微光图像与红外图像融合技术研究

图像融合技术在微光和红外图像处理中得到了广泛的应用.为了深入理解图像融合技术以及融合后的图像质量,首先分析了微光和红外图像的融合技术,对微光和红外图像进行了预处理,分析了微光和红外成像过程、图像增强技术、特征提取方法、图像配准等.重点研究了拉普拉斯图像融合、对比度调制融合、基于小波分解的图像融合技术.最后通过实验对这几种融合技术进行了比较,结果显示融合后的图像质量得到了改善,突出了目标轮廓和细节,方便了目标识别.     

基于红外与微光融合图像的夜视仪设计

在漆黑的夜幕下,为了能随时掌握周围环境动态,设计了一款基于红外、微光融合技术的夜视仪系统。该夜视仪能够准确定位目标及其相对背景位置,自动地增强和染色目标,并且在扫描搜索范围内恒虚警率地发现跟踪目标,然后将获取的目标信息以数字信号的方式自动传输给指挥中心和友邻,使侦查人员对周围环境更加熟悉的同时保持同各方保持联系。通过多次功能仿真以及板上验证,该系统具有较高的执行效率,并且具有良好的侦测能力。     

红外与微光融合图像的多尺度色彩传递算法

针对红外与微光的灰度融合图像不利于人眼观察的问题,提出了一种在YCbCr颜色空间的基于多尺度多分辨率分析的色彩传递算法,帮助观察者获取丰富的场景信息和舒适的观察效果。该算法首先在Y通道将红外和微光图像进行灰度融合;然后将灰度融合图像和彩色参考图像的Y分量做拉普拉斯金字塔分解,比较其金字塔各层系数差异,综合各层系数差异找出最佳匹配点;最后将参考图像中最佳匹配点的 Cb和 Cr值传输到灰度融合图像中,生成最终的具有自然色彩的融合图像。实验结果表明,本文方法生成的彩色融合图像接近自然真实的颜色,有利于人眼对目标的观察与场景的理解。     

基于红外目标分割的图像融合方法研究

针对红外图像中目标图像灰度分布集中,微光图像灰度分布相对均匀的特点,提出了一种先提取红外图像中的热目标,然后以微光图像为背景进行图像融合的方法.实验结果表明,该方法在保留微光图像高空间分辨率和丰富纹理细节信息的同时,又突出了红外图像中的热目标.     

基于目标增强的红外与可见光图像融合算法研究

针对传统多尺度变换融合方法不能有效保留红外图像中热辐射信息及高对比度特征,本文提出了一种基于目标增强多尺度变换的红外和可见光图像融合算法。首先,对可见光图像进行预处理,自适应地提高其对比度。其次,对红外和可见光图像分别使用拉普拉斯金字塔(LP)分解为高频以及低频分量。然后,使用分解后的红外低频信息确定低频段融合权重,并引入参数λ控制融合图像中红外信息比例。最后,使用拉普拉斯金字塔逆变换重构融合图像。实验结果表明,所提出的方法可以生成具有明显突出目标和丰富细节的融合图像,并在主观视觉和客观指标上具有更好的表现。     

微光与红外图像融合手持观察镜光学系统设计

针对微光与红外图像融合手持观察镜展开论述。首先对比分离窗口布局与共用窗口布局的优劣,针对本文所设计的手持观察镜,选择共用窗口布局;其次分析折反射系统的特点,选择折反射与透射组合的图像融合光学型式;第三依据相应指标,对图像融合各个子系统开展光学设计;最后分析图像融合系统所成图像,得出此融合系统成像质量好,分辨率高,实现了图像融合的目的。     

基于频谱分析和图像融合的红外弱小目标增强

利用红外弱小目标灰度的局部极大性在频域往往对应于频谱突变的特性,提出了一种基于频谱分析和图像融合的红外弱小目标增强算法。首先利用图像背景和目标具有不同频谱振幅的特点,提取红外图像的残留频谱,得到潜在目标显著图;然后利用序列图像的冗余信息,在空间域对目标和背景区域分别采用不同融合规则进行多帧融合。实验表明,该方法能够有效增强红外弱小目标的像素数和总能量,且实时性较好。     

基于NSST变换的微光偏振图像融合算法

为进一步提高对微光偏振图像中目标的识别效率,提出了一种基于非下采样剪切波变换(NSST)的偏振图像融合算法。首先,通过融合得到偏振特征图像,将所含偏振信息量较多的偏振度图像和偏振角融合,通过基于区域方差与熵值加权相结合的融合算法得到偏振特征图像。最后,将偏振特征图像与亮度较强的强度图像融合,低频系数的融合采用PCNN与区域能量相结合的规则,高频系数的融合采用区域特性能量的规则。实验结果表明,在主观视觉上,图像观察舒适性较好;并且,通过选取方法的对比,融合后的图像在客观评价指标上,皆优于选取的方法。     

基于颜色传递和目标增强的夜视图像彩色融合

颜色传递是获得夜视图像自然彩色的一种方法,以红外和微光图像为研究对象,提出了一种基于颜色传递和目标增强的夜视图像彩色融合方法。首先结合红外和微光图像各自的特点,采用TNO法生成伪彩色融合图像(目标图像),很好地保留了图像的细节信息,然后选取一幅相近的参考图像,把目标图像和参考图像转换到YCbCr颜色空间进行各个通道一阶(均值)和二阶(标准差)统计量匹配的颜色传递,同时在Cr通道引入一个对比度增强因子来增强图像中的兴趣目标。实验结果表明,文中方法不仅使得夜视图像获得了如白天参考图像般自然、真实的色彩,而且提高了图像的细节,目标也更加突出,更有利于观察者对场景的理解。     

