采用非抽样轮廓波的红外与可见光图像融合

合集下载

基于NSCT和ICA的红外和可见光图像融合方法

Ａｂｓｔｒａｃｔ：Ｔｈｅｉｎｆｒａｒｅｄａｎｄｖｉｓｉｂｌｅｌｉｇｈｔｉｍａｇｅｆｕｓｉｏｎｂａｓｅｄｏｎｔｈｅｎｏｎ — ｓｕｂｓａｍｐｌｅｄｃｏｎｔｏｕｒｌｅｔｔｒａｎｓｆｏｒｍ
３ｎｅｗａｌｇｏｒｉｔｈｍｂｙｃｏｍｂｉｎｉｎｇｔｈｅＮＳＣＴｗｉｔｈｔｈｅｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＩＣＡ）ｉｓｐｒｅｓｅｎｔｅｄ．Ｆｉｒｓｔｌｙ，
第３５卷
第１１期
系统工程与电子技术
ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ
ＶｏＩ＿３５Ｎｏ．１１Ｎｏｖｅｍｂｅｒ２０１３
网址：ｗｗｗ．ｓｙｓｅｌｅ．ｃｏｍ
ｔｈｅＮＳＣＴｉｓａｐｐｌｉｅｄｔｏｔｈｅｉｎｆｒａｒｅｄａｎｄｖｉｓｉｂｌｅｌｉｇｈｔｉｍａｇｅｆｏｒｍｕｌｔｉ — ｓｃａｌｅａｎｄｍｕｌｔｉｄｉｒｅｃｔｉｏｎｄｅｃｏｍｐｏｓｉｔｉｏｎ．Ｔｈｅｎ，ｔｈｅｌｏｗ— ｐａｓｓｓｕｂ — ｂａｎｄｃｏｅｆｆｉｃｉｅｎｔｓｉｎｔｈｅｄｅｃｏｍｐｏｓｅｄｉｍａｇｅｓａｒｅｆｕｓｅｄｂｙＩＣＡｔｏａｔｔａｉｎｔｈｅｌｏｗ— ｐａｓｓｆｕｓｉｏｎｉｍａｇｅ．Ｍｅａｎｗｈｉｌｅ，ｔｈｅｂａｎｄ — ｐａｓｓｓｕｂｂａｎｄｃｏｅｆｆｉｃｉｅｎｔｓａｒｅｆｕｓｅｄｂｙｔｈｅｂａｎｄ — ｐａｓｓｉｍａｇｅｆｕｓｉｏｎｒｕｌｅｓｗｉｔｈｎｅｉｇｈｂｏｒｈｏｏｄｃｏｅｆｆｉｃｉｅｎｔｄｉｆｆｅｒｅｎｃｅａｎｄｉｎｆｏｒｍａｔｉｏｎｅｎｔｒｏｐｙａｓｃｒｉｔｅｒｉａ．Ｆｉｎａｌｌｙ，ｔｈｅｉｎｖｅｒｓｅｔｒａｎｓｆｏｒｍｏｆＮＳＣＴ

非采样轮廓波变换下的红外与可见光图像融合

非采样轮廓波变换下的红外与可见光图像融合王奎;李卫华;李小春【摘要】针对红外与可见光图像融合存在的边缘模糊、视觉效果不佳的问题,提出了一种改进的基于非下采样轮廓波变换(NSCT)的红外和可见光图像融合方法.首先采用NSCT对红外与可见光图像进行多尺度、多方向分解,然后对低频系数采用基于边缘的方法进行融合;对高频系数采用基于区域能量的方法进行融合.最后,通过NSCT反变换来获取融合图像.实验结果表明:文中改进算法得到的融合图像不仅边缘等细节部分更加清晰,而且在视觉效果上更加符合人眼视觉特性.【期刊名称】《空军工程大学学报（自然科学版）》【年(卷),期】2015(016)006【总页数】5页(P55-59)【关键词】图像融合;非下采样Contourlet变换;红外图像;可见光图像【作者】王奎;李卫华;李小春【作者单位】空军工程大学信息与导航学院,西安,710077;空军工程大学信息与导航学院,西安,710077;空军工程大学信息与导航学院,西安,710077【正文语种】中文【中图分类】TP391.41图像融合是对包含同一个场景的2幅或2幅以上图像中重要的有用信息加以综合,高效地利用待融合图像间的互补信息来获取一幅新的对研究对象描述更精准、更详细、更可靠的融合图像的技术［1］。

图像融合技术广泛应用于安全监控、医疗卫生、遥感探测、航空航天等领域［2］。

近年来，随着多尺度几何分析工具，如Wavelet、Curvelet、Contourlet、Shearlet等的快速发展以及在高维信号处理方面的广泛应用，极大地促进了图像融合的研究与发展。

然而，大部分图像融合算法只是对低频系数进行简单的取平均值处理，该方法计算量小，速度快，但是容易造成融合图像的对比度［3］下降，而且没有考虑图像的边缘信息，容易造成边缘模糊，降低融合图像质量。

同时，在高频系数融合规则的选取上，通常采用的“绝对值取大法”虽然能够极大程度地保留源图像中的清晰部分但是不具有鲁棒性，而且没有考虑人眼视觉系统的区域敏感特性，得到的融合图像视觉效果不佳。

非抽样双树复小波域的红外可见光图像融合

非抽样双树复小波域的红外可见光图像融合王旭辉;周岩;周苑【摘要】为提高红外与可见光图像的融合精度,借助非抽样双树复小波的平移不变性和良好的方向选择性,提出非负矩阵分解和区域方差能量的融合方法.通过对严格配准的红外与可见光图像进行非抽样双树复小波变换获取高低频信息,对低频子带系数采用基于块主元旋转的非负矩阵分解的融合方法,对高频子带系数选用结合区域方差能量的对比度进行融合.对融合后的系数采用非抽样双树复小波逆变换重构得到融合图像,对融合结果进行主观视觉和客观评价.对比实验结果表明,该算法具有较好的主观视觉效果,客观评价指标有明显提高,验证了提出算法的有效性.%To improve the fusion accuracy of infrared visible image, an image fusion method based on non-negative matrix factorization and regional variance energy was proposed by means of the good directional selectivity and shift invariance of undecimated dual-tree complex wavelet.The high and low frequency information of images was obtained after the non-sampling dual-tree complex wavelet transformation for infrared and visible images with strict registration.The fusion principle of low frequency sub-band coefficients was based on the block principal pivoting method for nonnegative matrix factorization.For high frequency sub-band coefficients, the sum of contrast was adopted as the fusion rule combining with regional variance-energy.For low and high frequency information, the fusion image was reconstructed through undecimated dual-tree complex wavelet inverse transformation, and both subjective visual evaluation and objective performance assessments of the fusion results wereimplemented.The comparative experimental results show the proposed algorithm has good subjective visual effects and the objective evaluation index is obviously improved, which verifies the effectiveness of the algorithm.【期刊名称】《计算机工程与设计》【年(卷),期】2017(038)003【总页数】6页(P729-734)【关键词】图像融合;非抽样双树复小波变换;非负矩阵分解;块主元旋转法;加权区域能量【作者】王旭辉;周岩;周苑【作者单位】河南工程学院计算机学院,河南郑州 451191;河南工程学院计算机学院,河南郑州 451191;河南工程学院计算机学院,河南郑州 451191【正文语种】中文【中图分类】TP391.4图像融合技术涉及人工智能等领域[1]。

