使用显著性检测的可见光和红外图像的两尺度图像融合(Matlab代码实现)

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。

⛳️座右铭:行百里者,半于九十。

📋📋📋本文目录如下:🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码及文献


💥1 概述

文献:

军事、导航和隐藏武器探测需要不同的成像模式,如可见光和红外光,以监测目标场景。这些方式提供了补充信息。为了更好地感知态势,必须将这些图像的补充信息集成到单个图像中。图像融合是将互补的源信息集成到合成图像中的过程。该文提出了一种基于显著性检测和双尺度图像分解的图像融合新方法。该方法是有益的,因为本文引入的视觉显著性提取过程可以很好地突出源图像的显著性信息。提出了一种基于视觉显著性的权重图构建新流程。此过程能够将源图像的视觉重要信息集成到融合图像中。与大多数多尺度图像融合技术相比,所提出的技术仅使用双尺度图像分解。所以它既快速又高效。我们的方法在多个图像对上进行了测试,并通过目视检查和使用客观融合指标进行定性评估。将所提方法的结果与最先进的多尺度融合技术进行了比较。结果表明,所提方法的性能与现有方法相当或优于现有方法。

单个传感器图像捕获可能并不总是提供有关目标场景的完整信息。有时我们需要同一场景的两个或多个图像,以便更好地进行视觉理解。这些图像可以通过使用相同模态的传感器或使用不同模态的多个传感器来捕获,具体取决于应用。这些图像捕获提供互补信息或不同的视觉信息。人类观察者无法可靠地组合和观察这些多个图像捕获的合成图像。来自这些图像的有用或补充信息应集成到单个图像中,以提供比任何一个单个源图像更准确的场景描述。图像融合[1]是将源图像中的互补或有用信息组合或整合到融合图像中的现象。图像融合在数码摄影[2]、[3]、[33]、医学成像[4]、[32]、军事[5]、导航[5]、[6]、隐蔽武器检测[31]、[6]、机器视觉[8]等方面有多种应用。

在军事、导航、隐蔽武器探测等应用中,不同的成像系统,如电荷耦合器件(CCD)或可见光(VI)和前视红外(FLIR)或红外(IR)用于监测目标场景。在这些应用中,由于视觉对比度低,仅从VI图像中很难检测到目标的细节。但它们可以很容易地在红外图像中找到。VI图像能够提供背景细节,如植被、纹理、面积和土壤。为了更好地理解场景,我们需要将来自这些多个图像的有用信息整合到一个图像中。通过连续查看多个图像来获取有意义的信息是一项非常繁琐的任务。然而,融合系统可以整合来自这些互补图像的信息以提供合成图像。

融合过程可以在三个不同级别中的任何一个[1]中执行:像素,目标和符号级别。在像素级别,融合是在共同注册的源图像上逐个像素执行的。在目标级图像融合中,使用从每个源图像派生的属性描述符、特征和对象标签进行融合。符号级图像融合是一种高级融合。在这里,本地决策者来自客观水平的融合结果。最后,将融合用于从这些决策者中提取的概率决策信息。我们对这篇论文的兴趣只在于像素级融合。

本文的其余部分组织如下。第二节回顾了现有的融合技术。在第三节中,解释了建议的方法。第四 节介绍了实验设置。第五节介绍了结果和分析。第六节结束本文。

📚2 运行结果

部分代码:

clc;
clear all;close all;
%% SOURCE IMAGE 1I1=(imread('hoed_A.tif'));
%  
%% SOURCE IMAGE 2% I2=(imread('hoed_B.tif'));%%
tic
N=3;
Med1= medfilt2(I1, [N N]);
M=35;
h=1/(M*M)*ones(M);
b1=imfilter(double(I1),double(h),'circular');
d1=double(I1)-b1; 
S1=(b1-double(Med1)).^2;
Med2= medfilt2(I2, [N N]);
b2=imfilter(double(I2),double(h),'circular');

clc;
clear all;
 close all;
%% SOURCE IMAGE 1

  I1=(imread('hoed_A.tif'));
%  
%% SOURCE IMAGE 2


 I2=(imread('hoed_B.tif'));

