顾及源图像质量的可见光和红外图像融合算法

计算机工程与科学Computer Engineering & ScienceCN 43-1258/TP ISSN 1007-130X第42卷第7期2020年7月Vol. 42,No. 7,Jul. 2020文章编号：1007-130X(2020)07-1226-08DTCWT 域的红外与可见光图像融合算法** 收稿日期：2019-10-14；修回日期：2019-12-24基金项目：国家自然科学基金(61861040)，甘肃省教育厅科技成果转化项目(2017D-09),甘肃省科技项目资助(17YF1FA119)；兰州 市科技计划项目(2018-4-35)通信地址：730070甘肃省兰州市西北师范大学数学与统计学院Address ：School of Mathematics and Statistics ,Northwest Normal University ,Lanzhou 730070,Gansu,P. R. China张贵仓，苏金凤，拓明秀(西北师范大学数学与统计学院，甘肃兰州730070)摘要：针对红外与可见光图像融合存在融合图像对比度和清晰度降低、噪声干扰等问题，提出一种DTCWT 域的红外与可见光图像融合算法。

首先对源图像进行预增强处理；然后通过DTCWT 正变换得到低频子带图像和高频子带图像;再分别利用基于直觉模糊集的融合规则融合低频子带图像，基于信息反 差对比度的融合规则融合高频子带图像；最后对融合后的低频子带图像和高频子带图像进行DTCWT 逆变换得到融合图像。

实验结果表明，本文算法能有效提高融合图像对比度和清晰度，降低噪声干扰，客观评价指标总体优于现有算法的，运行效率也有所提升。

关键词：红外与可见光图像融合；双树复小波变换；预增强处理；直觉模糊集；信息反差对比度中图分类号:TP391.41 文献标志码：Adoi ：10. 3969/j. issn. 1007-130X. 2020. 07. 011Fusion algorithm of infrared andvisible images in DTCWT domainZHANG Gui-cang ,SU Jin-feng,TUO Ming-xiu(School of Mathematics and Statistics ,Northwest Normal University >Lanzhou 730070,China)Abstract : Aiming at the problem that fusing infrared and visible images has low construct and clarity and high noise interference, a fusion algorithm of infrared and visible images in DTCWT domain is pro ­posed. Firstly, the source image is pre-enhanced, then the low-frequency and high-frequency subbandimages are obtained by DTCWT positive transformation ・ Secondly, the low-frequency fusion rules based on intuitionistic fuzzy sets and the high-frequency fusion rules based on differential contrast of informa ­tion are fused respectively ・ Finally, the fused image is obtained by DTCWT inverse transform of thelow-frequency and high-frequency subbands ・ The experimental results show that the proposed algorithmcan effectively improve the contrast and clarity of the fused image and reduce the noise interference, it has better objective evaluation index than the existing algorithms? and the operation efficiency is also im ­proved ・Key words : infrared and visible images fusion ； dual-tree complex wavelet transform ； pre-enhancementprocessing ； intuitionistic fuzzy sets ； differential contrast of information图像会产生信息的互补和冗余。