基于非下采样轮廓波变换和直觉模糊集的红外与可见光图像融合

基于非下采样轮廓波变换和直觉模糊集的红外与可见光图像融合蔡怀宇;卓励然;朱攀;黄战华;武晓宇【期刊名称】《光子学报》【年(卷),期】2018(47)6【摘要】针对传统图像融合方法造成的边缘模糊、细节损失、图像对比度与清晰度容易降低等问题,利用非下采样轮廓波变换,提出一种基于直觉模糊集和区域对比度的红外与可见光图像融合算法.首先,使用非下采样轮廓波变换将源图像分解,分别得到源图像的高频和低频成分.其次,利用直觉模糊集灵活准确描述模糊概念的特性,构建双高斯隶属函数对低频成分进行融合;利用区域对比度详细描述图像纹理信息的特点,采用多区域特征对比度结合距离分析的融合规则,对高频成分进行融合.最后使用非下采样轮廓波逆变换得到融合图像.实验结果表明,与其它融合算法相比,该算法提高了图像对比度,保留了源图像中的边缘和细节信息,且得到的融合结果具有更优的客观评价值.【总页数】10页(P219-228)【关键词】图像融合;红外与可见光图像;非下采样轮廓波变换;直觉模糊集;区域对比度【作者】蔡怀宇;卓励然;朱攀;黄战华;武晓宇【作者单位】天津大学精密仪器与光电子工程学院,光电信息技术教育部重点实验室,天津300072【正文语种】中文【中图分类】TP391【相关文献】1.基于非下采样双树复轮廓波变换和稀疏表示的红外和可见光图像融合 [J], 殷明;段普宏;褚标;梁翔宇2.基于区域检测与非下采样轮廓波变换的红外与彩色可见光图像融合 [J], 曲仕茹;杨红红3.基于非下采样轮廓波的红外与可见光图像融合 [J], 王雪梅;陈立;汪君;王琴4.基于非下采样轮廓波变换与引导滤波器的红外及可见光图像融合 [J], 丁贵鹏;陶钢;李英超;庞春桥;王小峰;段桂茹5.基于非下采样双树复轮廓波与自适应分块的红外与可见光图像融合 [J], 邓辉;王长龙;胡永江;张玉华因版权原因，仅展示原文概要，查看原文内容请购买。

一种新的红外与可见光图像融合算法

一种新的红外与可见光图像融合算法何国栋;石建平;冯友宏;谢小娟;杨凌云【摘要】提出了一种新的红外与可见光图像融合算法,首先应用非抽样Contourlet 变换(NSCT)对图像进行多尺度、多方向变换,对变换的低频子带采用改进的能量加权法融合,带通子带融合采用最大系数与区域方差加权相结合方法,然后对融合的2个子带系数进行NSCT反变换,得到融合图像.对不同算法的融合实验结果进行比较,通过主观和客观评价,该算法融合效果较好.【期刊名称】《传感器与微系统》【年(卷),期】2014(033)004【总页数】3页(P139-141)【关键词】图像融合;非抽样Contourlet变换;红外图像;可见光图像【作者】何国栋;石建平;冯友宏;谢小娟;杨凌云【作者单位】安徽师范大学物理与电子信息学院,安徽芜湖241000;安徽师范大学物理与电子信息学院,安徽芜湖241000;安徽师范大学物理与电子信息学院,安徽芜湖241000;安徽师范大学物理与电子信息学院,安徽芜湖241000;安徽师范大学物理与电子信息学院,安徽芜湖241000【正文语种】中文【中图分类】TP391图像融合是一门建立在传感器、信号处理、图像处理和人工智能等理论基础上的新兴研究领域。

图像融合提取多幅图像的重要信息，并将其融合为一幅图像，通过一幅图像表达多幅图像所包含的信息，得到一个准确、全面和立体的场景描述，实现以较少的资源表达最大的信息量。

