-
公开(公告)号：CN109829873A
公开(公告)日：2019-05-31
申请号：CN201910068041.7
申请日：2019-01-24
Applicant: 江南大学
Abstract: 本发明提供了一种基于非下采样剪切波和全局-区域-局部融合规则的图像融合方法，属于图像融合技术领域。主要解决从统计模型中提取单层次特征容易导致图像表示不准确的问题。其实现步骤是：1)待融合图像进行非下采样剪切波变换，得到高频、低频系数；2)低频子带系数采用基于平均梯度取大的融合规则，高频子带系数采用全局-区域-局部的融合规则；3)融合后的高、低频系数执行非下采样剪切波逆变换获得融合后的图像。本发明能充分考虑了系数之间的相关性，精确地表示源图像的纹理、细节等特征，从而能有效避免将错误信息引入融合图像中，提高视觉效果，相比传统的融合方法极大地提高了融合图像的质量。
-
公开(公告)号：CN105118057A
公开(公告)日：2015-12-02
申请号：CN201510507027.4
申请日：2015-08-18
Applicant: 江南大学
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/30168
Abstract: 本发明公开了一种基于四元数小波变换幅值与相位的图像清晰度评价方法。(1)准备待进行评价的灰度图像；(2)对灰度图像进行四元数小波变换(QWT)，得到变换系数；(3)由变换系数根据四元数代数计算得到各子带(LL、LH、HL、HH子带)对应的幅值与相位信息；(4)计算LL子带幅值水平、垂直和正对角方向的梯度；(5)根据梯度和相位信息计算得到清晰度。本发明克服了现有图像清晰度评价方法适用范围不全面的问题，并且很好地解决了计算效率的问题，使得评价效果更好，计算更具实时性。
-
公开(公告)号：CN110084774B
公开(公告)日：2023-05-05
申请号：CN201910288177.9
申请日：2019-04-11
Applicant: 江南大学
IPC: G06T5/50
Abstract: 本发明公开了一种增强的梯度传递和总变差最小化融合图像的方法，属于图像融合领域。主要解决红外和可见光图像融合时目标和背景纹理信息不详细的问题。通过将融合图像约束为具有与红外图像、可见光图像相似的像素强度和与红外图像、可见光图像相似的梯度。我们将融合问题转化为L1‑TV最小化问题，使用m、λ1和λ2三个参数控制数据保真项和正则化项之间的关系，以达到同时保持源图像中的热辐射和外观信息的效果。本发明能充分整合红外和可见光图像的目标纹理细节信息，有效保护图像细节，改善视觉效果，相比传统的融合方法极大地提高了融合图像的质量。
-
公开(公告)号：CN110097528B
公开(公告)日：2023-04-18
申请号：CN201910288058.3
申请日：2019-04-11
Applicant: 江南大学
IPC: G06T5/50 , G06N3/0464 , G06N3/08
Abstract: 一种基于联合卷积自编码网络的图像融合方法，属于图像融合领域。主要解决图像融合时数据集和标签不足，图像经过联合卷积自编码网络得到端到端的融合结果等问题。本发明首先，在训练过程中用联合卷积自编码网络模型同时训练待融合图像集，设计适用于图像融合的多任务损失函数进行训练。测试过程中，两幅待融合图像输入到网络模型中，经过网络编码层得到公共特征和私有特征，根据其特征的冗余和互补的特性设计融合规则，实现特征层的融合，融合后的特征映射经解码重构后得到融合图像。本发明能充分利用自编码神经网络的特点整合待融合图像的互补与冗余信息制定融合策略，有效保护图像细节，相比传统的融合方法极大地提高了融合图像的质量。
-
公开(公告)号：CN110084288B
公开(公告)日：2023-04-18
申请号：CN201910288070.4
申请日：2019-04-11
Applicant: 江南大学
IPC: G06V10/80 , G06V10/82 , G06V10/74 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于自学习神经单元的图像融合方法，属于图像融合领域。其实现步骤是：1)将融合图像进入Mask R‑CNN网络进行处理，得到相应的掩码图像，掩码矩阵，类别信息，得分信息；2)搭建自编码网络，利用卷积神经网络CNN进行图像特征的选取，融合，重构；3)对融合层的卷积权重进行稀疏赋值，加入最小/最大范数权值约束与L1正则项；4)分别计算融合图像与源图像的整体结构相似度SSIM，区域结构相似度SSIM与互信息MI；5)训练神经网络，调整参数。本发明能通过学习网络参数以最佳方式联合获得水平测量与权重分配，增强图像清晰度，改善视觉效果，提高融合图像的质量。
-
Patent Agency Ranking
公开(公告)号：CN110060226B
