基于光谱和亮度信息的红外与可见光图像融合方法

针对红外与可见光图像融合,提出了一种基于区域能量和修正的视觉特征对比度的低频融合规则,以尽可能多地保留红外图像的热目标信息及可见光图像的光谱信息。实验结果表明,在非下采样轮廓波变换和小波变换域,新的融合规则能都充分利用源图像的互补和冗余信息,使融合图像具有更好的主观视觉效果。     

特征级与像素级相混合的SAR与可见光图像融合

SAR和可见光图像成像机理不同,图像差异较大,较难取得良好的融合效果。本文面向目标识别,通过分析图像的成像机理,首先在NSCT融合框架下,将SAR图像中重要的目标信息加入到可见光图像中,并尽可能多的保留源图像的边缘细节信息;再结合数学形态学和多尺度空间理论,提取源图像的亮、暗细节特征,进行特征级融合,得到亮、暗细节特征显著增强的融合图像。实验结果表明,本文算法有效的融合了SAR图像的目标信息,并增强了源图像的细节特征,达到了较好的视觉效果,提高了图像的目标检测和识别能力。     

图像配准中特征点检测算法的探讨

特征点是图像的一种重要局部特征,特征点检测是基于特征点图像配准的关键技术.通过特征点的提取与处理,对把握图像的局部及整体特征,特别对图像配准及目标识别等领域都具有重要的实际意义.详细介绍了图像配准中主流的特征点提取方法,并分析其优缺点.通过实验,利用特征点评价方法对各种算法的性能进行比较,对图像配准的研究具有一定的指导意义.     

基于SUSAN特征点的图像配准算法

提出了一种基于SUSAN算法提取图像特征点并进行图像配准的改进算法。首先采用SUSAN算子对图像进行特征点提取,然后利用最近邻次近邻比值法对特征点进行粗匹配,通过RANSAC（随机抽样一致性）算法剔除错误的匹配点对;最后通过重采样和双线性插值完成图像的配准。实验结果表明,本算法在图像配准中具有一定的有效性。     

红外与可见光图像的变分增强融合算法研究

提出了一种基于变分法和梯度增强的红外与可见光图像融合算法。首先对红外与可见光的梯度特征进行自适应加权融合,得到初始融合梯度场;其次构建梯度特征增强模型,获得融合图像增强的梯度场;最后通过变分法将融合问题转换为最优化问题,得到最接近增强后梯度场的融合图像。实验结果表明,相比基于多分辨率框架下进行融合的拉普拉斯分解、小波变换及常见的基于变分的融合算法,所提出的算法得到的融合图像梯度特征最大,视觉效果最好,证明了算法的有效性。     

可见光和红外反相图像的SURF特征双向匹配

特征匹配的准确率影响图像配准的精度,是基于特征配准方法的重点和难点之一。为了解决单向最近邻/次近邻法所导致特征点一对多的误匹配问题,提出了一种红外和可见光图像的特征双向匹配方法。首先,对红外图像进行反相和直方图均衡化处理,增强两类图像的相似性,提取数量更多重复率高的共有特征;其次,对提取的SURF(Speed-up Robust Feature)特征进行双向最近邻/次近邻粗匹配,确保特征匹配的一致性,降低误匹配率,并利用RANSAC(Random Sample Consensus)算法对特征点进行二次匹配,实现特征点精确匹配。实验结果表明,该算法在正确匹配率和配准精度方面都优于传统SURF的单向最近邻/次近邻匹配方法,具有有效性。     

结合SURF特征和RANSAC算法的图像配准方法

提出了一种基于SURF特征和RANSAC算法的图像配准方法。首先通过SURF算法对图像进行特征点检测,将欧式距离作为相似性测度进行特征点粗匹配,并通过RANSAC算法剔除误匹配点对;然后利用正确的匹配点对求解仿射变换模型从而实现图像的精确配准。实验结果表明了该方法的精确性和有效性。     

面向图像分类的SAR与可见光图像融合

SAR和可见光图像成像机理不同,图像差异较大,较难取得良好的融合效果。本文直接面向SAR图像分类,在NSCT变换融合框架下,利用遗传算法搜索低频加权系数,高频系数采用空间频率取大规则对SAR和可见光图像进行融合。实验结果表明本文方法获得的融合图像分类效果更好,更加有利于图像识别等后续处理。     

基于边缘图像和SURF特征的可见光与红外图像的匹配算法

利用灰度信息对可见光与红外图像进行匹配时,其效果受两类图像间灰度分布差异的影响。结合这两类图像的特征,提出了一种基于边缘图像和SURF(Speed-Up Robust Feature)特征的图像匹配方法。首先采用改进的三次B样条分别对两幅源图像进行边缘提取;然后利用SURF算法在边缘图像上进行特征点检测;再通过最近邻次近邻比值法对特征点进行粗匹配,最后利用对极几何约束的RANSAC算法剔除误匹配点对,从而实现图像的匹配。实验结果表明,在正确匹配率方面本文算法明显优于Canny边缘提取和SURF的匹配方法,具有一定的有效性。