基于MSPCNN与FCM的红外与可见光图像融合

邸敬, 王国栋, 马帅, 廉敬

邸敬, 王国栋, 马帅, 廉敬. 基于MSPCNN与FCM的红外与可见光图像融合[J]. 红外技术, 2023, 45(1): 69-76.
引用本文: 邸敬, 王国栋, 马帅, 廉敬. 基于MSPCNN与FCM的红外与可见光图像融合[J]. 红外技术, 2023, 45(1): 69-76.
DI Jing, WANG Guodong, MA Shuai, LIAN Jing. Infrared and Visible Image Fusion Based on MSPCNN and FCM[J]. Infrared Technology , 2023, 45(1): 69-76.
Citation: DI Jing, WANG Guodong, MA Shuai, LIAN Jing. Infrared and Visible Image Fusion Based on MSPCNN and FCM[J]. Infrared Technology , 2023, 45(1): 69-76.

基于MSPCNN与FCM的红外与可见光图像融合

基金项目: 

甘肃省科技技术资助 22JR5RA360

国家自然科学基金 62061023

国家自然科学基金 61941109

甘肃省高等学校创新能力提升项目 2019B-052

甘肃省杰出青年基金 21JR7RA345

详细信息
    作者简介:

    邸敬(1979-),女,甘肃兰州人,硕士,副教授,硕士生导师,主要从事图像检测识别、信号处理技术和宽带无线通信方面的研究。E-mail: 46891771@qq.com

  • 中图分类号: TP391.9

Infrared and Visible Image Fusion Based on MSPCNN and FCM

  • 摘要: 针对红外和可见光图像融合存在的轮廓信息不全、边缘及纹理细节信息缺失等问题,提出一种改进简化脉冲耦合神经网络(Improved Simplified Pulse Coupled Neural Network, MSPCNN)和模糊C-均值(Fuzzy C-mean, FCM)图像融合算法。首先,将红外和可见光图像用非下采样剪切波算法(Non-Subsampled Shearlet Transform,NSST)分解为高低频子带;然后对分解后的高频子带采用MSPCNN融合,用一种高斯分布权重矩阵进行处理,增强细节信息和对比度;接着,将得到的低频子带图像使用FCM聚类算法进行聚类中心提取,设置聚类中心近似阈值简化过程,实现背景分类提取;最后利NSST进行逆变换,从而完成红外和可见光的图像融合过程。通过客观评价指标计算,本文所提方法在平均梯度、标准差、平均相似度等参考指标上相对于其他同类型算法均有改善提高,由于模型参数的简化,算法运行速度相对于其他算法得到提升,算法更适用于复杂场景。
    Abstract: Aiming at the problems of incomplete contour information, missing edge and texture details in infrared and visible image fusion, A Improved Simplified Pulse Coupled Neural Network (MSPCNN) and Fuzzy C-mean (FCM) image fusion algorithm is proposed. First, infrared and visible images were decomposed into high and low frequency sub-bands using the Non-Subsampled Shearlet Transform (NSST).Then MSPCNN is used to fuse the decomposed high frequency subband, and a Gaussian distribution weight matrix is used for processing to enhance the detail information and contrast. Then, the obtained low-frequency sub-band images were extracted by using FCM clustering algorithm, and the approximate threshold of clustering center was set to simplify the process to achieve background classification extraction.Finally, the inverse transformation of NSST is carried out to complete the infrared and visible image fusion process.Through objective evaluation index calculation, compared with other algorithms of the same type, the method proposed in this paper has been improved in terms of average gradient, standard deviation, average similarity and other reference indexes. As the running speed of simplified algorithm of model parameters has been improved, the timeliness of the algorithm in this paper has been improved compared with other algorithms, and the algorithm is more suitable for complex scenarios.
  • 折射率n和消光系数k称为物质的光学常数,这两个参量是随光波长变化的,但习惯称为常数。在电磁波理论中,光谱反射率和透射率等光学性质可用物质的光学常数来描述,因此可通过测量光学性质来确定光学常数。方法主要有双光谱反演法[1]、反射光谱反演法[2]、透射光谱反演法[3-5]、双厚度透射光谱反演法[6-7]

