當(dāng)前紅外單波段數(shù)據(jù)不能全面反映圖像細(xì)節(jié)以及輪廓信息,弱小目標(biāo)成像后難以抵抗背景干擾,使得圖像產(chǎn)生較低的信噪比。因此有必要利用不同波段數(shù)據(jù)的紋理差異性,通過(guò)互補(bǔ)融合方法提高圖像的信噪比�；诖�,提出一種基于小波變換與特征提取的融合方法。首先將多源圖像進(jìn)行多尺度二維分解,獲得各圖像的低頻信息與高頻信息,在此基礎(chǔ)上,高頻信息采取絕對(duì)值取大的融合方法,低頻信息采取加權(quán)求平均的融合方法,進(jìn)而重構(gòu)圖像。然后,利用特征提取方法得到中波與長(zhǎng)波特征圖像。最后對(duì)重構(gòu)圖像與紅外中長(zhǎng)波特征圖像進(jìn)行對(duì)比度調(diào)制再融合。融合結(jié)果與多種融合算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明,該算法能夠增強(qiáng)圖像中弱小目標(biāo)的灰度,可以很好地識(shí)別目標(biāo),解決了圖像中弱小目標(biāo)抗背景干擾的問(wèn)題。 

【文章來(lái)源】：西北工業(yè)大學(xué)學(xué)報(bào). 2020年04期 北大核心

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

圖像融合整體框架

海面背景下船只目標(biāo)融合結(jié)果

圖7 海面背景下船只目標(biāo)融合結(jié)果通過(guò)比較3類(lèi)場(chǎng)景下各算法融合結(jié)果可以明顯看出,使用本文提出的小波變換與特征提取融合算法具有明顯的差異特性,圖像紋理輪廓清晰且弱小目標(biāo)容易從復(fù)雜背景中識(shí)別出來(lái)。其他算法融合效果較差,如地物背景下的DWT、SR算法所得結(jié)果邊緣紋理模糊、圖像對(duì)比度低,不利于從復(fù)雜地物背景中區(qū)分出人物目標(biāo)。海面背景下SR算法中整體圖像質(zhì)量偏差,圖像的紋理特征有所弱化。天空背景下DWT與SR算法融合結(jié)果顯示的背景信息不明顯,導(dǎo)致圖像的邊緣輪廓清晰度降低。3類(lèi)場(chǎng)景中WTGMF算法結(jié)果顯示背景較暗,目標(biāo)隱現(xiàn)。NSCT、CNN與ResNet-ZPCA算法相比于其他算法在對(duì)比度、亮度、邊緣保持度上都符合人眼視覺(jué)。

【參考文獻(xiàn)】：
期刊論文
[1]基于SSIM的自適應(yīng)樣本塊圖像修復(fù)算法[J]. 何凱,�？』�,沈成南,盧雯霞.  天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版). 2018(07)
[2]一種基于稀疏表示的可見(jiàn)光與紅外圖像融合方法[J]. 張生偉,李偉,趙雪景.  電光與控制. 2017(06)
[3]紅外雙波段點(diǎn)目標(biāo)雙色比分析與處理[J]. 王文博,王英瑞.  紅外與激光工程. 2015(08)
[4]基于小波變換和鄰域特征的多聚焦圖像融合算法[J]. 郭雷,程塨,趙天云.  西北工業(yè)大學(xué)學(xué)報(bào). 2011(03)
[5]基于非下采樣Contourlet變換的自適應(yīng)圖像融合算法[J]. 郭雷,劉坤.  西北工業(yè)大學(xué)學(xué)報(bào). 2009(02)
[6]基于小波變換與灰度形態(tài)學(xué)濾波的雙波段紅外圖像弱目標(biāo)融合檢測(cè)[J]. 李秋華,王厚生,鄒自力,沈振康,李吉成.  信號(hào)處理. 2006(03)



本文編號(hào)：2942300