红外图像根据物体的热红外辐射特性成像，红外线能穿透一般的掩体，它常应用在夜晚或检测隐藏目标。

可见光图像应用物体表面可见光反射特性成像，设备简单且应用较广，但是它受气候和能见度等环境因素影响较大。

红外与可见光融合后的图像既能描述场景的环境信息，又能检测场景可能存在的隐藏信息，可以广泛应用于军事侦查和海关检测等领域，目前已经成为图像领域的研究热点[1]。

小波变换具有较好的时频特性，广泛应用于信号处理和图像处理等相关领域[2]。

视觉显著性指导的红外与可见光图像融合算法

收稿日期:２０１８Ｇ０８Ｇ２６㊀㊀㊀㊀网络出版时间:２０１８Ｇ０９Ｇ１８基金项目:国家自然科学基金(６１６７５１６０,６１４０１３４３);高等学校学科创新引智计划(B １７０３５)作者简介:易翔(１９８９－),男,西安电子科技大学博士研究生,E m a i l :a l a n y i ７＠１６３．c o m 网络出版地址:h t t p://k n s ．c n k i ．n e t /k c m s /d e t a i l /６１．１０７６．T N．２０１８０９１７．０９４７．００２．h t m l d o i １０敭１９６６５ j敭i s s n １００１Ｇ２４００敭２０１９敭０１敭００５视觉显著性指导的红外与可见光图像融合算法易㊀翔,王炳健(西安电子科技大学物理与光电工程学院,陕西西安７１００７１)摘要:为了获取适合人眼观测的高质量红外与可见光融合图像,提出了一种基于视觉显著性指导的红外与可见光图像融合算法.首先,利用改进的流形排序法分别检测红外与可见光图像的视觉显著性区域;然后,采用非下采样轮廓波变换对红外和可见光图像进行多尺度㊁多方向分解,从而获取各自低频子带和高频子带,并将视觉显著性的检测结果用于指导分配低频子带的融合权重,即依据显著度大小赋予不同的权值,而高频子带的融合则依据局部标准差准则赋值;最后,通过非下采样轮廓波逆变换获得融合图像.实验结果表明:这种算法不仅可以保全可见光图像中的细节信息,而且能够精确地突显出红外目标信息,具有较好的视觉效果,增强了红外与可见光复合前视系统的识别性能.关键词:图像融合;红外与可见光图像;非下采样轮廓波;视觉显著性中图分类号:T P ３９１㊀㊀文献标识码:A㊀㊀文章编号:１００１Ｇ２４００(２０１９)０１Ｇ０２７Ｇ０６F u s i o no f i n f r a r e da n d v i s u a l i m a g e s g u i d e db y v i s u a l s a l i e n c yY IX i a n g WA N GB i n g ji a n S c h o o l o fP h y s i c s a n dO p t o e l e c t r o n i cE n g i n e e r i n gX i d i a nU n i v 敭 X i a n７１００７１ C h i n a A b s t r a c t ㊀T oo b t a i nah i g h q u a l i t y f u s e di m a gec o n s i s t e n tw i t hc h a r a c t e r i s t i c so fh u m a nv i s i o n an o v e l i m a g e f u s i o nm e t h o d f o r i n f r a r e da n dv i s u a l i m a g e s g u i d e db y v i s u a l s a l i e n c y i s p r o p o s e d 敭F i r s t o f a l l f o r t h e g i v e n i n f r a r e da n dv i s i b l e i m a g e s t h em o d i f i e d M a n i f o l dR a n k i n g a l g o r i t h mi su t i l i z e dt oe x t r a c t t h e i r v i s u a l s a l i e n t a r e a s r e s p e c t i v e l y 敭T h e n s o u r c e i m a g e sa r ed e c o m p o s e d i nd i f f e r e n t s c a l e sa n dd i r e c t i o n sb y N o n Ｇs u b s a m p l e dC o n t o u r l e tT r a n s f o r mt o o b t a i n l o wf r e q u e n c y i n f o r m a t i o n a n dh i g h f r e q u e n c y i n f o r m a t i o n 敭A n dr e s u l t s o fv i s u a ls a l i e n c y d e t e c t i o n a r e u s e dt o g u i d et h ef u s i o n r u l e o fl o w f r e q u e n c y s u b b a n d c o e f f i c i e n t s 敭B e s i d e s t h e h i g h f r e q u e n c y s u b b a n d c o e f f i c i e n t s a r e f u s e d o w i n gt o t h e l o c a l s t a n d a r d d e v i a t i o n c r i t e r i o n 敭F i n a l l y t h e f u s e d i m a g e i s o b t a i n e d b y p e r f o r m i n g i n v e r s e N o n Ｇs u b s a m p l e d C o n t o u r l e t T r a n s f o r m敭E x p e r i m e n t a l r e s u l t sd e m o n s t r a t et h a tt h e p r o p o s e da l g o r i t h m c a nn o to n l y as s u r et h ef i n a l f u s e d i m a g e sw i t h c l e a r d e t a i l i n f o r m a t i o n b u t a l s o h i g h l i g h t t h e i n f r a r e d o b j e c t s a c c u r a t e l y w h i c h p r e s e n t s a g o o d v i s i o n e f f e c ta n d e f f e c t i v e l y e n h a n c e sr e c o g n i t i o n p r o b a b i l i t y o fi n f r a r e d a n d v i s i b l ec o m p o u n d s ys t e m s 敭K e y Wo r d s ㊀i m a g e f u s i o n i n f r a r e da n dv i s i b l e i m a g e s n o n Ｇs u b s a m p l e d c o n t o u r l e t v i s u a l s a l i e n c y 现代战机㊁战车及战舰的前舱均装备有红外与可见光复合的前视系统,以便作战人员在昼夜不同的天时条件下都具有理解前视场景和识别目标的能力[１].因此,如何提升这种复合前视系统的识别性能,一直是军方的期望和业界的研究热点之一.将红外图像与可见光图像进行融合处理,是增强这种复合前视系统性能的基本技术途径之一.此外,红外与可见光图像融合在安防㊁医疗和消防等领域也有着广泛的应用.图像融合可以分为图像分析方法的选择和融合规则的选取,其中,多分辨率分析法是最常用且有效的图像分析方法[２].常用的多分辨率分析方法有:金字塔变换[３]㊁小波变换(W a v e l e tT r a n s f o r m ,WT )[４]㊁轮廓２０１９年２月第４６卷㊀第１期㊀西安电子科技大学学报J O UR N A L ㊀O F ㊀X I D I A N ㊀U N I V E R S I T Y㊀F e b ．２０１９V o l ．４６㊀N o ．１８２㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀西安电子科技大学学报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４６卷波变换(C o n t o u r l e tT r a n s f o r m,C T)[５]和非下采样轮廓波变换(N o nＧS u b s a m p l e dC o n t o u r l e tT r a n s f o r m,N S C T)[６]等.其中,文献[６]中提出的N S C T被认为是一种适用于处理红外与可见光图像融合的多分辨率分析方法.融合规则的选取直接影响到最终融合图像的质量.目前,常用的红外与可见光图像融合算法在选择融合规则时,往往只是简单地采取加权平均值㊁绝对值或局部能量值等单个像素或邻域统计值作为依据,没有从图像全局上考虑区域之间的相关性,这样的处理容易丢失图像中重要的信息.因此,近年来,一些基于区域选择的图像融合算法被提了出来,以提高融合图像的质量,如基于区域分割和基于视觉显著性区域检测的图像融合算法等.前者采用阈值分割的方式从红外图像中分割出高温目标区域,并通过在融合时赋予该区域较高权重而突显红外目标,但它的结果对阈值的依赖性较大,且缺乏对可见光图像信息的有效分析,容易丢失图像细节信息[７];后者依据人类视觉系统(H u m a nV i s u a l S y s t e m,H V S)的视觉注意机制获取图像中人眼感兴趣区域,并将其应用于指导图像融合中融合规则的选取,如基于残差频谱(S p e c t r a lR e s i d u a l,S R)模型[８]和基于文献[９]的视觉模型(I T模型)的图像融合算法等.