基于目标增强的红外与可见光图像融合算法研究

针对传统多尺度变换融合方法不能有效保留红外图像中热辐射信息及高对比度特征,本文提出了一种基于目标增强多尺度变换的红外和可见光图像融合算法。首先,对可见光图像进行预处理,自适应地提高其对比度。其次,对红外和可见光图像分别使用拉普拉斯金字塔(LP)分解为高频以及低频分量。然后,使用分解后的红外低频信息确定低频段融合权重,并引入参数λ控制融合图像中红外信息比例。最后,使用拉普拉斯金字塔逆变换重构融合图像。实验结果表明,所提出的方法可以生成具有明显突出目标和丰富细节的融合图像,并在主观视觉和客观指标上具有更好的表现。     

基于显著性图的红外与可见光图像融合

为使红外图像与可见光图像融合后的图像能获得更多目标信息和细节信息,本文提出了一种基于显著性图的图像融合方法。使用改进的Frequency Tuned(FT)算法提取红外图像的显著性图,并使用对比度受限的自适应直方图均衡化(Contrast Limited Adaptive Histgram Equalization,CLAHE)算法增强可见光图像的对比度。将红外图像与增强后的可见光图像进行非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)后,根据所设定的融合规则分别对红外与可见光图像的低频部分与高频部分进行融合,最后对融合系数进行NSCT逆变换操作后获到融合图像。实验表明,该融合方法相较于其他方法而言,保留了更多的目标信息和细节信息,可以取得更好的视觉效果。     

基于LatLRR与NSP分解的红外与可见光图像融合北大核心CSCD

针对现有红外与可见光图像融合过程中存在的图像对比度低、红外特征不明显等问题,提出了一种基于非采样金字塔滤波(Nonsubsampled Pyramid,NSP)与潜在低秩表示(Latent Low Rank Representation,LatLRR)分解的红外与可见光图像融合算法。首先,对红外与可见光图像进行分解,采用NSP分解提取源图像的低频信息,LatLRR分解提取源图像的局部结构信息;其次,根据红外低频信息与可见光低频信息的特征及融合结果图像中低频分量占比,利用红外像素强度权重调控策略完成对低频信息的融合,同时,为使红外与可见光的局部结构信息在融合时保持均衡,使用基于像素灰度值求和的策略进行1∶1融合;最后,图像重构中引入非线性变换思想,使局部结构信息与低频信息有更加完美的契合。实验结果表明,融合结果图像在极大保留红外特征的同时又能兼顾可见光图像中的细节信息,该算法能够对红外与可见光图像进行有效融合。     

基于热辐射信息保留的图像融合算法

针对现有的红外与可见光图像融合算法无法很好地保留红外图像热辐射信息这一问题,提出了一种基于热辐射信息保留的图像融合算法。通过NSCT（non-subsampled contourlet transform）变换对红外与可见光图像进行多尺度分解,得到各自的高频子带和低频子带,可见光低频子带部分经拉普拉斯算子提取特征后与红外低频子带部分叠加得到融合图像的低频系数,高频部分使用基于点锐度和细节增强的融合规则进行融合以得到高频系数,最后通过逆NSCT变换重构得到融合图像。实验表明,相较于其它图像融合算法,所提算法能在保留红外图像热辐射信息的同时,保有较好的清晰细节表现能力,并在多项客观评价指标上优于其它算法,具有更好的视觉效果,且在伪彩色变换后有良好的视觉体验,验证了所提算法的有效性和可行性。     

基于目标区域与增强方法的红外与可见光图像融合

为了使红外图像与可见光图像融合较好凸显目标与挖掘更多细节信息,提出了一种提取目标区域与融入更多细节信息的融合方法。首先,对红外图像进行分割获取目标区域,并对可见光图像进行增强以挖掘更多细节信息;然后对原始红外图像与增强后的可见光图像分别进行非下采样contourlet变换(NSCT),得到不同的低频系数与高频系数,依据分割得到的二值化图像,低频部分的目标区域系数选自原始红外图像目标区域低频系数,其余区域选择增强后的可见光对应区域低频系数,高频部分按照邻域方差取大法选择高频系数;最后,进行NSCT反变换,得到融合图像。实验结果表明,与其他3种融合方法对比,主客观评价表明,该算法有效提高了图像的对比度,具有较好的整体视觉效果。     

基于潜在低秩表示的红外和可见光图像融合

红外和可见光图像融合广泛应用于目标跟踪、检测和识别等领域。为了保留细节的同时增强对比度,本文提出一种基于潜在低秩表示的红外和可见光图像融合方法。潜在低秩分解将源图像分解为基层和显著层,其中基层包含主要内容和结构信息,显著层包含能量相对集中的局部区域。进一步利用比例金字塔分解得到低频和高频的基层子带,并针对不同层的特点设计对应的融合规则。利用稀疏表示表达低频基层较分散的能量,设计L1范数最大和稀疏系数最大规则,加权平均融合策略保留不同的显著特征;绝对值最大增强高频基层的对比度信息;而显著层则利用局部方差度量局部显著性,加权平均方式突出对比度较强的目标区域。在TNO数据集上的定性和定量实验分析表明方法具有良好的融合性能。基于低秩分解的方法能够增强红外和可见光融合图像中目标对比度的同时保留了丰富的细节信息。     