基于图像处理技术的红外成像融合算法优化研究红外成像融合算法是一种将可见光图像与红外图像进行融合以提供更全面、准确的图像信息的技术。

通过这种技术，我们可以获得更多细节，并减少对环境条件的敏感性。

然而，现有的红外成像融合算法还存在一些问题，包括图像质量下降、边缘模糊等。

因此，本文将探讨基于图像处理技术的红外成像融合算法优化的研究。

首先，我们需要了解红外成像融合算法的基本原理。

红外成像融合算法的核心在于将可见光图像和红外图像进行融合，以获得更全面的信息。

常见的融合策略包括加权平均法、金字塔法和小波变换法等。

这些方法在不同的场景下有不同的优势和适用性。

然而，现有的红外成像融合算法在实际应用中面临一些挑战。

首先，由于可见光图像和红外图像在物理意义上具有差异，二者在强度、动态范围等方面存在差异。

这使得融合过程中需要对图像进行预处理，以使二者更加匹配。

其次，红外成像融合算法存在图像质量下降和边缘模糊等问题。

这是由于不同的成像传感器具有不同的噪声特性，导致在融合过程中引入了噪声。

为了解决这些问题，我们可以采用一些优化方法来改进红外成像融合算法。

首先，对红外图像和可见光图像进行去噪处理，以减少噪声对融合效果的影响。

常见的去噪方法包括中值滤波、小波去噪等。

这些方法能够有效地提高图像质量，减少噪声的干扰。

其次，可以采用直方图均衡化等方法来增强图像的对比度。

这些方法可以使图像更加清晰，细节更加突出，从而提高融合结果的质量。

此外，我们还可以利用机器学习和深度学习等技术来改进红外成像融合算法。

机器学习可以通过对大量的训练样本进行学习，以自动提取红外图像和可见光图像之间的关系，从而获得更好的融合效果。

深度学习则可以通过构建深层神经网络来提取更高级的特征，从而实现更复杂的融合过程。

另外，我们还可以结合其他图像处理技术，如图像分割和图像配准等，来进一步改进红外成像融合算法。

例如，在图像分割过程中，可以将红外图像和可见光图像分别分割为不同的区域，然后再进行融合。

“可见光图像融合算法研究”资料合集目录一、SAR与可见光图像融合算法研究二、基于多尺度分解红外和可见光图像融合算法研究三、红外与可见光图像融合算法研究四、基于多尺度及显著区域分析的红外与可见光图像融合算法研究五、基于深度学习的红外与可见光图像融合算法研究六、SAR与可见光图像融合算法研究SAR与可见光图像融合算法研究在遥感图像分析中，合成孔径雷达（SAR）和可见光图像各自具有独特的优势。

SAR图像具有穿透性强、对地表覆盖广泛的特点，而可见光图像则具有纹理清晰、颜色丰富的优点。

为了综合利用这两种图像的优点，提出了图像融合的概念。

本文旨在探讨SAR与可见光图像的融合算法。

SAR与可见光图像的融合算法主要包括三个步骤：预处理、融合和后处理。

预处理阶段主要对输入的SAR和可见光图像进行去噪、配准和归一化等操作，以确保它们在空间和灰度级别上的一致性。

融合阶段是算法的核心，常用的融合方法包括基于多尺度变换的方法、基于区域分割的方法和基于深度学习的方法等。

后处理阶段主要对融合后的图像进行优化，包括对比度增强、色彩调整等操作，以提高图像的可视性和分析价值。

多尺度变换是一种广泛用于图像融合的方法，它能够将图像分解为不同的频率分量，并在每个分量上进行不同的融合策略。

例如，基于小波变换的融合方法可以将SAR和可见光图像分别分解为多个高频和低频分量，然后根据一定的融合策略（如取最大值或加权平均）将它们融合在一起。

这种方法能够有效地保留图像的细节信息，提高图像的质量。

区域分割是一种根据图像的局部特征将图像划分为不同区域的方法。

在图像融合中，可以先对SAR和可见光图像进行区域分割，然后将相同区域内的像素进行融合。

常用的区域分割方法包括k-means聚类、水平集方法等。

基于区域分割的融合方法能够有效地保留图像的结构信息，提高图像的可视性。

深度学习是一种通过学习大量数据来自动提取特征的方法。

在图像融合中，可以利用深度学习的方法自动提取SAR和可见光图像的特征，并将它们融合在一起。

基于图像变换的红外与可见光图像配准方法基于图像变换的红外与可见光图像配准方法步骤1：问题陈述红外和可见光图像配准是将红外图像与可见光图像对齐以实现更全面的图像分析和解释的过程。