%%
tic
N=3;
Med1= medfilt2(I1, [N N]);
M=35;
h=1/(M*M)*ones(M);
b1=imfilter(double(I1),double(h),'circular');
d1=double(I1)-b1; 
S1=(b1-double(Med1)).^2;
Med2= medfilt2(I2, [N N]);
b2=imfilter(double(I2),double(h),'circular');

🎉3 参考文献

文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。

🌈4 Matlab代码及文献

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.xdnf.cn/news/143123.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

树结构数据在table中回显 treeselect disabled

<el-table-column label"产业认定" align"center" prop"industryIdentification"><template slot-scope"scope"><treeselectv-if"scope.row.industryIdentification"v-model"scope.row.industryIdentif…

你听说过推挽电路吗?避免交越失真

推挽电路就是用两个三级管或者场效应管构成的放大电路&#xff0c;这个电路的特点就是输出电阻小&#xff0c;能够驱动大的负载&#xff0c;从而能够使得单片机管脚直接驱动发光二极管、蜂鸣器。上面的三极管是N型三极管&#xff0c;下面的三极管是P型三极管&#xff0c; 当输入…

机器人中的数值优化|【五】BFGS算法非凸/非光滑处理

机器人中的数值优化|【五】BFGS算法的非凸/非光滑处理 往期内容回顾 机器人中的数值优化|【一】数值优化基础 机器人中的数值优化|【二】最速下降法&#xff0c;可行牛顿法的python实现&#xff0c;以Rosenbrock function为例 机器人中的数值优化|【三】无约束优化&#xff0…

Redis的高可用——主从复制、哨兵模式、Redis群集部署

目录 Redis高可用 Redis主从复制 主从复制的作用 主从复制的流程 主从复制部署 Redis哨兵模式 哨兵的核心功能 哨兵模式的作用 哨兵结构的组成 哨兵模式故障转移机制 故障转移过程 哨兵模式部署 Redis群集 集群的作用 Redis集群的数据分片 Redis集群部署 Redi…

手把手教你用 Milvus 和 Towhee 搭建一个 AI 聊天机器人!

作为向量数据库的佼佼者&#xff0c;Milvus 适用于各种需要借助高效和可扩展向量搜索功能的 AI 应用。 举个例子&#xff0c;如果想要搭建一个负责聊天机器人数据管理流程&#xff0c;Milvus 必然是首选向量数据库。那么如何让这个应用程序开发变得易于管理及更好理解&#xff…

构建自动化测试环境:使用Docker和Selenium!

随着软件开发的日益复杂和迭代速度的加快&#xff0c;自动化测试被越来越广泛地应用于软件开发流程中。它能够提高测试效率、减少测试成本&#xff0c;并保证软件质量的稳定性。在构建自动化测试环境方面&#xff0c;Docker 和 Selenium 是两个非常有用的工具。下面将介绍如何使…

cocos2dx查看版本号的方法

打开文件&#xff1a;项目根目录\frameworks\cocos2d-x\docs\RELEASE_NOTES.md 知道引擎版本号的意义&#xff1a; 1.面试中经常被问到(面试官想知道你会不会查版本号&#xff0c;你会查也不一定会去看&#xff0c;如果你去看了说明你是一个有心人&#xff0c;或者想深入研究下…

linux使用操作[3]

文章目录 版权声明环境变量$符号自行设置环境变量 上传、下载rz、sz命令 压缩、解压tar命令压缩tar解压zip 命令压缩文件unzip 命令解压文件 版权声明 本博客的内容基于我个人学习黑马程序员课程的学习笔记整理而成。我特此声明&#xff0c;所有版权属于黑马程序员或相关权利人…

如何利用人才测评系统提升企业招聘效率

公司需要的是能产出价值的员工&#xff0c;但是要想找到完全符合条件的员工&#xff0c;其实并不容易&#xff0c;尽管应聘的人数很多&#xff0c;但不是跳槽的&#xff0c;就是转行的&#xff0c;要么就只能从应届生培养开始了。 从招聘流程上&#xff0c;以现在的模式&…

SoftwareTest3 - 要了人命的Bug

软件测试基础篇 一 . 如何合理的创建一个 Bug二 . Bug 等级2.1 崩溃2.2 严重2.3 一般2.4 次要 三 . Bug 的生命周期四 . 跟开发产生争执应该怎么解决 Hello , 大家好 , 又给大家带来新的专栏喽 ~ 这个专栏是专门为零基础小白从 0 到 1 了解软件测试基础理论设计的 , 虽然还不足…

