搜索

文章查询

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度玻尔兹曼模型的红外与可见光图像融合

冯鑫 李川 胡开群

基于深度玻尔兹曼模型的红外与可见光图像融合

冯鑫, 李川, 胡开群
PDF
导出引用
导出核心图
  • 为了克服红外与可见光图像融合时噪声干扰及易产生伪影导致目标轮廓不鲜明、对比度低的缺点,提出一种基于深度模型分割的图像融合方法. 首先,采用深度玻尔兹曼机学习红外与可见光的目标和背景轮廓先验,构建轮廓的深度分割模型,通过Split Bregman迭代算法获取最优能量分割后的红外与可见光图像轮廓;然后再使用非下采样轮廓波变换对源图像进行分解,并针对所分割的背景轮廓采用结构相似度的规则进行系数组合;最后进行非下采样轮廓波反变换重构出融合图像. 数值试验证明,该算法可以有效获取目标和背景轮廓均清晰的融合图像,融合结果不但具有较高的对比度,还能抑制噪声影响,具有有效性.
    • 基金项目: 国家自然科学基金(批准号:51375517)、重庆高校创新团队项目(批准号:KJTD201313)、重庆工商大学校内青年博士基金(批准号:1352007)和重庆市教委自然科学基金(批准号:KJ1400628)资助的课题.
    [1]

    Zhang C, Bai L F, Zhang Y 2007 Acta Phys. Sin. 56 3227(in Chinese)[张闯, 柏连发, 张毅 2007 物理学报 56 3227]

    [2]

    Zhao L Y, Ma Q L, Li X R 2012 Acta Phys. Sin. 61 194204(in Chinese)[赵辽英, 马启良, 厉小润 2012 物理学报 61 194204]

    [3]

    Ma J F, Hou K, Bao S L, Chen C 2011 Chin. Phys. B 20 028701

    [4]

    Wang X Y, Wang Y X, Yun J J 2011 Chin. Phys. B 20 104202

    [5]

    Zheng H, Zheng C, Yan X S 2012 Chin. J. Sci. Instrum. 33 1613(in Chinese)[郑虹, 郑晨, 闫秀生 2012 仪器仪表学报 33 1613]

    [6]

    Wang J, Peng J Y, He G Q 2013 Acta Armament. 34 815(in Chinese)[王珺, 彭进业, 何贵青 2013 兵工学报 34 815]

    [7]

    Gan T, Feng S T, Nie S P 2011 Acta Phys. Sin. 60 114205(in Chinese)[甘甜, 冯少彤, 聂守平 2011 物理学报 60 114205]

    [8]

    Kong W, Lei Y 2011 IET Signal Processing 5 75

    [9]

    Shen Y, Dang J W, Feng X 2013 Spectroscopy and Spectral Analysis 33 1506(in Chinese)[沈瑜, 党建武, 冯鑫 2013 光谱学与光谱分析 33 1506]

    [10]

    Mohamed A, Dahl G, Hinton G 2011 IEEE Trans. Audio, Speech, and Language Process. 12 134

    [11]

    Tang Y 2010 In NIPS Workshop on Transfer Learning by Learning Rich Generative Models Vancouver, B C, Canada, December 6, 2010 p2202

    [12]

    Eslami S M, Heess N, Winn J 2012 Computer Vision and Pattern Recognition Rhode Island Provine, America, 16 June, 2012 p983

    [13]

    Wang Z, Bovik A C 2004 IEEE Trans. Image Process. 13 600

    [14]

    Goldstein T, Bresson X, Osher S 2010 J. Sci. Comput. 45 272

    [15]

    Latech L, Lakamper R, Eckhardt U 2000 IEEE Conference on Computer Vision and Pattern Recognition Hilton Head, June 13, USA, 2000 p424

    [16]

    da Cunha A L, Zhou J P, Do M N 2006 IEEE Trans. Image Process. 15 3089

    [17]

    Le Q V, Ngiam J, Coates A, Ng A Y 2011 28th Int. Conf. Machine Learning Bellevue Washington, USA, June 28, 2011 p1209

    [18]

    Zhang Q, Guo B L 2007 J. Infrared Millim. Waves 26 185 (in Chinese)[张强, 郭宝龙 2007 红外与毫米波学报 26 185]

    [19]

    Li X, Qin Y 2011 IET Image Process 5 141

  • [1]

    Zhang C, Bai L F, Zhang Y 2007 Acta Phys. Sin. 56 3227(in Chinese)[张闯, 柏连发, 张毅 2007 物理学报 56 3227]

    [2]

    Zhao L Y, Ma Q L, Li X R 2012 Acta Phys. Sin. 61 194204(in Chinese)[赵辽英, 马启良, 厉小润 2012 物理学报 61 194204]

    [3]

    Ma J F, Hou K, Bao S L, Chen C 2011 Chin. Phys. B 20 028701

    [4]

    Wang X Y, Wang Y X, Yun J J 2011 Chin. Phys. B 20 104202

    [5]

    Zheng H, Zheng C, Yan X S 2012 Chin. J. Sci. Instrum. 33 1613(in Chinese)[郑虹, 郑晨, 闫秀生 2012 仪器仪表学报 33 1613]

    [6]

    Wang J, Peng J Y, He G Q 2013 Acta Armament. 34 815(in Chinese)[王珺, 彭进业, 何贵青 2013 兵工学报 34 815]

    [7]

    Gan T, Feng S T, Nie S P 2011 Acta Phys. Sin. 60 114205(in Chinese)[甘甜, 冯少彤, 聂守平 2011 物理学报 60 114205]