    Bohren和Huffman[8]用电磁波理论建立了平板材料的光谱透射率模型、以及只考虑光在平板内的多次反射,而忽略干涉效应时的非相干透射率模型。基于前者,Tuntomo[6]等人采用玻璃-液体-玻璃三层平板结构,测量两个不同厚度液体的光谱透射率,在忽略玻璃影响的情形下通过迭代法反演确定了碳氢燃料庚烷和癸烷的光学常数。基于非相干透射率模型,李全葆等人[7]通过测量不同厚度碲镉汞晶片的光谱透射率,采用迭代法求解了碲镉汞的光学常数;苏星等人[9]测量了一种红外硒化物玻璃的光学常数。李栋等人[10-12]以上述研究为基础,提出了多种改进透射率模型及反演算法,提高了三层平板结构测量液体光学常数的精度;王程超等人[13]基于射线踪迹法推导了三层结构系统的总透射率模型,并采用粒子群优化算法(Particle Swarm Optimization, PSO)进行反演计算了生物柴油的光学常数。

    因为多层结构的存在,上述测量液体光学常数的透射率模型和反演算法较为复杂。但对于半透明固体材料,如石英、金刚石、砷化镓、氟化镁和硒化锌等红外光学材料在光学窗口、像质改善和液体光学测量等方面有重要应用。这类固体材料可制备成单一材料结构并基于双厚度透射率模型测量其光学常数,这种情况下主要研究反演算法。如李栋等人[14-15]提出了简化方程迭代法(Simplifie-Equation Iterative, SEI)和蒙特卡洛法(Monte-Carlo, MC);吴国忠等人[16]对SEI、MC和PSO三种方法做了比较研究,结论是PSO方法精度更高。

    使用反演迭代法确定光学常数的方法计算耗时且存在迭代误差,上述学者在反演算法的设计、精度提升及误差减小上做了很多研究,但直接去求解双厚度透射率方程的尝试还未见报道。本文在这一方面做了探索,只要将双厚度透射率模型中的两个厚度设定为2倍关系,则经过代数推导,即可获得与衰减系数(可换算出消光系数)有关的八次多项式方程,以及关于界面反射率的一元二次方程。这两个方程均可求得精确数值解或解析解,从而避免了反演算法的耗时和误差。本文以文献[6]中庚烷的光学常数作为“理论值”,代入双厚度透射率方程计算的透射率作为“实验数据”,用多项式求根的方法确定庚烷的折射率n和消光系数k,验证了本文方法的可靠性。最后分析了双厚度偏离2倍关系时对计算结果的影响。

    设半透明平板材料的折射率、消光系数分别为nk,则衰减系数α=4πk/λ,其中λ为光波长。将平板材料置于空气(折射率为1,消光系数为0)中,当光线垂直入射时,根据菲涅耳定律和斯涅耳定律,在平板材料与空气分界面上的界面反射率R=[(n-1)2+k2]/[(n+1)2+k2]。由于平板材料有两个界面,考虑光在平板内的多次反射,而忽略干涉效应时,光垂直通过厚度为Li的平板后的透射率Ti可表示为[8]

    $$ T_i=(1-R)^2 \exp \left(-\alpha L_i\right) /\left[1-R^2 \exp \left(-2 \alpha L_i\right)\right] $$ (1)

    则光通过厚度为L和2L的平板材料后的透射率ab分别用式(2)、式(3)表示:

    $$ a=(1-R)^{2}y/(1-R^{2}y^{2})$$ (2)
    $$ b=(1-R)^{2}y^{2}/(1-R^{2}y^{4})$$ (3)

    式中:y=exp(-αL)。给式(2)两侧同乘以y,联立式(3)消去两式右侧的分子,有:

    $$ ay-b=(ay-by^{2})y^{2}R^{2} $$ (4)