该类算法可在一定程度上提升融合图像的视觉效果,但是它们通常依据对比度来衡量视觉显著性,主要考虑前景(即高显著性区域,包括红外目标和可见光细节等)的特性,对背景进行过多的研究,其检测结果往往存在背景与前景区分不够精确的问题.将该类模型直接应用在红外与可见光图像融合时,因两种图像的对比度相差甚大的缘故,它们无法精确有效地检测出两种图像中不同特征的视觉显著性区域,其融合结果的视觉效果仍不够理想[１０].针对上述现有融合算法的不足,笔者提出了一种基于视觉显著性指导的红外与可见光图像融合算法,利用改进的流形排序(M a n i f o l dR a n k i n g,M R)算法使其能够更优地检测出红外与可见光图像中人眼感兴趣的视觉显著性区域,并利用视觉显著性检测结果指导图像融合规则的选取,最终在突显红外目标的同时,确保了图像整体细节信息清晰,有效地提升了融合图像的视觉效果.１㊀基于改进流形排序的视觉显著性检测M R算法综合考虑前景和背景的特性,将视觉显著性检测表述为一个前景和背景之间相似度的排序问题,并将最终排序得分记为显著度值,从而实现对图像的视觉显著性检测[１１].它可有效地检测出红外与可见光图像中不同特征的视觉显著性区域,但直接将该结果用于指导图像融合时,由于显著图中存在较多冗余的背景信息,最终导致融合图像的视觉效果较差.因此,文中采用非线性函数对M R显著图进行增强,压缩背景显著度值的同时,进一步提升前景显著度值,从而获取更优的视觉显著性检测结果.其具体操作步骤如下: (１)采用简单线性迭代聚类(S i m p l eL i n e a r I t e r a t i v eC l u s t e r,S L I C)算法[１２]对输入图像进行超像素分割,将输入图像表示为一个闭环图I(V,E),E表示节点V之间的边,并将超像素分割后图的节点V定义为数据集X＝{x１,x２, x m,x m＋１, ,x n},其中n为节点总个数.同时依据背景先验[１１]的知识,依次将落在图像４条边界中单独一条边界上的m个节点记为已标记点(即背景点),建立排序函数f:XңR,其表示利用已标记点,通过图模型传递给数据集X分配相应的排序得分.(２)计算背景点与未标记节点之间的相似度,边E的权重可由矩阵W＝[w i j]nˑn获取,图的度量矩阵为D＝d i a g{d１１,d２２, ,d n n},其中,d i i＝ðw i j,归一化其相似度矩阵S＝D－１/２W D－１/２.(３)构建一个指示向量L＝[l１,l２, ,l n]标记节点V,当该节点为未标记点时,记为１;否则记为０.然后依据公式T(k＋１)＝αS T(k)＋(１－α)y,进行迭代计算未标记点与背景点的排序评分,直至收敛.其中,αɪ(０,１),它控制了初始排序值和邻域传播对最终排序值的贡献大小,定义了排序评分传递过程中从邻近节点获得的排序评分.最终排序得分值即为该边界对应的背景排序图的显著度值.(４)依次获取不同边界对应的４幅背景排序图,并对它们采取取反运算后进行合并,获取一次排序后前景显著图并对其进行阈值分割,并将分割后的节点作为已标记点进行二次排序,以获取M R显著图R０.(５)采用S i g m o i d函数对M R显著图R０进行增强,从而抑制背景的干扰.最终显著图R的计算公式如下:h t t p://j o u r n a l．x i d i a n．e d u．c n/x d x bh t t p ://j o u r n a l ．x i d i a n ．e d u ．c n /x d x bR ＝１１＋e x p[－a (R ０－b )]㊀,(１)其中,a 和b 分别取经验值１０．０和０．６.图１和图２分别为红外图像和可见光图像经过不同视觉显著性检测方法得到的结果图.通过比较这两组视觉显著图的结果可以看出:S R 结果受复杂边缘影响较大,I T 结果精度不高,M R 结果中仍存在较多背景;文中等方法不仅可在充分抑制红外图像背景信息的基础上,有效地检测出红外图像的高温目标信息,而且可以精确地检测出可见光图像中的细节信息,为提升后续融合图像的质量创造了较好的条件.图１㊀红外图像的视觉显著性检测结果图２㊀可见光图像的视觉显著性检测结果２㊀基于视觉显著性指导的图像融合文中算法的流程如下:用改进的M R 算法分别对输入的红外图像和可见光图像进行视觉显著性检测;采用N S C T 分别对红外与可见光图像进行多级分解,得到各级低频和高频子带系数,并对低频子带系数采用基于视觉显著性指导的方式分配融合权重,而高频子带系数则采用基于图像局部标准差准则赋值;分级合并不同频段的系数,并进行N S C T 逆变换重构,获得最终融合图像.２．１㊀基于N S C T 的图像分析N S C T 包括非下采样金字塔分解(N o n ＧS u b s a m p l e dP y r a m i dF i l t e rB a n k s ,N S P F B )和非下采样的方向滤波器(N o n ＧS u b s a m pl e dD i r e c t i o n a l F i l t e r B a n d s ,N S D F B )两部分[１３],如图３所示.它首先采用N S P F B 对图像进行塔式分解,将图像分解为一个低频子带和多个环形高频带通子带;然后,利用N S D F B 进一步将上一步分解得到的高频子带进行多方向分解,重复这一过程,直至分解结束.N S D F B 在每次分解前都对对应的滤波器进行上采样,再对待分解子带进行分析滤波,确保了所有分解后的低频和高频子带与输入图像大小相同.图３㊀N S C T 分解示意图９２第１期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀易㊀翔等:视觉显著性指导的红外与可见光图像融合算法h t t p ://j o u r n a l ．x i d i a n ．e d u ．c n /x d x b２．２㊀融合规则选择２．２．１㊀低频融合规则红外图像(I n f r a r e d I m a g e ,I R )和可见光图像(V i s i b l e I m a ge ,V I )经N S C T 分解后所得的图像各像素点的低频子带系数分别为C I R L (x ,y )和C V I L (x ,y ),它们占据了图像的绝大部分能量,反映了图像的概貌[１４].相较加权平均等低频融合规则,基于视觉显著性指导的低频子带融合规则依据视觉显著性检测结果R I R(x ,y )和R V I (x ,y ),依次为两图中各像素点的低频系数分配不同的融合权值W I R L (x ,y )和W V IL (x ,y ),不仅能较好地保留可见光图像中的细节信息,而且有利于突出红外图像中的高温目标信息.文中低频系数C L (x ,y )的融合公式如下:C L (x ,y )＝W I R L (x ,y )C I R L (x ,y )＋W V I L (x ,y )C V IL (x ,y )㊀,(２)其中,融合权值W I R L (x ,y )和W V IL (x ,y )计算公式为W I R L (x ,y )＝R I R (x ,y )/[R I R (x ,y )/(R I R (x ,y )＋R V I(x ,y )]㊀,(３)W V I L (x ,y )＝１－W I RL (x ,y )㊀.(４)２．２．２㊀高频融合规则图像经多尺度分解后的高频分量包含图像的边缘㊁区域轮廓等细节信息,而局部标准差可以有效地代表图像细节的信息量[１５].因此,文中将局部标准差作为融合的依据对相应的高频子带系数进行融合,即选择两图中局部标准差的较大值作为融合图像的高频系数.高频子带系数中心点(x ,y )在第j 层㊁h 方向上,局部标准差σ定义如下:σj ,h (x ,y )＝１N ˑN ðk ,l ɪU (x ,y )(I j ,h (k ,l )－E (U j ,h (k ,l )))２[]１/２㊀,(５)其中,U (x ,y )是以点(x ,y )为中心的N ˑN 大小方形局部窗口区域,文中选取窗口大小为５ˑ５;E [U j ,h (k ,l)]为该局部窗口的灰度均值.３㊀实验结果及分析比较为进一步验证算法的有效性,实验选用两组同一场景下２５６ˑ２５６大小的红外与可见光图像进行融合,并在m a t l a b ２０１３a ,I n t e l (R )C o r e (T M )i ３(２１２０C P U＠３．３０G H 平台上对基于N S C T 的图像融合算法(F _N S C T )[５]㊁基于区域分割的图像融合算法(F _R S )[７]㊁基于I T 视觉显著性模型的图像融合算法(F _I T )[８]㊁基于S R 视觉显著性模型的图像融合算法(F _S R )[９]㊁基于M R 视觉显著性模型的图像融合算法(F _M R )和文中算法进行处理,仿真实验结果如图４和图５所示.并按主观视觉和客观标准进行分析和评价,其中,F _N S C T 的低频融合规则采取加权平均准则,而高频融合规则采用绝对值取大的方式;F _I T ㊁F _S R ㊁F _M R 和文中算法均采取了基于视觉显著性指导的低频融合规则和基于局部标准差的高频融合准则.３．１㊀主观视觉评价第１组实验图像来源于U N C a m p 的红外与可见光序列图.如图４(a )和图４(b )所示,红外图像背景模糊但突显了行人目标;可见光图像中树木㊁灌丛和栅栏等场景清晰可见,行人目标被灌丛遮挡.图４(c )~图４(h )给出了不同算法的融合效果图.由从主观视觉效果上看,F _N S C T 结果只是简单地采用基于加权平均法的低频融合规则,因而红外行人目标信息较为模糊;F _R S 结果虽然突显了行人目标,但树木等细节较为模糊;F _S R 的结果整体偏暗,且行人目标不够突出;F _I T 的结果虽然在一定程度上突显了红外目标和可见光细节信息,但由于显著性检测结果不理想,导致行人目标周边出现了光晕且图像左下角树木出现较为不自然的黑影;F _M R 的结果由于受到显著图中冗余背景的影响,导致栅栏和树木的细节不够清晰;文中算法的结果相较其他算法,行人目标最为突显且图像细节部分最为清晰,如图像中间栅栏与行人周围的灌丛均清晰可见.０３㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀西安电子科技大学学报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４６卷h t t p ://j o u r n a l ．x i d i a n ．e d u ．