-
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：CN103985104B
公开(公告)日：2017-01-25
申请号：CN201410057924.5
申请日：2014-02-20
Applicant: 江南大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于高阶奇异值分解和模糊推理的多聚焦图像融合方法。（1）对待融合的两幅多聚焦源图像分别进行滑动窗口分块，将分块后相互对应的源图像子块形成子张量；（2）对子张量进行高阶奇异值分解(HOSVD)，采用基于模糊推理的加权平均融合规则对分解系数进行融合，通过提取分解系数的方差，区域能量，匹配度三个特征设计模糊推理规则；（3）对融合后系数进行HOSVD逆变换得到融合后图像子块；（4）将融合后的图像子块组合生成最终融合图像。本发明克服了传统多聚焦图像融合方法容易造成边缘失真的缺陷，很好地解决了图像融合中源图像对融合图像贡献程度的不确定性问题，使融合后图像质量得到明显提高。
-
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：CN113379666A
公开(公告)日：2021-09-10
申请号：CN202110764386.3
申请日：2021-07-06
Applicant: 江南大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于区间二型模糊集和CHMM模型的图像融合方法，涉及图像融合领域，包括：对两幅待融合图像的低频子带进行活动测度度量，并根据低频活动测度进行低频子带系数融合得到低频融合子带；利用上下文隐马尔可夫模型描述高频子带系数之间的相关性，构建得到高频子带系数的T2‑FCHMM统计模型；将得到的高频子带系数的边缘概率密度和模糊熵结合起来作为T2‑FCHMM模型统计特征与高频子带系数的区域能量结合得到高频子带系数的活动测度，根据高频子带系数的活动测度进行高频子带系数融合得到高频融合子带；对低频融合子带和高频融合子带进行逆变换得到融合图像，从而增加了融合图像的可信度和可理解性。
-
公开(公告)号：CN107610165B
公开(公告)日：2020-10-23
申请号：CN201710815872.7
申请日：2017-09-12
Applicant: 江南大学
Abstract: 本发明公开了一种基于多特征的3‑D剪切波域多模态医学序列图像融合方法，主要解决2‑D分解工具无法处理3‑D图像以及单特征融合方法易引入错误信息的问题。其实现步骤是：1)待融合序列图像进行3‑D剪切波变换，得到高频、低频系数；2)低频子带系数采用基于区域能量取大的融合规则，高频子带系数采用综合多特征的融合规则；3)融合后的高、低频系数执行3‑D剪切波逆变换获得融合后的序列图像。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。
-
Patent Agency Ranking
公开(公告)号：CN110097528A
公开(公告)日：2019-08-06
申请号：CN201910288058.3
申请日：2019-04-11
Applicant: 江南大学
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：CN106897999A
公开(公告)日：2017-06-27
申请号：CN201710107672.6
申请日：2017-02-27
Applicant: 江南大学
CPC classification number: G06T7/0004 , G06T2207/30128
Abstract: 本发明公开了一种基于尺度不变特征变换的图像融合方法，主要解决苹果质量无损检测的问题。其实现步骤是：1)利用非下采样轮廓波变换NSCT将待融合图像分解为低频子带和高频子带；2)对低频子带利用尺度不变特征变换SIFT寻找到特征描述子并记录下每个特征描述子在低频子带中的位置，利用特征描述子构造了一种内容匹配度指标；3)利于一种基于内容匹配度的混合融合策略来融合低频子带，利用绝对值取大的融合策略实现高频子带系数的融合；5)利用非下采样轮廓波逆变换生成融合图像。本发明能充分融合红外与可见光苹果图像的有用信息，有效保护源图像细节，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，能够有效的实施苹果的无损质量检测。
-
公开(公告)号：CN106897987A
公开(公告)日：2017-06-27
申请号：CN201710053310.3
申请日：2017-01-18
Applicant: 江南大学
CPC classification number: G06T5/50 , G06T9/00 , G06T2207/10048 , G06T2207/10052 , G06T2207/10081 , G06T2207/10088 , G06T2207/20048 , G06T2207/20221
Abstract: 本发明公开了一种基于平移不变剪切波和栈式自编码的图像融合方法。其实现步骤为：首先用平移不变剪切波变换将待融合图像分解成低频子带系数和高频子带系数；其次，低频子带系数反映了图像的基础轮廓，利用加权取平均的方法进行融合；高频子带系数反映了图像的边缘和纹理信息，本发明提出了一种基于栈式自编码特征的融合方法，利用滑动分块的方法将高频子带分块，以小块作为输入训练栈式自编码网络，利用训练好的网络再对小块进行编码得到特征，并利用空间频率进行特征增强得到活动测度，最后利用此活动测度数值取大的融合规则进行高频子带系数小块的融合，所有小块融合后利用滑动窗口逆变换得到高频子带；最后利用平移不变剪切波逆变换得到融合后的图像。本发明相比于传统的融合方法能更好地保留原图像中的边缘和纹理信息。
-
公开(公告)号：CN103985105B
公开(公告)日：2016-11-23
申请号：CN201410058550.9
申请日：2014-02-20
Applicant: 江南大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于统计建模的Contourlet域多模态医学图像融合方法，主要解决医学图像融合时空间分辨率和光谱信息难以均衡的问题。其实现步骤是：1)待融合图像进行IHS变换，得到亮度、色调和饱和度；2)分别对亮度分量执行Contourlet变换，并采用EM算法估计高频子带的上下文隐马尔科夫模型CHMM参数；3)低频子带采用区域绝对值和取大的融合规则，高频子带基于CHMM和改进的脉冲耦合神经网络M‑PCNN设计融合规则；4)融合后的高、低频系数执行Contourlet逆变换重构新的亮度分量；5)利用IHS逆变换获得融合图像。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地提高了融合图像的质量。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.026 seconds)
