用C++实现MGFF算法

人工智人-家居设计-红外和可见光双影像智能监控系统的设计与实现.pdf

提出了一种基于变分法和梯度增强的红外与可见光图像融合算法。首先对红外与可见光的梯度特征进行自适应加权融合,得到初始融合梯度场;其次构建梯度特征增强模型,获得融合图像增强的梯度场;最后通过变分法将融合问题转换为最优化问题,得到最接近增强后梯度场的融合图像。实验结果表明,相比基于多分辨率框架下进行融合的拉普拉斯分解、小波变换及常见的基于变分的融合算法,所提出的算法得到的融合图像梯度特征最大,视觉效果最好,证明了算法的有效性。

本资源主要实现了TIF红外和可见光融合的C++版本算法，采用了多种优化方式1、OpenMP多线程 2、积分图优化 3、SSE优化 。目前测试1000*1000不开OpenMP的情况下30ms左右，按原文35的滤波核进行实验。本程序采用float型数据类型，计算都是以指针形式传入数组数据，同时可以采用定点优化和Cuda优化。

使用深度学习框架的红外和可见光图像融合 - Pytorch 实现

近五年红外与可见光图像融合实现代码合集，每个方法单独整理成文件夹，语言主要为matlab语言，部分为C语言，深度学习的模型为训练好的模型，方便学习

为了将红外图像的全局信息与可见光图像的细节信息进行有效结合,进一步提高融合后图像的质量,提出了一种同时增强图像边缘细节和对比度的非下采样剪切波变换(NSST)域红外和可见光图像融合方法.首先,通过平移不变剪切波将图像分解成为低频子带与高频子带,通过全局显著性图分析图像的对比度信息;利用改进型局部显著度图分析图像局部边缘信息.针对不同频带系数,结合边缘信息和对比度信息对频带系数进行融合,最后,利用逆变换得到最终的融合图像.大量实验结果表明,本文方法在提高图像整体对比度的同时增强了图像的边缘细节表现能力,优于现有的基于小波变换,非下采样轮廓波变换(NSCT)和显著度图等几种图像融合方法.

本文提出了一种基于互信息及蚁群算法实现红外与可见光图像配准的方法。论文从对多模态图像配准的认识入门,介绍了基于互信息的图像配准方法,分析总结了多种配准算法的优缺点。研究了基本蚁群算法的原理和工作流程,及其发展现状;并针对红外与可见光的二维图像设计了一种基于最大互信息与蚁群算法相结合的配准算法。采用互信息配准模型,以图像的灰度统计信息为配准依据,用蚁群算法搜索图像间的最优变换参数,并用最大互信息作为目标函数指导最优变换参数的搜索。又针对现有蚁群算法收敛速度慢的缺点,提出了用遗传算法与之动态融合的方法。

基于小波变换的方法，需要自己准备已严格配准好的图像，并建立几个相应的文件夹存放，可以批量处理jpg、png格式的图片

MATLAB开发的软件，能够使用ehanced仿射变换实现柔性的红外和可见光图像配准。内含图像与.mat数据，以及代码！放心下载