Rabbit消息的可靠性

生产者重连 消费者重试 Confirm模式简介 消息的confirm确认机制&#xff0c;是指生产者投递消息后&#xff0c;到达了消息服务器Broker里面的exchange交换机&#xff0c;则会给生产者一个应答&#xff0c;生产者接收到应答&#xff0c;用来确定这条消息是否正常的发送到Broker…

适合企业的跨隔离网文件摆渡的四种方式及优缺点

在当今的信息化时代&#xff0c;数据是企业的重要资产&#xff0c;如何有效地管理和传输数据&#xff0c;尤其是跨隔离网的大文件数据&#xff0c;是企业面临的一个挑战。跨隔离网文件摆渡是指在不同安全等级或网络环境的计算机之间传输文件的过程。 目前&#xff0c;市场上常见…

知识图谱01——ubuntu22.04 neo4j安装配置

环境&#xff1a;ubuntu22.04 以上参照自 目录 下载安装包新建conda虚拟环境启动neo4j错误处理 远程配置文件修改可能出现的错误 远程启动python远程访问(下面内容还未尝试&#xff0c;先写) 下载安装包 进入网站https://neo4j.com/deployment-center/#community 由于是ubunt…

Java——》IO

推荐链接&#xff1a; 总结——》【Java】 总结——》【Mysql】 总结——》【Redis】 总结——》【Kafka】 总结——》【Spring】 总结——》【SpringBoot】 总结——》【MyBatis、MyBatis-Plus】 总结——》【Linux】 总结——》【MongoD…

开利网络受邀参与生态合作伙伴和合控股“数利丰”品牌营销会议

近日&#xff0c;开利网络受邀出席生态合作伙伴“数利丰”品牌营销会议&#xff0c;就“数利丰”产品的技术能力和案例沉淀进行分享。 作为“数利丰”项目的技术支持方&#xff0c;开利网络创始人付立军在分享会上表示&#xff0c;现如今&#xff0c;每个企业都至少做过一套系统…

[论文笔记]Prefix Tuning

引言 今天带来微调LLM的第二篇论文笔记Prefix-Tuning。 作者提出了用于自然语言生成任务的prefix-tuning(前缀微调)的方法,固定语言模型的参数而优化一些连续的任务相关的向量,称为prefix。受到了语言模型提示词的启发,允许后续的token序列注意到这些prefix,当成虚拟toke…

【数据结构——单链表】本篇文章通过图文结合的方式能让你轻松的掌握单链表

链表的概念及结构 有了顺序表为什么还会出现链表呢&#xff1f; 链表和数组类似&#xff0c;但是功能比数组强大的多&#xff0c;数组的空间是固定的&#xff0c;在定义数组的时候空间大小就已经固定了&#xff0c;在使用时有可能会造成空间的浪费或者面临空间不够的风险&…

leetcode 23. 合并 K 个升序链表

2023.9.25 本题要合并k个有序链表&#xff0c;最朴素的方法可以联想到之前做的合并两个有序链表。 用一个for循环遍历lists数组&#xff0c;利用合并两个有序链表的代码&#xff0c;不断合并lists中的链表&#xff0c;最后返回头节点即可。 代码如下&#xff1a; /*** Definit…

目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)

文章目录 一、演示多分类效果二、PaddleClas介绍三、代码获取四、数据集获取五、环境搭建六、数据格式分析七、模型训练7.1 模型恢复训练7.2 多卡训练7.3 其他训练指标 八、模型预测九、模型评估十、PaddleClas相关博客 一、演示多分类效果 二、PaddleClas介绍 PaddleClas主要…

PY32F003F18之RTC

一、RTC振荡器 PY32F003F18实时时钟的振荡器是内部RC振荡器&#xff0c;频率为32.768KHz。它也可以使用HSE时钟&#xff0c;不建议使用。HAL库提到LSE振荡器&#xff0c;但PY32F003F18实际上没有这个振荡器。 缺点&#xff1a;CPU掉电后&#xff0c;需要重新配置RTC&#xff…