    [8]

    Kong W, Lei Y 2011 IET Signal Processing 5 75

    [9]

    Shen Y, Dang J W, Feng X 2013 Spectroscopy and Spectral Analysis 33 1506(in Chinese)[沈瑜, 党建武, 冯鑫 2013 光谱学与光谱分析 33 1506]

    [10]

    Mohamed A, Dahl G, Hinton G 2011 IEEE Trans. Audio, Speech, and Language Process. 12 134

    [11]

    Tang Y 2010 In NIPS Workshop on Transfer Learning by Learning Rich Generative Models Vancouver, B C, Canada, December 6, 2010 p2202

    [12]

    Eslami S M, Heess N, Winn J 2012 Computer Vision and Pattern Recognition Rhode Island Provine, America, 16 June, 2012 p983

    [13]

    Wang Z, Bovik A C 2004 IEEE Trans. Image Process. 13 600

    [14]

    Goldstein T, Bresson X, Osher S 2010 J. Sci. Comput. 45 272

    [15]

    Latech L, Lakamper R, Eckhardt U 2000 IEEE Conference on Computer Vision and Pattern Recognition Hilton Head, June 13, USA, 2000 p424

    [16]

    da Cunha A L, Zhou J P, Do M N 2006 IEEE Trans. Image Process. 15 3089

    [17]

    Le Q V, Ngiam J, Coates A, Ng A Y 2011 28th Int. Conf. Machine Learning Bellevue Washington, USA, June 28, 2011 p1209

    [18]

    Zhang Q, Guo B L 2007 J. Infrared Millim. Waves 26 185 (in Chinese)[张强, 郭宝龙 2007 红外与毫米波学报 26 185]

    [19]

    Li X, Qin Y 2011 IET Image Process 5 141

  • [1] 甘甜, 冯少彤, 聂守平, 朱竹青. 基于分块DCT变换编码的小波域多幅图像融合算法. 物理学报, 2011, 60(11): 114205. doi: 10.7498/aps.60.114205
    [2] 赵文达, 赵建, 续志军. 基于结构张量的变分多源图像融合. 物理学报, 2013, 62(21): 214204. doi: 10.7498/aps.62.214204
    [3] 张 闯, 柏连发, 张 毅. 基于灰度空间相关性的双谱微光图像融合方法. 物理学报, 2007, 56(6): 3227-3233. doi: 10.7498/aps.56.3227
    [4] 蒋燕华, 陈佳民, 施娟, 周锦阳, 李华兵. 三角波脉动流通栓的晶格玻尔兹曼方法模型. 物理学报, 2016, 65(7): 074701. doi: 10.7498/aps.65.074701
    [5] 周锦阳, 施娟, 陈佳民, 李华兵. 脉动流血液通栓的晶格玻尔兹曼模型. 物理学报, 2014, 63(19): 194701. doi: 10.7498/aps.63.194701
    [6] 邓敏艺, 孔令江, 刘慕仁, 施 娟, 李华兵. 用晶格玻尔兹曼方法研究螺旋波的产生机制和演化行为. 物理学报, 2007, 56(4): 2012-2017. doi: 10.7498/aps.56.2012
    [7] 刘飞飞, 魏守水, 魏长智, 任晓飞. 基于速度源修正的浸入边界-晶格玻尔兹曼法研究仿生微流体驱动模型. 物理学报, 2014, 63(19): 194704. doi: 10.7498/aps.63.194704
    [8] 赵辽英, 马启良, 厉小润. 基于HIS 小波变换和MOPSO的全色与多光谱图像融合 . 物理学报, 2012, 61(19): 194204. doi: 10.7498/aps.61.194204
    [9] 杨卓群, 吴亚波, 鲁军旺, 张成园, 张雪. Lifshitz时空s波超导模型的关联长度和穿透深度. 物理学报, 2016, 65(4): 040401. doi: 10.7498/aps.65.040401
    [10] 何祚庥, 张肇西, 谢诒成. 层子模型和高能电子深度非弹性散射. 物理学报, 1975, 142(2): 115-123. doi: 10.7498/aps.24.115
  • 引用本文:
    Citation:
计量
  • 文章访问数:  687
  • PDF下载量:  6605
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-02-19
  • 修回日期:  2014-05-01
  • 刊出日期:  2014-09-20

基于深度玻尔兹曼模型的红外与可见光图像融合

  • 1. 重庆工商大学机械工程学院, 制造装备机构设计与控制重庆市重点实验室, 重庆 400067
    基金项目: 

    国家自然科学基金(批准号:51375517)、重庆高校创新团队项目(批准号:KJTD201313)、重庆工商大学校内青年博士基金(批准号:1352007)和重庆市教委自然科学基金(批准号:KJ1400628)资助的课题.

摘要: 为了克服红外与可见光图像融合时噪声干扰及易产生伪影导致目标轮廓不鲜明、对比度低的缺点,提出一种基于深度模型分割的图像融合方法. 首先,采用深度玻尔兹曼机学习红外与可见光的目标和背景轮廓先验,构建轮廓的深度分割模型,通过Split Bregman迭代算法获取最优能量分割后的红外与可见光图像轮廓;然后再使用非下采样轮廓波变换对源图像进行分解,并针对所分割的背景轮廓采用结构相似度的规则进行系数组合;最后进行非下采样轮廓波反变换重构出融合图像. 数值试验证明,该算法可以有效获取目标和背景轮廓均清晰的融合图像,融合结果不但具有较高的对比度,还能抑制噪声影响,具有有效性.

English Abstract

参考文献 (19)

目录

    /

    返回文章
    返回