    将式(4)中的R代入式(2),经过代数运算可得:

    $$ \begin{aligned} f(y)= & p_8 y^8+p_7 y^7+p_6 y^6+p_5 y^5+p_4 y^4+p_3 y^3+p_2 y^2+ \\ & p_1 y+p_0=0 \end{aligned}$$ (5)

    式中:p8=b2p7=-2ab(1+b),p6=a2(1+b)2p5=2ab(1+b),p4=-2(a2+a2b2+b2),p3=2ab(1-b),p2=a2(1-b)2p1=-2ab(1-b),p0=b2,式(5)是关于y的一元八次多项式方程,通过数值求解可得到其8个根,但只有满足0<y<1的根才有实际物理意义。则平板材料的衰减系数和消光系数分为:

    $$ \alpha=-\ln (y) / L$$ (6)
    $$ k=-\lambda \ln (y) /(4 {\rm{ \mathsf{ π} }} L)$$ (7)

    另由式(2)可得:

    $$ R^{2}(ay^{2}+y)-2yR+(y-a)=0 $$ (8)

    式(8)是关于R的一元二次方程,由于其判别式非负,又因0<R<1,则方程(8)的解为:

    $$ R = (1 - \sqrt {a(a - y + 1/y)} )/(ay + 1) $$ (9)

    则平板材料的折射率为:

    $$ n = (1 + R)/(1 - R) + \sqrt {{{(1 + R)}^2}/{{(1 - R)}^2} - (1 + {k^2})} $$ (10)

    只要测量出L、2L两种厚度下的光谱透射率ab,可由式(5)求多项式方程的根,再由式(6)、式(7)和式(10)计算出衰减系数、消光系数和折射率。上述方法不必经过耗时的反演迭代来确定光学常数(多项式求根所用计算时间可忽略不计),所以结果中不存在反演误差。

    本文采用文献[6]中庚烷在2.5~15 μm的光学常数作为“理论值”。将上述光学常数代入式(2)、式(3),计算厚度分别为L=15 μm和2L=30 μm下的透射率作为“实验数据”,然后利用多项式求根的方法确定庚烷的光学常数,通过比较计算结果与理论值的相对误差来验证本文方法的可靠性。需要指出,由于本文透射率模型与文献[6]的透射率模型不同,这里的“实验数据”与文献[6]的真实实验数据是有差别的。此处仅是借用文献[6]的数据构造了适合本文透射率模型的“实验数据”来代替实际实验,其好处是可以避免实际实验的其他误差而专门研究多项式求根方法的可靠性。

    基于多项式求根方法确定的庚烷光学常数如图 1所示,消光系数有3个峰值,对应3个强吸收带。从消光系数和折射率的相对误差可以看出计算结果与理论值符合得很好,其中消光系数的最大相对误差为-9.4×10-7%,折射率的最大相对误差为1.4×10-5%。结果表明本文方法确定光学常数没有反演迭代误差。

    图  1  基于多项式求根方法确定文献[6]中庚烷的光学常数
    Figure  1.  Determination of the optical constant of heptane in reference [6] based on polynomial root method

    由于本文方法要求材料的两个厚度成2倍关系,如果第二厚度的制备或测量存在误差,则会导致计算结果出现误差。假定第二个厚度2L存在1%和5%的误差,则实际的厚度为(2±0.02)L和(2±0.1)L,不妨取1.98L和1.9L,则相应的透射率为b′=(1-R)2y1.98/(1-R2y3.96)和b″=(1-R)2y1.9/(1-R2y3.9)。将文献[6]中庚烷的光学常数代入此处公式计算的透射率作为“实验数据”,但仍按照基于2倍厚度关系推导的多项式方程来计算光学常数,通过比较计算结果与理论值的相对误差来评估厚度偏离2倍关系时对计算结果的影响,结果分别如图 23图 45所示。