公开(公告)日：2023-04-18
申请号：CN201910287992.3
申请日：2019-04-11
Applicant: 江南大学
Abstract: 基于人类视觉梯度转化和全变差参数自适应图像融合方法，属于图像融合技术领域。其实现的步骤是：将融合问题转化为TV‑L1模型最小化问题，其中的数据保真项保存图像结构信息的主要强度分布，正则项保存图像纹理信息的梯度变化，通过数值迭代得到中间结果图像，再通过相加获得融合图像。为了保证算法求解的收敛性，分析了相关参数的取值范围，在模型参数选择方面，运用全局方差估计法自适应地选择调整参数，可以有效地保护图像特征并提高运算效率。本发明能充分整合源图像的结构和功能信息，有效保护图像细节，改善视觉效果，相比传统的融合方法极大地提高了融合图像的质量。
-
公开(公告)号：CN106504221A
公开(公告)日：2017-03-15
申请号：CN201610891328.6
申请日：2016-10-13
Applicant: 江南大学
IPC: G06T5/50
CPC classification number: G06T5/50 , G06T2207/20221 , G06T2207/30004
Abstract: 本发明公开了一种基于四元数小波变换QWT(Quaternion Wavelet Transform)上下文结构的医学图像融合方法，主要解决医学图像融合时亮度、对比度等的变化以及原始图像信息丢失的问题。其实现步骤是：1)分别对待融合图像进行QWT处理得到待融合图像对应的QWT系数；2)对待融合图像的QWT系数的低频部分根据绝对值取大的融合规则进行融合，得到低频的融合系数；3)对待融合图像的QWT系数的高频部分求取高频子带系数对应的清晰度系数；4)基于上下文统计模型与清晰度系数设计融合规则，获得融合后的高频系数；5)根据得到的低频和高频的融合系数，利用QWT逆变换得到融合图像。本发明能充分整合医学图像的结构和功能信息，有效保护图像细节，改善视觉效果，相比传统的融合方法极大的提高了融合图像的质量。
-
公开(公告)号：CN110555823B
公开(公告)日：2023-04-07
申请号：CN201910287905.4
申请日：2019-04-11
Applicant: 江南大学
Abstract: 本发明公开了一种基于TVL结构纹理分解的图像融合质量评价方法，属于图像融合领域。其主要测试两幅源图像经过某种融合方法融合之后融合质量的好坏，以此来说明融合方法的优劣。其实现的主要步骤为：(1)选择恰当的系数利用TVL将图像一级分别分解为一级结构图像、一级纹理图像；(2)利用相同的系数将一级纹理图像继续分解为二级结构图像以及二级纹理图像，再根据相应的系数给每幅分解图像分配相应的系数；(3)利用边缘梯度指标QG来计算一级结构图像、二级结构图像、二级纹理图像的融合得分；(4)最后结合(2)中的权重以及(3)中的融合得分来得出每种融合方法的总得分，根据总得分来评价融合方法的好坏。
-
公开(公告)号：CN110084774A
公开(公告)日：2019-08-02
申请号：CN201910288177.9
申请日：2019-04-11
Applicant: 江南大学
IPC: G06T5/50
Abstract: 本发明公开了一种增强的梯度传递和总变差最小化融合图像的方法，属于图像融合领域。主要解决红外和可见光图像融合时目标和背景纹理信息不详细的问题。通过将融合图像约束为具有与红外图像、可见光图像相似的像素强度和与红外图像、可见光图像相似的梯度。我们将融合问题转化为L1-TV最小化问题，使用m、λ1和λ2三个参数控制数据保真项和正则化项之间的关系，以达到同时保持源图像中的热辐射和外观信息的效果。本发明能充分整合红外和可见光图像的目标纹理细节信息，有效保护图像细节，改善视觉效果，相比传统的融合方法极大地提高了融合图像的质量。
-
公开(公告)号：CN110060226A
公开(公告)日：2019-07-26
申请号：CN201910287992.3
申请日：2019-04-11
Applicant: 江南大学
Abstract: 基于人类视觉梯度转化和全变差参数自适应图像融合方法，属于图像融合技术领域。其实现的步骤是：将融合问题转化为TV-L1模型最小化问题，其中的数据保真项保存图像结构信息的主要强度分布，正则项保存图像纹理信息的梯度变化，通过数值迭代得到中间结果图像，再通过相加获得融合图像。为了保证算法求解的收敛性，分析了相关参数的取值范围，在模型参数选择方面，运用全局方差估计法自适应地选择调整参数，可以有效地保护图像特征并提高运算效率。本发明能充分整合源图像的结构和功能信息，有效保护图像细节，改善视觉效果，相比传统的融合方法极大地提高了融合图像的质量。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.025 seconds)
