汕头大学 工学院 机械工程系, 广东 汕头 515063
视差不连续区域和重复纹理区域的误匹配率高一直是影响双目立体匹配测量精度的主要问题，为此，本文提出一种基于多特征融合的立体匹配算法。首先，在代价计算阶段，通过高斯加权法赋予邻域像素点的权值，从而优化绝对差之和（Sum of Absolute Differences，SAD）算法的计算精度。接着，基于Census变换改进二进制链码方式，将邻域内像素的平均灰度值与梯度图像的灰度均值相融合，进而建立左右图像对应点的判断依据并优化其编码长度。然后，构建基于十字交叉法与改进的引导滤波器相融合的聚合方法，从而实现视差值再分配，以降低误匹配率。最后，通过赢家通吃（Winner Take All，WTA）算法获取初始视差，并采用左右一致性检测方法及亚像素法提高匹配精度，从而获取最终的视差结果。实验结果表明，在Middlebury数据集的测试中，所提SAD-Census算法的平均非遮挡区域和全部区域的误匹配率为分别为2.67%和5.69%，测量200~900 mm距离的平均误差小于2%；而实际三维测量的最大误差为1.5%。实验结果检验了所提算法的有效性和可靠性。
机器视觉 立体匹配 SAD-Census变换 十字交叉法 引导滤波 machine vision stereo matching SAD-Census transform cross method guided filtering
1 南京理工大学机械工程学院，江苏 南京 210094
2 南京理工大学智能弹药国防重点实验室，江苏 南京 210094
针对传统多尺度融合方法不能突出目标信息、融合图像缺失细节与纹理的问题，提出一种基于梯度域引导滤波和显著性检测的红外与可见光图像融合方法。该方法利用梯度域引导滤波将输入图像分解为基础层和细节层，同时利用加权的全局对比度方法将基础层分解为特征层以及差异层。在融合过程中，分别采用相位一致性组合加权局部能量、局部熵结合加权最小二乘优化、平均规则来融合特征层、差异层、细节层。实验结果表明，所提融合方法的多项指标相对于其他方法提升较多，且图像视觉效果更好，在突出目标信息、保留轮廓细节、提高对比度和清晰度方面十分有效。
图像融合 引导滤波 显著性分析 多尺度分解 激光与光电子学进展
2024, 61(8): 0837010
1 中国科学技术大学生物医学工程学院（苏州）生命科学与医学部，江苏 苏州 215163
2 中国科学院苏州生物医学工程技术研究所医用光学技术研究室，江苏 苏州 215163
在显微成像过程中，受系统景深限制，沿光轴方向不同层面之间聚焦位置存在显著差异，同时不同层面的显微图像存在部分聚焦区域重叠，现有多聚焦融合算法往往无法并行提取和融合多幅显微图像中最清晰的聚焦部分。提出一种多聚焦显微图像融合算法，首先构造了一种类高斯四邻域梯度算子并结合快速引导滤波，实现高频聚焦信息的提取；同时针对大视场显微图像序列中存在聚焦信息重叠、像素数量大的情况，引入了一种小区域聚焦度量方法，提高了对聚焦清晰区域高频信息提取的能力，实现了多图最佳聚焦点的融合。拍摄3组包括4 mm和2 mm对角线视场的多聚焦显微图像序列进行测试，相较5种常用多聚焦图像融合算法，所提算法的峰值信噪比平均提高了2.4772，结构相似性指数达0.9400以上，对聚焦清晰区域有更好的融合效果，融合图像细节丰富且清晰度高，能够满足大视场多聚焦显微图像融合的准确性要求。
图像处理 多聚焦显微图像 引导滤波 聚焦信息检测 多图融合 激光与光电子学进展
2024, 61(6): 0618022
昆明理工大学国土资源工程学院，云南 昆明 650093
针对红外与可见光图像融合过程中细节信息丢失过多、融合结果纹理不清晰、对比度不高等问题，提出一种基于图像增强和二次非下采样轮廓波变换（NSCT）分解的红外与可见光图像融合方法。首先，对可见光图像采用基于引导滤波的图像增强算法提升图像可视性。其次，对增强后的可见光图像和红外图像分别进行NSCT分解得到低频子带和高频子带，并且在不同子带间使用不同的融合规则，得出一次融合图像的NSCT系数。然后，对一次融合图像的NSCT系数重构再分解为高频子带和低频子带并分别与可见光图像的高低频子带融合得到二次融合图像的NSCT系数。最后，对二次融合图像的NSCT系数进行逆变换重构得到最终的融合图像。利用公共数据集进行大量试验，使用8种评估指标，与8种基于多尺度的融合方法对比。实验结果表明：所提方法能保留更多源图像中的细节信息，还能提高融合结果的边缘轮廓清晰度、整体对比度，在主观视觉和评价指标上都存在优势。
图像融合 引导滤波 高频子带 低频子带 激光与光电子学进展
2024, 61(4): 0437001
1 宁夏师范学院数学与计算机科学学院, 宁夏固原 756000
2 宁夏师范学院资源环境与生命科学学院, 宁夏固原 756000
为了降低多尺度分解融合算法的复杂性, 并提高融合图像适应人类视觉特点, 本文提出一种基于引导滤波二尺度分解的红外与可见光图像融合的方法。首先利用引导滤波对可见光图像实施增强的图像预处理, 然后利用引导滤波将源图像分解为基础层和细节层。在细节层的融合规则中我们采用能量保护和细节提取的方法, 最后将融合后的细节层与基础层合成融合结果。实验结果表明所给方法在提高视觉感知、细节处理、边缘保护等方面都有良好的效果。本文最后还讨论了可见光图像增强对融合方法的影响: 从实验数据可知, 增强可以提升融合效果, 但在图像融合中融合方法才是关键。