    图  2  第二厚度2L存在1%误差时k的计算误差
    Figure  2.  Calculation error of k when the second thickness 2L has 1% error
    图  3  第二厚度2L存在1%误差时n的计算误差
    Figure  3.  Calculation error of n when the second thickness 2L has 1% error
    图  4  第二厚度2L存在5%误差时k的计算误差
    Figure  4.  Calculation error of k when the second thickness 2L has 5% error
    图  5  第二厚度2L存在5%误差时n的计算误差
    Figure  5.  Calculation error of n when the second thickness 2L has 5% error

    图 23所示,第二个厚度2L存在1%的误差时,消光系数的相对误差在(2~2.03)%之内,而折射率在3.4 μm、6.8 μm、13.8 μm吸收带的误差较大,分别为26.9%、3.8%和1.3%,其余波长处的误差不超过1%。可见,不考虑强吸收点,就整个波段范围来看,由于厚度不满足2倍关系对消光系数计算结果的影响大于折射率;但在强吸收点,同样的厚度改变,由于k值较大所造成的透过率的相对误差就比较大,折射率的计算对此比较敏感,而消光系数的计算却不敏感。

    图 45所示,第二个厚度2L存在5%的误差时,消光系数的相对误差在(10~10.15)%之内,而折射率在3.4 μm、6.8 μm、13.8 μm吸收带的误差较大,分别为134.9%、18.5%和6.4%,其余波长处的误差不超过3.5%。其结论与厚度存在1%误差时的情形相似。再比较厚度误差1%和5%的计算结果,可以看出当厚度误差扩大5倍时,消光系数、强吸收点折射率的计算误差也扩大5倍左右,但其余波长处折射率的计算误差仅扩大3.5倍,对厚度的误差相对不敏感。

    基于传统的双厚度透射率模型,在将两个厚度设定为2倍关系时,可获得与衰减系数有关的八次多项式方程,以及关于界面反射率的一元二次方程。通过多项式方程求根的方法实现了光学常数的确定,从而避免了反演迭代法的耗时和误差。借用文献[6]中庚烷的光学常数验证了本文方法的可靠性,除了个别的强吸收点,即使模型中的两个厚度偏离2倍关系时本方法仍能获得较好的计算结果。

