基于小波变换与像元对目标的短波红外图像增强算法

弱光夜视是短波红外成像的重要应用领域之一。针对短波红外弱光图像对比度低,增强后噪声也被放大的特点,提出了一种基于小波变换与像元对目标的短波红外图像增强算法。首先通过小波变换获得不同频率成分的子带图像;然后对低频子带图像进行基于像元对目标的灰度变换处理,对高频子带图像进行可变阈值降噪处理;最后通过小波反变换将处理后的子带重构得到增强结果。将该算法与基于直方图的增强算法,全局优化线性窗口色调映射算法和自然保持增强算法进行比较,采用图像的信息熵和基于Michelson法则的对比度增强度量作为客观评价指标,结果表明本文算法更为有效地提高了短波红外弱光图像的对比度,抑制了噪声的增强,提升了图像的视觉效果。     

基于边缘保持和注意力生成对抗网络的红外与可见光图像融合

由于红外与可见光图像特征差异大,并且不存在理想的融合图像监督网络学习源图像与融合图像之间的映射关系,深度学习在图像融合领域的应用受到了限制。针对此问题,提出了一个基于注意力机制和边缘损失函数的生成对抗网络框架,应用于红外与可见光图像融合。通过引入对抗训练和注意力机制的思想,将融合问题视为源图像和融合图像对抗的关系,并结合了通道注意力和空间注意力机制学习特征通道域和空间域的非线性关系,增强了显著性目标特征表达。同时提出了一种边缘损失函数,将源图像与融合图像像素之间的映射关系转化为边缘之间的映射关系。多个数据集的测试结果表明,该方法能有效融合红外目标和可见光纹理信息,锐化图像边缘,显著提高图像清晰度和对比度。