，保留的可见光图像中的周边环境信息非常少，但是红外图像中的目标信息突出，整体图像更接近于红外图像；本发明的方法(Ours)得到的结果图中既突出了目标信息又保留了环境信息，视觉效果最好，图片较为明亮，整体更便于人眼后续观察。
1.2、局部观察
为了判断本发明的方法(Ours)在图像融合之后产生的效果好坏，本发明将本发明的方法(Ours)和其他6种用于对比的图像融合方法得到图像结果的同一部分等比例放大，对其视觉效果进行人眼观察并且进行对比分析。图3是对图组二融合图像右侧的人物及其背景进行局部放大后的图像，图4是对图组四融合图像右侧偏上的汽车及其背景进行局部放大后的图像，其中(a)为Waxman融合图像局部放大结果，(b)为Li融合图像进行局部放大的结果，(c)为Zhang融合图像局部放大结果，(d)为Wang融合图像进行局部放大的结果,(e)为MSVD融合图像局部放大结果，(f)为ADF融合图像局部放大结果，(g)为FPDE融合图像进行局部放大的结果,(h)为Ours融合图像局部放大结果。
由图3可以看出，伪彩色图像中(a)，(b)和(c)图中周围环境清晰，可见光信息保留较多，但红外图像中的目标信息并不突出，即便经过局部放大也很难清晰地看到目标人物；(d)图中目标信息突出，但是左下角的草丛有一处黑色区域，且存在少量方块状失真；(e)图草丛层次较为模糊；(f)和(g)图中突出了目标信息，环境也较为清晰，但图中均含有较多噪声；(h)图中既包含了可见光图像中的道路，树木等环境信息，又突出了红外图像中站在草丛中的目标信息，(h)图草丛层次也较为清晰。
由图4可以看出，伪彩色图中(a)和(b)图颜色最暗，并且目标信息不突出；(c)和(d)图中的环境信息和红外图像中的目标信息都较为清晰，但颜色不自然，并且图(d)中经过局部放大的汽车处有方块状失真区域；图(e)、(f)、(g)都整体偏暗，(g)图中细节损失最为严重，经过局部放大的汽车最为模糊；(h)图中噪声偏小，汽车细节信息较多，除此之外在其他事物上并无太大差别；图(h)既突出了目标信息又保留了环境信息，视觉效果最好。
2、评价指标
上一小节中，针对改进方法使用了16组源图像，分别与八种融合算法进行了实验仿真，并对这八种方法得到的融合结果进行了主观评价，即进行了人眼观察这些结果的视觉效果。在这一节中，将通过空间频率(SF)等三种客观评价指标，来评价这八种融合方法的性能。
表1平均梯度
表1为四种仿生融合方法、三种非仿生融合方法与本发明的方法(Ours)使用十六组图像进行实验对比得到的平均梯度指标的数据表；在本发明的方法(Ours)与七种其他方法的对比实验中，56.25％的平均梯度最佳值是在本发明的方法(Ours)中产生的，另外有三组的平均梯度最佳值是在MSVD方法中产生的，两组的平均梯度最佳值是在ADF和FPDE方法中产生的。这表明了在这七种融合方法中，本发明的方法(Ours)在平均梯度指标上效果较好，MSVD方法次之。
表2标准差
表2为七种对比融合方法与本文提出的改进算法使用十六组图像对进行实验对比得到的标准差评价指标的数据表；分析数据表中的信息发现：标准差的最优值分别分布在Wang等人提出的方法以及本发明的方法(Ours)中，其中31.25％的信息熵最佳值是在Wang等人提出的方法中产生的，68.75％的信息熵最佳值是在本发明的方法(Ours)中产生的。这表明了在信息熵的指标上最优的方法是本发明的方法(Ours)，Wang等人提出的方法其次。
表3为七种对比融合方法与提出的改进算法使用十六组图像对进行实验对比得到的空间频率评价指标的数据表；分析数据表中的信息发现：87.5％的空间频率最佳值是在本发明的方法(Ours)中产生的，这表明在空间频率的指标上本发明的方法(Ours)效果最优。
表3空间频率
经由上述表1至表3的这八种融合方法使用十六组图像对进行实验对比得到的评价指标数据表的分析发现，本发明的方法(Ours)在三种评价指标上整体优于其他七种对比方法。
本发明的基于ON对抗细胞的生成非伪彩色图像的方法，模拟蛇类的视觉成像机制，取得了良好的效果,使得融合图像不仅突出了目标信息并且保留了更丰富的细节信息。
在本发明的方法与七种现有技术中的其他方法的对比实验中，56.25％的平均梯度最佳值是在本发明的方法中产生的，68.75％的信息熵最佳值是在本发明的方法中产生的，87.5％的空间频率最佳值是在本发明的方法中产生的。通过对得到的评价指标的分析发现，本发明的方法在3个评价指标上的整体表现均优于其他对比方法。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (1)
1.一种基于ON对抗细胞的生成非伪彩色图像的方法，其特征在于，包括以下步骤：
步骤1：增强阶段；
首先将红外和可见光源图像分别记为IR和VI；IR通过ON对抗系统进行增强处理，得到增强后的红外图像IR_ON；VI通过ON对抗系统进行增强处理，得到增强后的可见光图像VI_ON；IR和VI同时输入两个ON对抗系统进行增强处理；
步骤2：运算阶段；
将信号VI-IR和信号IR-VI同时输入与细胞得到两者的共有信息：IR AND VI；之后IR_ON减去IR ANDVI得到IR_ON的特有信息ir；ir与IR通过ON对抗系统进行增强处理，ir输入环绕抑制区域，对应着抑制信号，IR输入中心兴奋区域，对应着兴奋信号，最终得到输出信号X1；
步骤3：融合阶段；
将X1与VI_ON进行加权平均得到X2，使得得到的X2在可见光信息和红外信息的融合方面达到平衡；然后通过伽马矫正对图像进行对比度调节，增强图像的整体细节表现，得到最终的融合图像；
步骤1中，IR和VI同时输入两个ON对抗系统进行增强处理，具体为：
VI输入环绕抑制区域，对应着抑制信号，IR输入中心兴奋区域，对应着兴奋信号，第一个ON对抗系统的输出为可见抑制红外信号VI-IR；
IR输入环绕抑制区域，对应着抑制信号，VI输入中心兴奋区域，对应着兴奋信号，第二个ON对抗系统的输出为红外抑制可见信号IR-VI。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410154191.0A CN117994145B (zh) | 2024-02-04 | 2024-02-04 | 一种基于on对抗细胞的生成非伪彩色图像的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410154191.0A CN117994145B (zh) | 2024-02-04 | 2024-02-04 | 一种基于on对抗细胞的生成非伪彩色图像的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117994145A CN117994145A (zh) | 2024-05-07 |
| CN117994145B true CN117994145B (zh) | 2025-02-18 |
Family