  • 图  1   NSST变换分解过程

    Figure  1.   NSST transform decomposition process

    图  2   MSPCNN模型

    Figure  2.   Model diagram of MSPCNN

    图  3   MSPCNN与FCM结合的图像融合模型

    Figure  3.   Image fusion model based on MSPCNN and FCM

    图  4   不同算法在6种不同场景下的融合图像

    Figure  4.   Fusion images of different algorithms in six different scenes

    表  1   不同方法的客观评价指标均值

    Table  1   Objective evaluation index mean value of different methods

    Image Algorithm AVG SSIM QAB/F PSN SF FD
    First PCA 3.4672 0.7171 0.4166 19.5587 8.1563 4.2357
    NSCT-PCNN 2.6693 0.7345 0.3013 22.4713 5.8531 3.0063
    NSST-PCNN 3.3602 0.7281 0.4503 19.5606 8.0915 4.0816
    PCNN-IFS 3.3544 0.3994 0.5144 12.3504 8.0694 4.0632
    NSST-FCM 4.8366 0.7226 0.4541 18.9521 12.6139 6.0441
    NSST-PA-PCNN 4.3941 0.7196 0.4776 19.0621 11.0428 5.1949
    Proposed algorithm 4.9783 0.7357 0.4673 19.5632 11.9764 5.8945
    Second PCA 2.2481 0.6639 0.4406 12.7854 5.3698 2.7438
    NSCT-PCNN 1.7512 0.6406 0.3292 18.6211 3.9054 1.9935
    NSST-PCNN 2.4183 0.6599 0.4638 12.7745 5.8367 2.9133
    PCNN-IFS 2.4097 0.4415 0.5566 11.9401 5.8081 2.8891
    NSST-FCM 3.2193 0.6478 0.4973 14.7370 8.1806 4.3017
    NSST-PA-PCNN 2.6837 0.6437 0.4906 12.6591 6.6781 3.2303
    Proposed algorithm 3.3542 0.6546 0.5156 13.6431 8.3459 3.9543
    Third PCA 3.1381 0.522 0.2667 16.6712 12.5317 5.5287
    NSCT-PCNN 2.1691 0.5998 0.3712 18.7813 6.0813 2.4056
    NSST-PCNN 2.6825 0.6185 0.4206 16.8078 9.7897 3.8225
    PCNN-IFS 2.6759 0.4484 0.4881 16.7297 9.7805 3.8034
    NSST-FCM 3.6972 0.6182 0.6442 17.2496 13.2931 4.6566
    NSST-PA-PCNN 3.2976 0.6164 0.5943 16.4798 11.6122 4.0373
    Proposed algorithm 3.6932 0.6245 0.6358 18.9682 12.3589 4.3589
    Fourth PCA 2.7559 0.7871 0.5614 16.8755 7.7808 3.3122
    NSCT-PCNN 1.5552 0.763 0.2586 16.9802 4.4557 1.8387
    NSST-PCNN 2.7275 0.7872 0.6003 16.8603 9.1856 3.5813
    PCNN-IFS 2.7188 0.4403 0.6549 12.5775 9.1723 3.5592
    NSST-FCM 3.1382 0.7685 0.5462 17.0442 10.7773 4.0853
    NSST-PA-PCNN 2.9165 0.7659 0.5529 16.7003 9.8139 3.6201
    Proposed algorithm 3.3584 0.7756 0.5641 17.1298 9.9821 4.1269
    Fifth PCA 4.9907 0.6288 0.4748 19.5355 9.9664 6.0269
    NSCT-PCNN 3.0046 0.6506 0.2351 21.5392 5.9493 3.5833
    NSST-PCNN 4.9841 0.6214 0.4186 19.4975 10.9044 6.5557
    PCNN-IFS 4.9805 0.3504 0.4423 11.1055 10.8874 6.5449
    NSST-FCM 6.2671 0.6559 0.4191 19.1803 13.5097 7.9851
    NSST-PA-PCNN 5.3543 0.6463 0.4451 19.2727 11.4391 6.6561
    Proposed algorithm 6.1596 0.7521 0.4563 19.6581 12.6985 6.7539
    Sixth PCA 3.9552 0.5015 0.5236 19.7263 10.9258 4.1901
    NSCT-PCNN 2.8944 0.4914 0.3599 21.4056 9.4389 2.9698
    NSST-PCNN 3.5472 0.5064 0.5285 19.7583 10.5539 3.7219
    PCNN-IFS 3.5657 0.4371 0.6022 16.0777 10.5725 3.7328
    NSST-FCM 5.2416 0.5077 0.6883 18.5657 14.9875 5.5393
    NSST-PA-PCNN 4.7394 0.5021 0.6371 19.0715 14.2598 4.9865
    Proposed algorithm 5.3684 0.5129 0.6752 20.5691 13.5214 5.6321
    下载: 导出CSV

    表  2   不同算法在6种不同场景下的融合时间

    Table  2   The fusion time of different algorithms in six different scenarios  s

    Algorithm Scenes of fusion image
    First Second Third Fourth Fifth Sixth
    PCA 4.603 1.515 4.744 3.646 2.564 2.464
    NSCT-PCNN 10.423 5.305 4.459 4.482 4.417 4.667
    NSST-PCNN 4.319 2.851 2.917 2.902 3.819 2.301
    PCNN-IFS 5.429 1.226 3.194 2.631 2.197 2.903
    NSST-FCM 6.061 4.102 5.269 3.462 4.556 4.321
    NSST-PA-PCNN 3.589 3.452 3.454 4.839 3.543 3.455
    Proposed Algorithm 4.063 2.091 2.658 2.286 2.981 2.2136
    下载: 导出CSV
  • [1]

    WANG Z G, WEI W, SU B. Multi-sensor Image fusion algorithm based on multiresolution analysis[J]. International Journal of Online Engineering, 2018, 14(6): 44. DOI: 10.3991/ijoe.v14i06.8697

    [2]

    SHEN Yu, CHEN Xiaopeng, YUAN Yubin, et al. Infrared and visible image fusion based on significant matrix and neural network[J]. Laser & Optoelectronics Progress, 2020, 57(20): 56.

