Pixel-level image fusion: A survey of the state of the art

Li, Shutao; Kang, Xudong; Fang, Leyuan; Hu, Jianwen; Yin, Hanfeng

doi:10.1016/j.inffus.2016.05.004

Cited by 1,001 publications

(478 citation statements)

References 123 publications

Supporting

Mentioning

444

Contrasting

Unclassified

Order By: Relevance

“…Li et al en (Li et al, 2017) presentan una gráfica que muestra el incremento en la cantidad de artículos relacionados con este tema en losúltimos años. Dentro de la literatura relacionada con el tema encontramos propuestas de solución que van desde aquellas en las que se propone calcular la imagen fusionada como un promedio de las imágenes fuente, hasta técnicas en las que se propone el uso de evolución diferencial (Aslantas and Kurban, 2010) y otros trabajos que utilizan redes neuronales artificiales para el cálculo del mapa de decisión (Li et al, 2002;Zhou et al, 2006;Ma et al, 2011;Pagidimarry and Babu, 2011).…”

Section: Antecedentesunclassified

“…En las propuestas de solución para el problema de fusión de imágenes multi-foco se distinguen dos técnicas de procesamiento de las imágenes la primera técnica plantea procesar cada píxel de las imágenes de manera independiente; (Piella, 2003;Lewis et al, 2007;Aslantas and Toprak, 2014) son algunos de ellos y otros más se analizan en (Li et al, 2017). La segunda técnica propone resolver el problema tomando bloques de píxeles en lugar de tratarlos de forma independiente (Zhang and Blum, 1999;Li et al, 2001Li et al, , 2002Zhao et al, 2008;Aslantas and Kurban, 2010;Pagidimarry and Babu, 2011;De and Chanda, 2013;Qu et al, 2014;Bai et al, 2015;Cao et al, 2015;Calderon et al, 2016).…”

Section: Trabajos Basados En Procesamiento Por Bloques O Por Píxelesunclassified

See 1 more Smart Citation

Fusión de Imágenes Multi-Foco con Ventanas Variables

Calderón

Garnica-Carrillo

Flores

2018

Rev. iberoam. autom. inform. ind.

View full text Add to dashboard Cite

ResumenEn este artículo presentamos el Algoritmo Combinación Lineal de Imágenes con Ventanas Variables (CLI-VV) para la fusión de imágenes multi-foco. A diferencia del Algoritmo CLI-S presentado en un trabajo anterior, el algoritmo CLI-VV permite determinar automáticamente el tamañoóptimo de la ventana en cada píxel para la segmentación de las regiones con la mayor nitidez. También presentamos la generalizado el Algoritmo CLI-VV para la fusión de conjuntos de imágenes multi-foco con más de dos imágenes. A este nuevo algoritmo lo denominamos Fusión Multi-foco con Ventanas Variables (FM-VV). El Algoritmo CLI-VV se probó con 21 pares de imágenes sintéticas y 29 pares de imágenes multi-foco reales, y el Algoritmo FM-VV sobre 5 tríos de imáge-nes multi-foco. En todos los ejemplos se obtuvo un porcentaje de acierto competitivos, producidos en tiempos de ejecución menores a los reportados en la literatura. Palabras Clave: Fusión de imágenes multi-foco, Ventanas deslizantes, Imágenes integrales Multi Focus Image Fusion with variable size windows AbstractIn this paper we present the Linear Image Combination Algorithm with Variable Windows (CLI-VV) for the fusion of multifocus images. Unlike the CLI-S algorithm presented in a previous work, the CLI-VV algorithm allows to automatically determine the optimal size of the window in each pixel for the segmentation of the regions with the highest sharpness. We also present the generalized CLI-VV Algorithm for the fusion of sets of multi-focus images with more than two images. This new algorithm is called Variable Windows Multi-focus Fusion (FM-VV). The CLI-VV Algorithm was tested with 21 pairs of synthetic images and 29 pairs of real multi-focus images, and the FM-VV Algorithm on 5 trios of multi-focus images. In all the tests a competitive accuracy was obtained, with execution times lower than those reported in the literature. Keywords:Multi-focus image fusion, Sliding windows, Incremental images. IntroducciónHay muchas aplicaciones en las que se involucran imáge-nes, por ejemplo, en sistemas de seguridad, en fotografía, en apoyo al diagnóstico con imágenes médicas, en imágenes satelitales y en algunos ambientes de investigación. En ellas es deseable que las imágenes obtenidas tengan suficiente claridad o nitidez en todos los objetos de la escena. Sin embargo, lo anterior no siempre es posible pues el rango de distancias medidos desde la lente hasta los objetos que se desean capturar no es constante y las cámaras, microscopios y otros objetos que usan lentes para la captura de las imágenes, tienen limitaciones físicas que impiden que todos los objetos de la escena tengan la misma claridad en la imagen digital generada. A dicha limitación se le conoce como profundidad de campo, término que hace referencia al rango de distancias que la lente de una cáma-ra, con una apertura dada, es capaz de reproducir de manera nítida (Kuthirummal et al., 2011).En términos ideales, la luz reflejada por cada punto de la escena debería incidir sobre unúnico punto en el sensor de la cámara, sin em...