c n /x d xb图４㊀第１组实验不同算法的融合效果第２组实验图像为野外场景,如图５(a )和图５(b)所示,红外图像行人目标较为明显而背景较暗;可见光图像中树木纹理较为清晰而行人较暗.图５(c )~图５(h )给出了不同算法的融合效果图.在F _N S C T 结果中,红外行人目标信息模糊;在F _R S 和F _I T 的结果中,在行人目标边缘处出现了不自然的阴影;在F _S R 和F _M R 的结果中,树木细节信息丢失;相较其他算法,文中算法在融合时对不同亮暗区域都有着较好的处理能力,因而其视觉效果最优.综上,文中算法在两组实验中都取得了最优的主观视觉效果.图５㊀第２组实验不同算法的融合效果３．２㊀客观性能指标评价文中采用边缘保持度(E d g eP r e s e r v eI n d e x ,E P I )㊁图像清晰度(F i gu r e D e f i n t i o n ,F D )㊁香农熵(S h a n n o nE n t r o p y ,S E )㊁空间频率(S p a t i a l F r e q u e n c y ,S F )和结构相似度(S t r u c t u r a l S I M i l a r i t y ,S S I M )５个准则,从图像的边缘保持能力㊁细节清晰度㊁信息量大小㊁整体对比度和结构相似性等方面来对其进行客观１３第１期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀易㊀翔等:视觉显著性指导的红外与可见光图像融合算法２３㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀西安电子科技大学学报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４６卷评价.各指标值越大,表明融合图像的效果越好[１６Ｇ１７].两组实验的客观评价结果如表１和表２所示.表１㊀第１组实验融合结果客观评价比较算法E P I F D S E S F S S I MF_N S C T３８．０４５７５．７１１３６．２９７７１０．１４５２０．７０１８F_R S４０．５６８９５．９０４７６．５０２７１０．００２５０．７５６９F_S R３８．１４５４５．９５８７６．１６８９１０．０６９３０．７１２５F_I T３８．２３８１５．７４３６６．３０５９１０．１９７８０．７１５３F_M R４１．９０６６５．９６１５６．７５６６１０．７７８１０．７３９１文中算法４６．２１４４６．２５８０７．２８３６１１．５５４６０．７５３０表２㊀第２组实验融合结果客观评价比较算法E P I F D S E S F S S I MF_N S C T２８．４８７３３．３９１８６．６０６６６．３５４００．８０７０F_R S２４．０２９９２．７３６４６．４０６１５．０１７７０．８２９７F_S R２７．９０１０３．１７３８７．０３８３５．７９７５０．８０５０F_I T２６．１４１２２．９７６３７．０１１３５．４４８５０．８１０１F_M R２５．５３８２２．９９０６６．６５８８５．５２９８０．８１６５文中算法３１．２８６１３．７０８７７．１５９２６．９２０２０．８１８６㊀㊀由表１和表２可知,文中提出的融合算法,在E P I㊁F D㊁S E和S F这４项指标上都优于其他５种融合算法,在S S I M上仅略低于F_R S算法(F_R S算法融合时采取了完全保留分割区域外可见光信息的操作,因而S S I M值较高),这也证明了文中算法能有效地提升最终融合后图像的质量,并与上述主观视觉分析取得一致结论.４㊀结束语笔者提出了一种基于视觉显著性指导的红外与可见光图像融合算法.该算法依据人眼对图像内容的识别特性指导图像融合,首先利用改进的流形排序算法分别对红外与可见光图像进行视觉显著性检测,然后依据视觉显著性检测结果指导融合规则的选取,最终获取适用于人眼观测的高质量融合图像.实验中不同算法的对比结果表明,文中算法可以获取红外目标信息突出㊁背景细节清晰的融合图像,使之符合人眼视觉特性,为红外与可见光复合前视系统的高性能检测和识别提供了极大的便利.参考文献:１L I U C H Q IY D I N G W R敭I n f r a r e da n dV i s i b l e I m a g eF u s i o n M e t h o dB a s e do nS a l i e n c y D e t e c t i o n i nS p a r s eD o m a i n J敭I n f r a r e dP h y s i c s a n dT e c h n o l o g y２０１７８３９４Ｇ１０２敭２霍冠英李庆武石丹敭一种邻域一致性的N S C T域多传感器图像融合算法J敭西安电子科技大学学报２０１０３７４７７０Ｇ７７６敭HU O G u a n y i n g L IQ i n g w u S H ID a n敭M u l t iＧs e n s o r I m a g eF u s i o nA l g o r i t h mC o n s i d e r i n g N e i g h b o r h o o dC o n s i s t e n c y i n t h eN o n s u b s a m p l e dC o n t o u r l e tT r a n s f o r m D o m a i n J敭J o u r n a l o fX i d i a nU n i v e r s i t y２０１０３７４７７０Ｇ７７６敭３余美晨孙玉秋王超敭基于拉普拉斯金字塔的图像融合算法研究J敭长江大学学报自然科学版２０１６１３３４２１Ｇ２６敭Y U M e i c h e n S U N Y u q i u WA N GC h a o敭I m a g eF u s i o nA l g o r i t h mB a s e do nL a p l a c i a nP y r a m i d J敭J o u r n a l o fY a n g t z e U n i v e r s i t y N a t u r a l S c i e n c eE d i t i o n２０１６１３３４２１Ｇ２６敭４Z U O YJ L I UJ B A IG e t a l敭A i r b o r n e I n f r a r e da n dV i s i b l e I m a g eF u s i o nC o m b i n e dw i t hR e g i o nS e g m e n t a t i o n J敭S e n s o r s２０１７１７５１１２７敭５K O N G W L E IY N iX敭F u s i o nT e c h n i q u e f o rG r e yＧs c a l eV i s i b l eL i g h t a n d I n f r a r e d I m a g e sB a s e do nN o nＧs u b s a m p l e dC o n t o u r l e tT r a n s f o r ma n d I n t e n s i t yＧh u eＧs a t u r a t i o nT r a n s f o r m J敭I E TS i g n a l P r o c e s s i n g２０１１５１７５Ｇ８０敭６C U N HA A L D Z H O UJ D O M N敭T h eN o n s u b s a m p l e dC o n t o u r l e tT r a n s f o r m T h e o r y D e s i g n a n d A p p l i c a t i o n s J敭I E E ET r a n s a c t i o n s o n I m a g eP r o c e s s i n g２００６１５１０３０８９Ｇ３１０１敭(下转第３８页)h t t p://j o u r n a l．x i d i a n．e d u．c n/x d x b８３㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀西安电子科技大学学报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４６卷T e c h n o l o g y T r a n s f e r２０１４１６５５０７Ｇ５１８敭１０T I A NC D U A NZ D U A NZ e t a l敭M o r eE f f e c t i v e I n t e r p o l a t i o n s i nS o f t w a r eM o d e l C h e c k i n g C P r o c e e d i n g s o f t h e ２０１７３２n d I E E E A C M I n t e r n a t i o n a l C o n f e r e n c e o n A u t o m a t e d S o f t w a r e E n g i n e e r i n g敭P i s c a t a w a y I E E E ２０１７１８３Ｇ１９３敭１１B A L LT MA J UM D A RR M I L L S T E I N T e t a l敭A u t o m a t i cP r e d i c a t eA b s t r a c t i o no f CP r o g r a m s C P r o c e e d i n g s o f t h e２００１A C M S I G P L A NC o n f e r e n c e o nP r o g r a m m i n g L a n g u a g eD e s i g na n d I m p l e m e n t a t i o n敭N e w Y o r k A C M ２００１２０３Ｇ２１３敭１２B A L LT P O D E L S K IA R A J AMA N ISK敭B o o l e a na n dC a r t e s i a nA b s t r a c t i o n f o rM o d e lC h e c k i n g CP r o g r a m s C L e c t u r eN o t e s i nC o m p u t e r S c i e n c e２０３１敭H e i d e l b e r g S p r i n g e