    [3]

    González José R, Damião Charbel, Moran Maira, et al. A computational study on the role of parameters for identification of thyroid nodules by infrared images (and comparison with real data) [J]. Sensors, 2021, 21(13): 4459. DOI: 10.3390/s21134459

    [4]

    XING Xiaoxue, LIU Cheng, LUO Cong, et al. Infrared and visible image fusion based on nonlinear enhancement and NSST decomposition[J]. EURASIP Journal on Wireless Communications and Networking, 2020(1): 125.

    [5]

    ZHANG Kang, HUANG Yongdong, YUAN Xia, et al. Infrared and visible image fusion based on intuitionistic fuzzy sets[J]. Infrared Physics and Technology, 2020(4): 85.

    [6]

    LIU Zhanwen, FENG Yan, CHEN Hang, et al. A fusion algorithm for infrared and visible based on guided filtering and phase congruency in NSST domain[J]. Optics and Lasers in Engineering, 2017, 97(6): 23.

    [7] 王丽丽, 刘辉, 郭肇禄. 图像融合在域内的算法研究进展[J]. 计算机技术与发展, 2021, 31(11): 8-14. https://www.cnki.com.cn/Article/CJFDTOTAL-WJFZ202111002.htm

    WANG Lili, LIU Hui, GUO Zhaolu. Research progress of image fusion algorithm in domain [J]. Computer Technology and Development, 2021, 31(11): 8-14. https://www.cnki.com.cn/Article/CJFDTOTAL-WJFZ202111002.htm

    [8] 徐慧娴, 黄坤超, 陈明举, 等. 基于深层次多分类生成对抗网络的红外与可见光图像融合方法[J/OL]. 电子测量技术, 2022, 3: 1-10.

    XU Huixian, HUANG Kunchao, CHEN Mingju, et al. Infrared and visible image fusion method based on deep multi classification to generate countermeasure network [J/OL]. Electronic Measurement Technology, 2022, 3: 1-10

    [9] 许丽娜, 周丹丹, 高翾, 等. 一种结合GIHS、NSST和PCA的全色多光谱影像融合方法[J/OL]. 武汉大学学报: 信息科学版, 2022, 3: 1-17.

    XU Lina, ZHOU Dandan, GAO Zhen, et al. A panchromatic multispectral image fusion method combining GHIS, NSST and PCA [J/OL]. Journal of Wuhan University: Information Science Edition, 2022, 3: 1-17.

    [10] 李向阳, 曹宇彤, 陈笑, 等. 基于自适应NSST-PCNN的红外与可见光图像融合方法研究[J]. 长春理工大学学报: 自然科学版, 2021, 44(5): 12-18. DOI: 10.3969/j.issn.1672-9870.2021.05.003

    LI Xiangyang, CAO Yutong, CHEN Xiao, et al. Research on infrared and visible image fusion method based on adaptive nsst-pcnn [J]. Journal of Changchun University of Technology: Natural Science Edition, 2021, 44(5): 12-18. DOI: 10.3969/j.issn.1672-9870.2021.05.003

    [11]

    SHEN Yu, YUAN Yubin, PENG Jing. Research on near infrared and color visible fusion based on PCNN in transform domain[J]. Spectroscopy and Spectral Analysis, 2021, 41(7): 65.