由于红外图像和可见光图像的物理特性和成像机制不同，因此它们往往具有不同的空间变换和几何失真。

本文将介绍一种基于图像变换的红外与可见光图像配准方法，以实现高精度的图像对齐。

步骤2：数据预处理首先，对红外和可见光图像进行预处理以减少噪声和增强图像质量。

这可以包括去除图像中的杂散像素、平滑图像以减少高频噪声等。

步骤3：特征提取接下来，从红外和可见光图像中提取特征点，以用于后续的图像匹配。

常用的特征点提取算法包括SIFT（尺度不变特征变换）、SURF（加速稳健特征）和ORB（Oriented FAST and Rotated BRIEF）等。

步骤4：特征匹配使用特征点匹配算法，将红外图像和可见光图像的特征点进行匹配。

目标是找到在两个图像中对应的特征点对，以建立两个图像之间的对应关系。

常用的特征匹配算法包括最近邻匹配和RANSAC（随机一致性采样）算法。

步骤5：图像变换估计通过匹配的特征点对，估计红外图像和可见光图像之间的几何变换关系，例如平移、旋转、尺度变换等。

常用的变换模型包括仿射变换和透视变换。

可以使用RANSAC算法来排除错误匹配，以获得可靠的变换参数。

步骤6：图像配准根据估计的变换参数，对红外图像进行变换以与可见光图像对齐。

根据所选择的变换模型，可以使用图像插值算法（如双线性插值）来处理变换后的图像像素值。

这样，红外图像和可见光图像将具有相同的几何结构。

步骤7：后处理最后，进行图像配准的后处理以进一步提高配准的准确性和质量。

这可以包括平滑配准后的图像以减少残留的几何失真，或者进行图像融合以获得更全面的信息。

总结：基于图像变换的红外与可见光图像配准方法是一种实现高精度图像对齐的有效方法。

通过预处理、特征提取、特征匹配、图像变换估计、图像配准和后处理等步骤，可以实现红外图像和可见光图像的准确对齐，为后续的图像分析和解释提供可靠的基础。

高效红外与可见光图像配准方法高效红外与可见光图像配准方法高效红外与可见光图像配准是一种将红外图像与可见光图像进行对齐的方法，以实现两种图像之间的准确比较和分析。

以下是一种基于步骤思维的高效红外与可见光图像配准方法的详细说明：第一步：图像预处理在开始图像配准之前，需要对原始红外图像和可见光图像进行预处理。

这包括去除图像中的噪声、调整图像的亮度和对比度，并进行图像增强以提高图像质量。

第二步：特征提取在红外图像和可见光图像中提取特征点是实现图像配准的关键步骤。

可以使用常见的特征提取算法，如SIFT（尺度不变特征变换）或SURF（加速稳健特征）算法。

特征点应该具有良好的鲁棒性，能够在不同光照条件下保持一致性。

第三步：特征匹配通过将红外图像和可见光图像中提取的特征点进行匹配，可以确定它们之间的对应关系。

常用的特征匹配算法包括最近邻匹配和最佳邻域匹配。

匹配过程中，可以使用一些几何约束条件来提高匹配的准确性。

第四步：几何变换根据特征匹配的结果，可以通过计算变换矩阵来实现红外图像和可见光图像之间的几何变换。

常见的几何变换包括仿射变换和透视变换。

变换矩阵可以通过最小二乘法或RANSAC（随机抽样一致性）算法来估计。

第五步：图像配准将红外图像根据几何变换矩阵进行配准，使其与可见光图像对齐。

可以使用插值算法填充配准后的图像像素值，以确保图像平滑过渡。

第六步：图像融合配准后的红外图像和可见光图像可以通过图像融合技术进行合成。

常用的图像融合方法包括加权平均法、小波变换法和拉普拉斯金字塔法。

图像融合可以提供更丰富、更全面的信息，以帮助进一步的分析和应用。

第七步：评估和优化最后，需要对配准结果进行评估和优化。

可以使用一些评估指标，如互信息、均方误差或结构相似性指数来评估配准的质量。

如果配准结果不理想，可以通过调整预处理步骤、特征提取参数或特征匹配算法来优化图像配准的效果。

综上所述，高效红外与可见光图像配准是一个复杂的过程，涉及到图像预处理、特征提取、特征匹配、几何变换、图像配准、图像融合和评估优化等多个步骤。

基于NSCT的红外与可见光图像融合算法研究摘要：本研究提出一种基于NSCT的红外与可见光图像融合算法。

首先，采用NSCT对红外与可见光图像进行二维小波变换得到子带系数，然后对于每个子带系数，根据不同的融合规则进行权重计算和融合处理。