rV e r l a g２００１２６８Ｇ２８３敭１３B E Y E R D L E M B E R G E R T敭S y m b o l i c E x e c u t i o n w i t h C E G A R C L e c t u r e N o t e si n C o m p u t e rS c i e n c e９９５２敭H e i d e l b e r g S p r i n g e rV e r l a g２０１６１９５Ｇ２１１敭１４T I A NC D U A NZ D U A NZ敭M a k i n g C E G A R M o r eE f f i c i e n t i nS o f t w a r eM o d e l C h e c k i n g J敭I E E ET r a n s a c t i o n so n S o f t w a r eE n g i n e e r i n g２０１４４０１２１２０６Ｇ１２２３敭１５B E Y E R D J A K O B S M C L E M B E R G E R T e ta l敭R e d u c e rＧb a s e d C o n s t r u c t i o n o f C o n d i t i o n a l V e r i f i e r s C P r o c e e d i n g s o f t h e２０１８I n t e r n a t i o n a l C o n f e r e n c e o nS o f t w a r eE n g i n e e r i n g敭W a s h i n g t o n I E E EC o m p u t e r S o c i e t y２０１８１１８２Ｇ１１９３敭１６B E Y E RD LÖW ES敭E x p l i c i tＧs t a t e S o f t w a r eM o d e l C h e c k i n g B a s e d o nC E G A Ra n d I n t e r p o l a t i o n C L e c t u r eN o t e s i nC o m p u t e r S c i e n c e７７９３敭H e i d e l b e r g S p r i n g e rV e r l a g２０１３１４６Ｇ１６２敭(编辑:郭㊀华)㊀㊀(上接第３２页)７㊀L I A OJW HU A N GJ WA N GZ e t a l敭F u s i o n o fV i s i b l e I m a g e a n d I n f r a r e d I m a g e B a s e d o nC o n t o u r l e t T r a n s f o r ma n dI m p r o v e dS p a t i a l F r e q u e n c e C P r o c e e d i n g s o f t h e２０１４２n d I n t e r n a t i o n a l C o n f e r e n c e o n I n f o r m a t i o nT e c h n o l o g y a n dEＧl e c t r o n i cC o m m e r c e敭P i s c a t a w a y I E E E２０１４３２２Ｇ３２５敭８L I U H X Z HU T H Z HA OJ J敭I n f r a r e d a n dV i s i b l e I m a g eF u s i o nB a s e d o nR e g i o n o f I n t e r e s tD e t e c t i o n a n dN o n s u bＧs a m p l e dC o n t o u r l e tT r a n s f o r m J敭J o u r n a l o f S h a n g h a i J i a o t o n g U n i v e r s i t y２０１３１８５５２６Ｇ５３４敭９F UZZ WA N GX L I XF e t a l敭I n f r a r e d a n dV i s i b l e I m a g e F u s i o nB a s e d o nV i s u a l S a l i e n c y a n dN S C T J敭J o u r n a l o f U n i v e r s i t y o fE l e c t r o n i cS c i e n c e a n dT e c h n o l o g y o fC h i n a２０１７４６２３５７Ｇ３６２敭１０C U IG M F E N G H X UZ e t a l敭D e t a i l P r e s e r v e dF u s i o no fV i s i b l e a n d I n f r a r e d I m a g e sU s i n g R e g i o n a l S a l i e n c y E xＧt r a c t i o na n d M u l t iＧs c a l e I m a g eD e c o m p o s i t i o n J敭O p t i c sC o m m u n i c a t i o n s２０１５３４１１９９Ｇ２０９敭１１Y A N GC Z HA N GL L H H e t a l敭S a l i e n c y D e t e c t i o n v i aG r a p hＧb a s e dM a n i f o l dR a n k i n g C P r o c e e d i n g s o f t h e２０１３I E E EC o m p u t e r S o c i e t y C o n f e r e n c e o nC o m p u t e rV i s i o n a n dP a t t e r nR e c o g n i t i o n敭W a s h i n g t o n I E E EC o m p u t e r S o c i e t y２０１３３１６６Ｇ３１７３敭１２A C HA N T A R S HA J IA S M I T H K e t a l敭S L I CS u p e r p i x e l sC o m p a r e dt oS t a t eＧo fＧt h eＧa r tS u p e r p i x e lM e t h o d s J敭I E E ET r a n s a c t i o n s o nP a t t e r nA n a l y s i s a n d M a c h i n e I n t e l l i g e n c e２０１２３４１１２２７４Ｇ２２８１敭１３X I A N G TZ G A O R Y A NL e t a l敭R e g i o nF e a t u r eB a s e dM u l t iＧs c a l eF u s i o nM e t h o d f o rT h e r m a l I n f r a r e d a n dV i s i b l eI m a g e s J敭G e o m a t i c s a n d I n f o r m a t i o nS c i e n c e o fW u h a nU n i v e r s i t y２０１７４２７９１１Ｇ９１７敭１４HU A N G Y B ID WU D敭I n f r a r e da n d V i s i b l e I m a g eF u s i o nB a s e do nD i f f e r e n tC o n s t r a i n t s i nt h eN o nＧs u b s a m p l e d S h e a r l e tT r a n s f o r m D o m a i n J敭S e n s o r s２０１８１８４１１６９敭１５P A R AMA N D A N D HAM N R A J E N D I R A NK敭AS i m p l e a n dE f f i c i e n t I m a g e F u s i o nA l g o r i t h mB a s e d o nS t a n d a r dD e v iＧa t i o n i n W a v e l e tD o m a i n C P r o c e e d i n g s o f t h e２０１６I E E EI n t e r n a t i o n a l C o n f e r e n c e o n W i r e l e s sC o m m u n i c a t i o n s S i gＧn a l P r o c e s s i n g a n dN e t w o r k i n g敭L a u s a n n e P r e s s e sP o l y t e c h n i q u e sE tU n i v e r s i t a i r e sR o m a n d e s２０１６２２０７Ｇ２２１１敭１６MAJL Z H O U Z WA N G B e t a l敭I n f r a r e da n d V i s i b l e I m a g eF u s i o nB a s e do n V i s u a lS a l i e n c y M a p a n d W e i g h t e d L e a s t S q u a r eO p t i m i z a t i o n J敭I n f r a r e dP h y s i c s a n dT e c h n o l o g y２０１７８２８Ｇ１７敭１７MAJY MA Y L I C敭I n f r a r e d a n dV i s i b l e I m a g eF u s i o nM e t h o d s a n dA p p l i c a t i o n s a S u r v e y J敭I n f o r m a t i o nF u s i o n ２０１７４５１５３Ｇ１７８敭(编辑:齐淑娟)㊀㊀h t t p://j o u r n a l．x i d i a n．e d u．c n/x d x b。