基于RGF改进显著性检测与SCM相结合的图像融合

针对传统显著性检测融合方法中目标对比度低,纹理细节不够丰富的问题,提出了一种基于滚动导向滤波(RGF)改进显著性检测与脉冲发放皮层模型(SCM)相结合的可见光与红外图像融合算法。该算法先将源图像经过非下采样剪切波变换(NSST)分解成低频部分和高频部分,然后利用RGF小尺度消除、大尺度边缘恢复特性对Frequency Tuned算法进行改进并提取出红外图像显著图。再使用显著图投影区域指导法融合低频部分,同时采用SCM结合区域能量与改进的拉普拉斯能量和融合高频部分,最后使用逆变换重建图像。仿真结果表明,该算法能在突出显著目标的同时保留丰富的细节信息,在质量指标如标准差、互信息、边缘保留因子等方面均优于对比方法。     

基于contourlet变换和模糊理论的图像融合算法

提出一种基于Contourlet变换和模糊理论的红外与可见光图像融合算法。首先,对源图像进行Contourlet变换;随后对低频和高频的小波系数采用不同的融合规则,即低频部分采用基于模糊集的自适应加权融合方法,高频部分采用基于区域小波能量加权的方法;最后再通过contourlet逆变换,获得融合图像。实验结果表明该算法能够较好地保留源图像的细节信息,具有较好的视觉效果,是一种有效实用的方法。     

基于结构-纹理分解和VGG深层网络的红外与可见光图像融合

针对当前红外与可见光图像融合方法中存在低频信息未充分利用，以及高频细节易混入噪声等问题，提出一种基于结构-纹理（ST）分解和VGG深层网络的红外与可见光图像融合方法。首先用均值滤波将输入图像分解为高-低频子带，并引入ST对低频子带二次分解，采用平均法则与邻域空间频率分别对结构和纹理进行预融合；同时，将输入图像送入VGG网络得到多层特征映射，并用Sigmiod函数实现高频子带的归一化预融合；最后利用预融合的高频、低频结构和低频纹理3个频带进行图像融合重建。实验结果表明，提出的方法能够融合图像的深层细节特征，有效保留纹理细节并抑制噪声，且在噪声评估、结构相似性、均方误差、峰值信噪比等客观指标方面具有明显优势。     

基于NSST的红外与可见光图像融合算法

针对红外与可见光图像具有不同的特点,提出一种新的基于非下采样剪切波变换（NSST）的红外与可见光图像融合算法.算法首先采用NSST将已配准的红外与可见光图像进行分解,得到低频子带图像和各尺度各方向的高频子带图像;然后对低频子带图像采用一种基于显著图的低频融合规则进行融合,而对高频子带图像的融合,结合人眼视觉特性,采用一种基于改进的区域对比度的融合规则;最后,对融合的低频子带图像和高频子带图像进行NSST逆变换得到融合图像.实验结果表明,该算法能够有效地综合红外与可见光图像中的重要信息,融合效果要优于一般的基于NSCT、NSST的图像融合方法.     

基于卷积神经网络结合NSCT的红外与可见光图像融合

传统红外与可见光融合图像在复杂环境下存在细节缺失,特征单一导致目标模糊等问题,本文提出一种基于卷积神经网络结合非下采样轮廓波变换（non-subsampled contourlet transform,NSCT）的红外与可见光图像进行融合的方法。首先,通过卷积神经网络提取红外与可见光目标特征信息,同时利用NSCT对源图像进行多尺度分解,得到源图像的高频系数与低频系数;其次,结合目标特征图利用自适应模糊逻辑与局部方差对比度分别对源图像高频子带与低频子带进行融合;最后,通过逆NSCT变换得到融合图像并与其他5种传统算法进行对比;实验结果表明,本文方法在多个客观评价指标上均有所提高。     

基于优化PCNN与区域特征引导法则的图像融合

针对传统红外与可见光图像融合算法存在着边缘信息缺失、目标特征不够突出等问题,本文提出一种基于优化脉冲耦合神经网络(PCNN)与区域特征引导法则的红外与可见光图像融合算法。首先,对红外与可见光图像分别进行非下采样剪切波变换(NSST),获取相应的低频分量和高频分量。其次,低频分量采用基于优化PCNN模型的融合规则进行融合;对于高频分量,利用图像的区域能量、改进空间频率和区域方差匹配度等特征,提出自适应的区域方差匹配度阈值和调节因子,构造区域特征引导法则完成融合。最后,对融合后的低高频分量进行NSST逆变换,获取融合图像。实验结果表明,本文算法可有效综合图像的优势信息,并在主观视觉和客观指标上均具有明显的优势。     