可见光与红外图像增强融合算法研究

提出了自适应图像增强算法，用于可见光和红外图像的融合。首先对输入的可见光图像和红外图像进行自适应增强，然后采用基于图像空间能量窗及归一化互相关测度构造融合图像，利用图像的信息熵评估算法的融合效果，最后给出了一组可见光和红外图像融合的试验结果，表明该算法十分有效，融合图像有丰富的互补信息，有利于人眼观察和目标识别。     

一种易于硬件实现的红外图像实时增强算法

根据红外图像的特性,对常用的图像增强算法进行了详细分析,提出了采用平台直方图均化和增强高通滤波加权平均的红外图像增强算法。该算法具有良好的图像增强能力,且易于采用FPGA达到实时图像增强的效果。     

基于压缩感知的红外与可见光图像融合算法

压缩感知是一种新的信号采样理论,突破了传统的Nyquist采样率须为信号最高频率的2倍以上的定理。对于稀疏信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过重构算法恢复出原信号。提出了一种基于压缩感知的红外与可见光图像融合算法,对图像进行测量,并通过融合算法对测量值进行融合。仿真实验显示,压缩感知能较好地实现图像的融合。     

基于背景抑制和特征点检测的目标检测算法

空域远距离红外目标探测系统中,飞行目标多表现为点状或面状的小目标,像素数少,且常伴有低空地面物体的干扰.根据空域和地面在梯度变化上的不同和目标本身的特性,提出了一种基于地面背景抑制和特征点检测的红外空中目标检测算法.分析了地面和空域在梯度变化上的特点,根据梯度变化大的像素的整体统计信息划分了空域和地面在图像中的分布,再通过特征点检测实现了候选红外飞行目标的检测.该算法适用于纯空域和低空背景,经过对实际采集的大量红外图像的仿真表明,本文提出的算法具有很强的实用性和鲁棒性.     

舰载红外警戒系统目标图像的离群点挖掘算法

针对舰载红外警戒系统目标图像中弱小目标的检测问题,提出了一种基于离群点挖掘的目标检测算法(OBTD)。依据目标与背景在灰度分布上的不同特性,算法将弱小目标视为离群点。分割图像为一系列的子图像,计算子图像中各像素值的局部可达密度,设定阈值挖掘出离群点,得到可能的目标点。算法时间复杂度低,实时性好。试验表明,该算法能有效地检测出图像中的弱小目标,便于进一步的目标识别和跟踪。     

基于激光雷达与红外图像融合的车辆目标识别算法

为了提高车辆目标在不同测试条件下的识别效率,降低系统的漏检率和误检率,提出了一种基于激光雷达与红外图像融合的车辆目标识别算法。该算法利用目标原点矩参量表征目标的红外特征,用匹配相似度表征目标的点云特征,再经过轴系对齐和尺度变换实现图像融合。实验采用激光雷达与红外同轴光路获取的两类数据进行图像融合,再利用目标匹配阈值进行迭代筛选,最终识别车辆目标。对比了1帧、20帧和40帧图像中具有不同属性的车辆目标识别效果,结果显示,本算法输出的目标识别区域正确适当。在1000帧图像的多种测试条件的实验中,本算法的漏检率均小于100,误检率均小于50,明显优于传统的距离向数据分类法和光谱分类法,验证了其具有较好的鲁棒性。     

基于NSST和自适应PCNN的图像融合算法

针对红外和可见光图像的特点,本文提出了一种基于非下采样剪切波变换(NSST)和自适应的脉冲耦合神经网络(PCNN)相结合的红外与可见光图像融合的新算法。对经过NSST变换后的低频子带系数采用带高斯权重分布矩阵的局域方差和方差匹配度相结合的融合规则,对高频子带系数采用一种改进的空间频率作为PCNN输入,且采用改进的拉普拉斯能量和作为PCNN的链接强度,利用PCNN全局耦合性和脉冲同步性选择高频子带系数,最后经NSST逆变换后得到融合结果。实验结果表明,本文提出的算法与传统的图像融合算法相比不仅在主观视觉上取得较好的效果,而且在客观标准上也有了一定的提高。     

基于目标特性分析的红外与微光图像融合算法

目标特性分析是研究目标探测性能的一个重要环节,包括目标(和背景)的辐射特性、辐射的大气传输特性、探测器的成像特性、目标自身特征等。目前对目标特性分析的图像融合算法的研究很少,本文针对这一不足,分析了红外与微光情况下的目标特性,在此基础上,确定了图像融合算法中的加权系数和最终融合图像。对实验结果进行了定性的主观分析,结果表明:基于目标特性分析的红外与微光图像融合算法能够更有效、准确地提取图像中的目标特征,更有利于目标的探测识别。     

基于YOLO算法的红外图像目标检测的改进方法

传统红外图像行人检测方法利用人工进行比例模板设计和行人轮廓特征提取,由于预设模板比例相对固定,当行人因衣着增减、随身携带物品及姿态改变等原因使其轮廓比例发生较大变化时,往往会导致算法失灵而出现漏检现象。而基于深度学习的目标检测则通过对大量样本的本质特征进行抽象、提取、加工和整合,进而实现对更多样特征的学习。因此利用深度学习目标检测算法进行红外图像行人检测应用的研究可以弥补传统检测方法的不足。YOLOv3是目前性能较为均衡的识别算法,本文在分析YOLOv3系列算法的原理和特点的基础上提出了一个新的改进算法模型——Darknet-19-yolo-3,在几乎不损失检测精度的条件下提升检测速度,一定程度上实现检测准确率和速度的相对平衡。