一种基于非采样Contourlet变换红外图像与可见光图像融合算法

一种基于非采样Contourlet变换红外图像与可见光图像融合算法张强;郭宝龙【期刊名称】《红外与毫米波学报》【年(卷),期】2007(26)6【摘要】针对同一场景红外图像与可见光图像的融合问题,提出了一种基于非采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)图像融合算法.算法首先采用NSCT对源图像进行多尺度、多方向分解,得到低频子带系数和各带通方向子带系数.然后,针对低频子带系数的选择,提出了一种基于红外图像与可见光图像物理特征的"加权平均"系数选择方案;针对各带通方向子带系数的选择,结合人眼视觉特性,提出了一种基于区域能量匹配的系数选择方案,得到融合图像的NSCT 系数.最后经过NSCT逆变换得到融合图像.实验结果表明该算法可获得较理想的融合图像,其融合效果优于传统的基于离散小波变换以及离散小波框架变换的图像融合算法.【总页数】5页(P476-480)【作者】张强;郭宝龙【作者单位】西安电子科技大学机电工程学院,智能控制与图像工程研究所,陕西,西安,710071;西安电子科技大学机电工程学院,智能控制与图像工程研究所,陕西,西安,710071【正文语种】中文【中图分类】TP391【相关文献】1.一种基于非采样Contourlet变换的图像融合算法 [J], 李美丽;王红梅;李言俊;张科2.基于区域分割和非采样Contourlet变换的红外和可见光图像融合 [J], 杨粤涛;朱明;贺柏根;高文3.基于非采样Contourlet变换的红外与可见光图像融合方法 [J], 柴奇;杨华;杨伟4.一种基于非采样Contourlet变换的图像融合算法 [J], 黄克宇;李敏;何玉杰;梁婷5.基于非抽样Contourlet变换的红外图像和可见光图像融合算法 [J], 何国栋;梁栋;姚红;夏颖;李新华因版权原因，仅展示原文概要，查看原文内容请购买。

基于非抽样Contourlet变换的红外图像和可见光图像融合算法

基于非抽样Contourlet变换的红外图像和可见光图像融合算
法
何国栋;梁栋;姚红;夏颖;李新华
【期刊名称】《微电子学与计算机》
【年(卷),期】2009()2
【摘要】分析了非抽样Contourlet变换(nonsubsampled contourlet transform,NSCT)的原理和优点,针对红外图像和可见光图像的特征,提出了一种新的基于NSCT图像融合算法,应用NSCT对图像进行多尺度、多方向分解,低频子带采取区域能量加权法融合,带通子带采取区域方差加权法融合,最后将融合的系数进行NSCT逆变换得到融合图像.实验表明,与其它融合算法比较,该算法融合图像效果较好.
【总页数】4页(P8-11)
【关键词】图像融合;Contourlet变换;非抽样Contourlet变换
【作者】何国栋;梁栋;姚红;夏颖;李新华
【作者单位】安徽大学计算智能与信号处理教育部重点实验室;安徽师范大学物理与电子信息学院
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于Contourlet变换和IPCNN的融合算法及其在可见光与红外线图像融合中的应用 [J], 刘盛鹏;方勇
2.一种基于非采样Contourlet变换红外图像与可见光图像融合算法 [J], 张强;郭宝龙
3.基于区域分割和非采样Contourlet变换的红外和可见光图像融合 [J], 杨粤涛;朱明;贺柏根;高文
4.基于非采样Contourlet变换的红外与可见光图像融合方法 [J], 柴奇;杨华;杨伟
5.基于(A) Trous-contourlet变换的红外与可见光图像融合算法 [J], 柴奇;王黎明;杨伟
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