ID=90894997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410154191.0A Active CN117994145B (zh) | 2024-02-04 | 2024-02-04 | 一种基于on对抗细胞的生成非伪彩色图像的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117994145B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458877A (zh) * | 2019-08-14 | 2019-11-15 | 湖南科华军融民科技研究院有限公司 | 基于仿生视觉的红外与可见光信息融合的导航方法 |
| CN112991250A (zh) * | 2021-04-19 | 2021-06-18 | 吉林大学 | 基于响尾蛇视觉成像的红外与可见光图像融合方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069768B (zh) * | 2015-08-05 | 2017-12-29 | 武汉高德红外股份有限公司 | 一种可见光图像与红外图像融合处理系统及融合方法 |
| CN113409232B (zh) * | 2021-06-16 | 2023-11-10 | 吉林大学 | 基于响尾蛇视觉成像的仿生假彩色图像融合模型及方法 |
-
2024
- 2024-02-04 CN CN202410154191.0A patent/CN117994145B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458877A (zh) * | 2019-08-14 | 2019-11-15 | 湖南科华军融民科技研究院有限公司 | 基于仿生视觉的红外与可见光信息融合的导航方法 |
| CN112991250A (zh) * | 2021-04-19 | 2021-06-18 | 吉林大学 | 基于响尾蛇视觉成像的红外与可见光图像融合方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117994145A (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103279938A (zh) | 红外/微光图像融合夜视系统 | |
| CN109410171B (zh) | 一种用于雨天图像的目标显著性检测方法 | |
| Cepeda-Negrete et al. | Dark image enhancement using perceptual color transfer | |
| He et al. | Color transfer pulse-coupled neural networks for underwater robotic visual systems | |
| CN103927723A (zh) | 基于神经模糊系统和边缘检测的图像滤波方法 | |
| JPWO2019106946A1 (ja) | 画像着色装置、画像着色方法、画像学習装置、画像学習方法、プログラム、及び画像着色システム | |
| CN117994145B (zh) | 一种基于on对抗细胞的生成非伪彩色图像的方法 | |
| Zuo et al. | Brightness preserving image contrast enhancement using spatially weighted histogram equalization. | |
| Zhang et al. | Display method for high dynamic range infrared image based on gradient domain guided image filter | |
| CN113935917A (zh) | 一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法 | |
| Shang et al. | LGT: Luminance-guided transformer-based multi-feature fusion network for underwater image enhancement | |
| Costa et al. | Multi-focus image fusion for bacilli images in conventional sputum smear microscopy for tuberculosis | |
| Li et al. | Fast color-transfer-based image fusion method for merging infrared and visible images | |
| Raof et al. | Image enhancement using modified partial contrast technique in Ziehl-Neelsen sputum slide images | |
| Li | Enhancement Method for Fog-degraded Images based on Multi-scale Retinex and Wavelet Transform | |
| Zheng et al. | Qualitative evaluations and comparisons of six night-vision colorization methods | |
| CN114897751A (zh) | 基于多尺度结构分解的红外和可见光图像感知融合方法 | |
| CN112347972A (zh) | 一种基于深度学习的高动态感兴趣区域图像处理方法 | |
| Mendoza et al. | Fuzzy Inference Systems Type-1 and Type-2 for Digital Images Edge Detection. | |
| Gao et al. | Objective color harmony assessment for visible and infrared color fusion images of typical scenes | |
| JP5598185B2 (ja) | 目立ち画像生成装置及び目立ち画像生成プログラム | |
| Bansal et al. | Image correction and identification of ishihara test images for color blind individual | |
| CN118505691B (zh) | 一种电子元器件检测系统及方法 | |
| Rane et al. | Comparative Study of Image Fusion Methods | |
| Simon-Liedtke et al. | Spatial intensity channel replacement daltonization (sicharda) |
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 |