具体而言，我们将图像融合问题划分为低频和高频两个部分，低频部分采用平均融合规则，高频部分采用细节增强融合规则。

最后，通过定量和定性实验验证了所提算法的有效性和优越性。

关键词：NSCT；红外图像；可见光图像；图像融合；小波变换；细节增强引言红外与可见光图像的融合是一种将两幅不同波段的图像信息融合为一幅具有更全面、更丰富信息的图像的技术。

该技术在许多领域具有重要的应用，如安防领域的人脸识别和目标跟踪等。

但是由于两幅不同波段的图像具有不同的特征和分布规律，如何有效地进行融合成为了一个重要的研究问题。

小波变换是一类广泛应用于图像处理的信号处理技术，其优点在于能够将信号分解为低频和高频两部分。

近年来，小波变换已经被广泛应用于图像融合领域。

然而，传统的小波变换无法适应长时间和复杂场景下的图像融合需求。

为此，我们提出了一种基于NSCT的红外与可见光图像融合算法。

NSCT是多尺度和多方向的小波变换方法，其对于复杂场景和细节保持能力更强。

在本研究中，我们将NSCT应用到红外与可见光图像融合中，通过对子带系数进行权重计算和融合处理，实现了更加准确和细致的图像融合。

方法1. NSCT变换NSCT是一种利用带通滤波器对图像进行多尺度和多方向的小波变换。

在本研究中，我们采用了NSCT对红外与可见光图像进行融合处理。

具体而言，我们将图像分解为$L$层小波系数，其中第$i$层的系数用$w^{(i)}(x,y)$表示。

NSCT变换过程如下：$$w^{(i)}(x,y)=\sum_{m=1}^{M_i}\sum_{n=1}^{N_i}h_{m,n} ^{(i)}(z_{m,n}^{(i)} \ast f^{(i)}(x,y))$$其中，$h_{m,n}^{(i)}$表示第$i$层的带通滤波器组成的矩阵，$z_{m,n}^{(i)}$表示第$i$层的带通系数。

基于NSST的红外与可见光图像融合作者：赵鑫来源：《电气传动自动化》2019年第05期摘要：为了提高红外与可见光图像融合的质量，提出了一种新的基于非下采样剪切波变换的融合算法。

根据高频与低频子带各自的特性分别设计了融合规则：低频子带采用区域方差的融合规则，高频子带采用区域拉普拉斯能量和的融合规则。

仿真结果表明，利用该算法所得出的图像，在主观视觉以及客观评价等方面都能取得很好的效果。

关键词：图像融合; 非下采样剪切波变换; 区域方差; 区域拉普拉斯能量和中图分类号： TP391.41 文献标识码： A文章编号：1005—7277（2019）05—0063—04Abstract： In order to improve the quality of infrared and visible image fusion， a new fusion algorithm based on non undersampling shear wave transform is proposed. According to the characteristics of high-frequency and low-frequency sub-band， the fusion rules are designed respectively： low-frequency sub-band adopts the fusion rules of regional variance， high-frequency sub-band adopts the fusion rules of regional Laplacian energy and. The simulation results show that the image obtained by the algorithm can achieve good results in subjective vision and objective evaluation.Key words： image fusion; non subsampling shear wave transform; regional variance; regional Laplacian energy and1 引言利用目标和场景之间的辐射能量所采集到的，能表征目标和场景温度信息的图像就是红外图像。