宁波大学信息科学与工程学院，浙江宁波３５１１２１
ＦｃｌｆＩｆｍａｏｃｅｃｎｅｈｏｇ，ｉｂｎｖｒｔ，ｉｇｏＺｅａｇ３５１，ｈｎａｕｙｏｎｏｔｎＳｉｅａｄＴｃｎｌｙＮｎｏＵｉｅｓｙＮｎｂ，ｈｊｎ２Ｃｉａｔｒｉｎｏｇｉｉ１１
获取红外图像的热目标信息。
关键词：非抽样轮廓波变换；邻域一致性测度；红外图像；图像融合ＤＯ：０７８．ｓ．０ — ３１００７５文章编号：０２８３（０００ — １５０文献标识码：中图分类号：Ｐ９Ｉ１．７／ｉｎ１２８３．１．．３３ｊｓ０２００１０— ３１２１）７０７ — ３ＡＴ３１
Ｋｅｒｓｎｎｓｂａｌｄｃｎｏｒｔｔｎｆｒ；ｅｇｂｒｏｄｈｍｏｅｅｔａｕｅｎ；ｎｒｒｄｉｇ；ｇｕｉｎｙｗｏｄ：ｏ — ｕｓｍｐｅｏｔｕｌｒｓｏｅａｍｎｉｈｏｈｏｏｇｎｉｍｅｓｒｍｅｔｉａｅｍａｅｉｙｆｍａｅｆｓｏ
ｆｓｎｖｅｈｏｏｄＨｍｇｎｉａｕｅｎＮＭ）ｈｉｌｉｅｕｔｓｏｈｔｔｅｐｅｅｔｄａｏｉｍｃｎｎｔｏｌｕｉｉＮｉｂｒｏｏｏｅｅｙＭｅｓｒｍｅｔ（Ｈ．ｅｓａｏｒｓｌｈｗｔａｈｒｓｎｅｇｒｈａｏｎｏａｇｈｔＴｍｕｔｎｓｌｔｙ
ｈｌｓｅｔｍｉｏａｉｆｔｉａｉａｅｂｔａｓｇｔｈｔｏｊｃｉｏａｉｆｔｅｉｒｒｄｉｇｆｃｖｌ．ｏｄｐｃｕｎｒｔｎｏｅｖｕｍｇ，ｕｌｅｏｂｅｔｎｒｔｎｏｈｎａｍａｅｅｅｔｅｒｆｍｏｈｓｌｏｆｍｏｆｅｆｉｙ
Ｅ— ｉ：ｚｅｙ＠ｎｕｅｕｃｍａｌｆｈｎｕｂ．ｄ．ｎｕ
ＦＵＺｈｎ－ｕ，ＩｅｙＪＮＷｅ，ｉＣＥＮｏｇｙｎＩｆａｅｎｉｉｌｍａｅｕｉｎｕｉｇｎｎ— ｕｓｍｐｅｏｔｕｌｔｔａｓｏｍ．Ｘｉｎ－ｉｇ．ｒｒｄａｄｖｓｂｅｉｇｓｆｓｏｎｏｓｂａｌｄｃｎｏｒｅｒｎｆｇａｄＡｐｉｔｎ，００４（）１５１７ｏｕｅｎｉｅｉｎｐｌａｏｓ２１，６７：７－７．ｎｎｃｉ
ＡｓａｔｕｉｌｒｈｏｎａｄａｄｖｉｅｉａｅｓｇＮｎＳｂａｐｅｏｔｒｔＴａｓｒ（ＳＴｓｐｏｏｅ．ｙｂｔｃ：Ａｆｓｎａｏｉｍｆｒｉｒｒｎｉｂｍｇｓｕｉｏ — ｕｓｍｌＣｎｕｌｒｎｆｍＮＣ）ｉｒｐｓｄＢｒｏｇｔｆｅｓｌｎｄｏｅｏ
ＣｍｕｒＥｇｎｅｉｎｐｌａｏｓ计算机工程与应用ｏｐｔｎｉｅｒｇａｄＡｐｉｔｎｅｎｃｉ
采用非抽样轮廓波的红外与可见光图像融合
傅震宇，金炜，岑雄鹰
Ｆｈｎｙ，ＩＷｅ，ＮＸｉｎ — ｉｇＵＺｅ－ｕＪＮｉＣＥｏｇｙｎ
１前言
由于不同图像传感器的成像机理和成像波段不同，所获得的同一场景的图像具有信息的冗余性和互补性。可见光波段和红外波段传感器是最为常用的图像传感器，红外成像传感器只敏感于目标场景的热辐射，主要由目标场景的辐射率差及温差决定，可见光成像传感器只敏感于目标场景的反射，与其热对比度无关，将可见光图像与红外图像进行融合，以充分利用可
ｕｉｇＮＳＴ，ｈｉｐｔｉｇｓａｅｄｃｍｐｓｄｎｏｍｕｔ－ｃｌａｄｓＣｔｅｎｕｍａｅｒｅｏｏｅｉｔｌｓａｅｎｍｕｔｄｅｃｉｎｓｂａｄｔｅｒｓｎｔｅｉｈｉｎｉｎｌｎｉｌ — ｉｒｔｕｂｎｓｏｒｐｅｅｔｈｈｇｄｍｅｓｏａｉｏ
摘要：出了一种基于非抽样轮廓波变换的红外与可见光图像融合算法。提该算法首先利用非抽样轮廓波变换对输入图像进行多尺度、多方向稀疏分解，有效地表达了图像的高维奇异信息；然后，了弥补基于像素的图像融合方法的不足，变换域通过邻域为在
一
致性测度的计算，实现了变换系数的局部自适应融合。实验结果表明，所提出的算法既可保持可见光图像的光谱信息，又可有效
ｓｎｕａｉｍａｅ．ｈｎｉｏｄｒｔｖｒｏｔｅｈｒｏｎｆｐｘｌｂｓｄｆｓｎ，ｉｌｇｒｈｉｇｌｒｙｏｉｇｓｅ，ｎｒｅｏｔｆＴｏｅｃｍｅｈｓｏｔｍｉｇｏｉｅ — ａｅｕｉｔｓｃｏｈａｏｉｍｒａｉｓｈｌｃｌａａｔｅｔｅｚｔｅｏａｄｐｉｌｅｖ