    [12] 刘帅, 王磊, 郝永平, 等. 基于NSCT与改进PCNN的红外与可见光图像融合方法研究[J]. 光电技术应用, 2021, 36(4): 60-65. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYG202104017.htm

    LIU Shuai, WANG Lei, HAO Yongping, et al. Research on infrared and visible image fusion method based on NSCT and improved PCNN [J]. Optoelectronic Technology Application, 2021, 36(4): 60-65. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYG202104017.htm

    [13] 戴文战, 王琪. 基于PCNN与IFS的可见光与红外图像融合方法[J]. 光电子·激光, 2020, 31(7): 738-744. https://www.cnki.com.cn/Article/CJFDTOTAL-GDZJ202007012.htm

    DAI Wenzhan, WANG Qi. Visible and infrared image fusion method based on PCNN and IFS [J]. Optoelectronics and Laser, 2020, 31(7): 738-744. https://www.cnki.com.cn/Article/CJFDTOTAL-GDZJ202007012.htm

    [14]

    WU Chenwen, MA Ning, JIANG Yufan. Weighted FCM clustering algorithm based on jeffrey divergence similarity measure[J]. Laser & Optoelectronics Progress, 2021, 58(8): 67

    [15] 巩稼民, 刘爱萍, 张晨, 等. 基于FCM与ADSCM的红外与可见光图像融合[J]. 激光与光电子学进展, 2020, 57(20): 222-230. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202020025.htm

    GONG Jiamin, LIU Aiping, ZHANG Chen, et al. Infrared and visible image fusion based on FCM and adscm[J]. Progress in Laser and Optoelectronics, 2020, 57(20): 222-230. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202020025.htm

    [16]

    ZHANG Hongna, YAN Wei, ZHANG Chunyou, et al. Research on image fusion algorithm based on NSST frequency division and improved LSCN[J]. Mobile Networks and Applications, 2021, 26(5): 53.

    [17]

    GUO K, Labate D. Optimally sparse multidimensional representation using shearlets[J]. SIAM Journal on Mathematical Analysis, 2007, 39(1): 298-318.

    [18]

    Easley G, Labate D, LIM W Q. Sparse directional image representation using discrete shearlet transform[J]. Applied and Computation Harmonic Analysis, 2008, 25(1): 25-46.

    [19]

    YAN Peizhou, ZOU Jiancheng, LI Zhengzheng, et al. Infrared and visible image fusion based on NSST and RDN[J]. Intelligent Automation & Soft Computing, 2021, 28(1): 35. http://www.xueshufan.com/publication/3147917438

    [20]

    TAN Wei, ZHANG Jiajia, XIANG Pei, et al. Infrared and visible image fusion via NSST and PCNN in multiscale morphological gradient domain[J]. Optics, Photonics And Digital Technologies For Imaging Applications Ⅵ, 2021, 11353: 54.

  • 期刊类型引用(2)

    1. 吕永林,郑万祥,李汝劼,张友良,唐莹娟,张伟涛,陈奕君,王贵全,李彦生,王乔方. 基于反射光谱的薄膜光学常数和厚度测试. 红外技术. 2024(08): 965-973 . 本站查看
    2. 杨百愚,武晓亮,王翠香,王伟宇,李磊,范琦,刘静,徐翠莲. 基于多项式求根的双厚度透射率模型确定透明固体光学常数. 红外技术. 2023(09): 969-973 . 本站查看

    其他类型引用(0)

图(4)  /  表(2)
计量
  • 文章访问数:  159
  • HTML全文浏览量:  40
  • PDF下载量:  46
  • 被引次数: 2
出版历程
  • 收稿日期:  2022-06-28
  • 修回日期:  2023-01-11
  • 刊出日期:  2023-01-19

目录

/

返回文章
返回
x 关闭 永久关闭

尊敬的专家、作者、读者:

端午节期间因系统维护,《红外技术》网站(hwjs.nvir.cn)将于2024年6月7日20:00-6月10日关闭。关闭期间,您将暂时无法访问《红外技术》网站和登录投审稿系统,给您带来不便敬请谅解!

预计6月11日正常恢复《红外技术》网站及投审稿系统的服务。您如有任何问题,可发送邮件至编辑部邮箱(irtek@china.com)与我们联系。

感谢您对本刊的支持!

《红外技术》编辑部

2024年6月6日