show abstract

Section: Antecedentesunclassified

Section: Trabajos Basados En Procesamiento Por Bloques O Por Píxelesunclassified

Fusión de Imágenes Multi-Foco con Ventanas Variables

Calderón

Garnica-Carrillo

Flores

2018

Rev. iberoam. autom. inform. ind.

View full text Add to dashboard Cite

show abstract

“…For an image fusion system, the input source images can be acquired from either different types of imaging sensors or a sensor whose optical parameters can be changed, and the output fused image will be more suitable for human or machine perception than any individual source image [10]. The fused image is able to describe multiple properties of source images, which makes it more suitable for the aim of human visual perception and computer processing tasks [11,12]. Multi-sensor image fusion means a new branch of research which contains sensors, signal processing, image processing, and artificial intelligence.…”

Section: Introductionmentioning

confidence: 99%

Oil exploration oriented multi-sensor image fusion algorithm

2017

View full text Add to dashboard Cite

Abstract:In order to accurately forecast the fracture and fracture dominance direction in oil exploration, in this paper, we propose a novel multi-sensor image fusion algorithm. The main innovations of this paper lie in that we introduce Dual-tree complex wavelet transform (DTCWT) in data fusion and divide an image to several regions before image fusion. DTCWT refers to a new type of wavelet transform, and it is designed to solve the problem of signal decomposition and reconstruction based on two parallel transforms of real wavelet. We utilize DTCWT to segment the features of the input images and generate a region map, and then exploit normalized Shannon entropy of a region to design the priority function. To test the effectiveness of our proposed multi-sensor image fusion algorithm, four standard pairs of images are used to construct the dataset. Experimental results demonstrate that the proposed algorithm can achieve high accuracy in multisensor image fusion, especially for images of oil exploration.

show abstract

“…It is hoped that further research in the area of image fusion using the NSST domain can be promising and competitive. To join together the advantages of different approaches, a number of fusion methods have been suggested, which are based on the combination of transforms [9]. For instance, Xiang et al [10] have developed a fusion algorithm for the infrared and visible images by combining the NSCT with the dual-channel unit-linking PCNN.…”

Section: Introductionmentioning

confidence: 99%

Fusion of infrared and visible images based on nonsubsampled shearlet transform and block compressive sensing sampling

Hu¹,

Shi²

2017

Ukr. J. Phys. Opt.

View full text Add to dashboard Cite

Abstract. Image fusion is aimed at combining source images of the same scene into a single fused image with more reliable and precise information, which is suitable for further image-processing tasks. Here we present a novel method for fusing infrared and visible images, which is based on nonsubsampled shearlet transform (NSST) and block compressive-sensing sampling (BCSS). Compressive-sensing approach is widely used in various fields and constitutes a basis of low-signal sampling compression method employed under conditions of sparsity of signals. We investigate the BCSS technique in image fusion and suggest a fusion method where the NSST is applied for decomposition and reconstruction, and two-measure forms of local region energy are presented for maximum-choosing fusion rules for the NSST subband coefficients. Our approach is tested on five standard datasets of infrared and visible images. The results are compared with those obtained using several common fusion methods. The experimental results illustrate validity and efficiency of our method. Both the efficiency and robustness of the fusion are analyzed using a number of image-quality measures.

show abstract

Pixel-level image fusion: A survey of the state of the art

Cited by 1,001 publications

References 123 publications

Fusión de Imágenes Multi-Foco con Ventanas Variables

Fusión de Imágenes Multi-Foco con Ventanas Variables

Oil exploration oriented multi-sensor image fusion algorithm

Fusion of infrared and visible images based on nonsubsampled shearlet transform and block compressive sensing sampling

Contact Info

Product

Resources

About