引导滤波的二尺度分解 图像增强 能量保护 two scale decomposition of guided filtering, image
1 中国空空导弹研究院，河南洛阳 471009
2 2. 航空制导武器航空科技重点实验室，河南洛阳 471009
由于红外焦平面探测器受到制造工艺等限制，图像不可避免地会存在非均匀性。传统神经网络算法会留下“鬼影”的问题，本文改进传统神经网络算法，利用引导滤波图像作为期望模板，防止图像的边缘被滤波器平滑。当场景运动时，通过时域迭代的策略来不断进行非均匀性校正参数的更新。为了抑制算法中常见的鬼影现象，设计了基于空域局部方差和时域场景变化率相结合的自适应学习率，利用前后的校正参数自适应调整阈值。实验仿真表明，本文所提的算法相比于传统算法均方根误差下降 45.45%左右，可以在校正图像非均匀性的同时很好地抑制“鬼影”现象。
红外焦平面 非均匀性校正 基于场景 神经网络 引导滤波 infrared focal plane, non-uniformity correction, s
江苏商贸职业学院 电子与信息学院, 江苏 南通 226011
针对红外夜视遥感系统成像质量差的问题, 提出一种目标与背景分离的多模态图像融合方法来改善红外夜视的成像质量。一方面, 采用注意力U-Net对红外与可见光图像的目标区域进行分割与融合处理, 利用U-Net强大的学习能力充分保留原图像中的目标信息; 另一方面, 通过引导滤波器对红外与可见光图像的背景区域进行分解, 采取不同的融合策略处理基层信息与细节层信息, 增强背景中的显著区域。在TNO数据集上的对比实验结果表明, 该方法在主观视觉评价与客观量化评价两方面均优于其它对比方法。
红外夜视系统 图像融合 图像质量增强 深度神经网络 引导滤波器 infrared night vision system image fusion image quality enhancement deep neural networks guided filter
江苏海洋大学电子工程学院，江苏连云港 222005
图像融合技术旨在解决单模态图像呈现信息不充分、不全面的问题。本文针对红外和可见光图像的融合，提出了一种新的在非下采样剪切波变换（Non-Subsampled Shearlet Transform, NSST）域下基于引导滤波（Guided Filter, GF）和稀疏表示（Sparse Representation, SR）的融合算法。具体地，①利用 NSST对红外与可见光图像分别进行分解，以得到各自的高频子带图像和低频子带图像；②使用 GF加权融合策略对高频子带图像进行融合；③使用滚动引导滤波器（Rolling Guidance Filter, RGF）将低频子带图像进一步分解为基础层和细节层：其中基础层采用 SR进行融合，细节层利用基于一致性验证的局部最大值策略进行融合；④对融合后的高频子带和低频子带图像进行 NSST反变换，从而得到最终的融合结果。在公开数据集上的实验结果表明，相较于其它一些方法，本文方法得到的融合结果的纹理细节信息更丰富、主观视觉效果更好，此外，本文算法所得融合结果的客观评价指标也相对占优。
图像处理 图像融合 红外图像 非下采样剪切波 引导滤波 稀疏表示 image processing, image fusion, infrared image, no
昆明理工大学国土资源工程学院，云南昆明 650093
为解决可见光图像可视性差与如何精确控制可见光与红外图像输入量的问题，本文提出一种结合图像自适应增强与独立性、聚焦度、对象性等显著性检测的可见光与红外图像融合算法。首先在可见光图像中引入自适应增强算法提高图像纹理细节的可见性，并对红外图像归一化处理，其次将处理后的图像利用引导滤波分解为细节层与基础层，利用显著性检测生成细节层的权重图，提高细节层中可见光图像背景信息与红外图像边缘信息的精确融合量，最终将依据权重值融合后的细节层与基础层组合得到最终的融合图像。为验证本文算法的优越性，选取图像熵、平均梯度、边缘强度、空间频率、视觉保真度、平均灰度等 6种融合评价指标对融合图像定量分析，并利用 YOLO v5（You Only Look Once）网络对各融合算法进行目标检测，结果表明本文算法在融合定性评价、定量评价与目标检测评价指标平均精度中达到最优。
图像融合 目标检测 引导滤波 多尺度分解 显著性检测 image fusion, target detection, guide the filterin
阎雨梦 1,2,3,**张元 1,2,3,*庞敏 1,2,3熊风光 1,2,3杨晓文 1,2,3
1 中北大学计算机科学与技术学院，山西 太原 030051
2 机器视觉与虚拟现实山西省重点实验室，山西 太原 030051
3 山西省视觉信息处理及智能机器人工程研究中心，山西 太原 030051
针对点云去噪过程中难以分离和去除贴近模型表面的噪声，或者去除时会损失有效数据点的问题，提出一种改进的点云引导滤波算法。首先使用统计滤波筛选出较难平滑的噪声，并进行初次引导滤波，降低平滑难度较大的噪声对整体滤波效果的影响；然后根据点云各点的几何特征，自适应地调整权重参数，并将其代入改进的引导滤波算法中，对点云整体进行二次引导滤波，利用自适应的权重参数，得到更加光滑且保留有效数据点的点云数据。实验结果表明，所提算法对噪声点云的平滑效果更明显，处理后的点云模型有较明显的边缘线条，较难平滑的噪声也能得到很好处理。
图像处理 点云滤波 统计滤波 点云引导滤波 点云曲率 激光与光电子学进展
2023, 60(22): 2211006