基于小波变换的红外图像融合算法研究

小波变换具有良好的多分辨分析特性,可用于可见光图像与红外图像的图像融合。一般情况下,对于分解后得到的低频分量采用加权平均的方法来进行简单处理,这对融合后图像的对比度和视觉效果有很大的影响。采用基于小波变换的图像融合算法来分别处理分解后的低频分量和高频分量,并与其他融合方法进行分析比较。实验结果表明,使用所提出的算法进行融合后的图像内容清晰,具有增强图像的空间细节能力,提高图像分辨效果和人眼对场景目标的发现和识别概率,在不影响互信息量值的情况下,融合后图像的边缘保持度提高了将近2倍。     

基于高斯模糊逻辑和ADCSCM的红外与可见光图像融合算法

为了克服当前的红外与可见光图像融合算法存在着目标不够突出、纹理细节丢失等现象,本文提出了一种基于高斯模糊逻辑和自适应双通道脉冲发放皮层模型（Adaptive Dual-Channel Spiking Cortical Model, ADCSCM）的红外与可见光图像融合算法。首先,使用非下采样剪切波变换（Non-Subsampled Sheartlet Transform, NSST）将源图像分解为低频和高频部分。其次,结合新拉普拉斯能量和（New Sum of Laplacian, NSL）与高斯模糊逻辑,设定双阈值来指导低频部分进行融合;同时,采用基于ADCSCM的融合规则来指导高频部分进行融合。最后,使用NSST逆变换进行重构来获取融合图像。实验结果表明,本文算法主观视觉效果最佳,并在互信息、信息熵和标准差3项指标上高于其他7种融合算法,能够有效突出红外目标、保留较多纹理细节,提高融合图像的质量。     

结合改进显著性检测与NSST的红外与可见光图像融合方法

针对当前基于显著性检测的红外与可见光图像融合方法存在目标不够突出、对比度低等问题,本文提出了一种结合改进显著性检测与非下采样剪切波变换（non-subsampled shearlet transform, NSST）的融合方法。首先,使用改进最大对称环绕（maximum symmetric surround, MSS）算法提取出红外图像的显著性图,并进一步通过改进伽马校正进行增强,同时应用同态滤波增强可见光图像。然后,对红外图像与增强的可见光图像进行NSST分解,利用显著性图指导低频部分进行融合;同时设定区域能量取大规则指导高频部分融合。最后,通过NSST逆变换重构融合图像。实验结果表明,本文方法在平均梯度、信息熵、空间频率和标准差上远优于其他7种融合方法,可以有效突出红外目标,提高融合图像的对比度和清晰度,并保留可见光图像的丰富背景信息。     

马氏距离与引导滤波加权的红外与可见光图像融合

为使红外与可见光融合图像获得更好的分辨率和清晰度,提出基于非下采样轮廓波变换（non-subsampled contourlet transform, NSCT）的马氏距离加权拉普拉斯能量和与引导滤波改进（frequency tuned, FT）结合的红外与可见光图像融合算法。首先,对可见光图像进行对比度受限的自适应直方图均衡（contrast limited adaptive histogram equalization, CLAHE）,并将红外图像与CLAHE处理后可见光图像进行NSCT变换,分解为低频和高频; 其次,对FT算法使用引导滤波进行改进,利用改进的FT算法提取红外图像显著性图自适应加权融合低频图像,对高频图像使用基于马氏距离加权的拉普拉斯能量和取大融合; 最后,对融合的低频和高频图像进行NSCT逆变换获得融合图像。实验结果表明,该融合方法相较其他传统融合方法,在主观视觉上和客观指标上都有较好的表现。     

基于BEMD改进的视觉显著性红外和可见光图像融合

针对视觉显著性融合过程中目标对比度低,图像不够清晰的问题,本文提出一种基于二维经验模态分解（bidimensional empirical mode decomposition,BEMD）改进的Frequency Tuned算法。首先利用BEMD捕获红外图像的强点、轮廓信息用于指导生成红外图像的显著性图,然后将可见光图像和增强后的红外图像进行非下采样轮廓波变换（nonsubsampled contourlet transform,NSCT）,对低频部分采用显著性图指导的融合规则,对高频部分采用区域能量取大并设定阈值的融合规则,最后进行逆NSCT变换生成融合图像并进行主观视觉和客观指标评价,结果表明本文方法实现了对原图像多层次、自适应的分析,相较于对比的方法取得了良好的视觉效果。     

一种改进的基于多尺度变换的红外和可见光图像融合算法

提出了一种改进的基于多尺度变换的红外和可见光图像融合算法.首先,用形态学帽变换对两幅已经配准的红外图像和可见光图像进行处理,然后将处理后的图像分别进行轮廓波分解得到一系列的高频图像和低频图像.由于高频图像和低频图像特点的不同,对高频图像采用平均梯度进行融合,对低频图像采用PCA的方法进行融合.实验表明,该方法很好地结合了形态学帽变换、主成分PCA算法和轮廓波变换的优点.与传统的融合方法相比,提出的融合方法可以提供丰富的图像信息和清晰纹理细节,且很好地保证了主要目标的亮度基本不变.