CN114862710B 红外和可见光图像融合方法及装置 （中国人民解放军陆军工程大学）

号本说明书实施例提供了一种红外和可见光2利用滚动引导滤波器将源图像进行基础层和根据公式1和公式2对源图像进行基础和细节分解，通过求解得到图像In的细节层n的基础层；基于构造的结构一纹理分解模型将所述基础层再次分解，础纹理层*:使用各层所对应的不同融合规则，对所述细节层、所述基础结通过滚动引导滤波器生成训练数据的细节层，从细节图像中收集8x8大小的块，构建3采用基于视觉显著图VSM的加权平均技术对基础结构层进行预pp设V1和V2分别表示不同源图像的VSMs，和表示不同源图像的基础结构层图像，b被定义为：4根据公式1和公式2对源图像进行基础和细节分解，通过求解得到图像In的细节层n的基础层；础纹理层*:显著图VSM的加权平均技术对基础结构层进行预融合；采用主成分分析方法对基础纹理层通过滚动引导滤波器生成训练数据的细节层，从细节图像中收集8x8大小的块，构建5设V1和V2分别表示不同源图像的VSMs，和表示不同源图像的基础结构层图像，b被定义为：6[0001]本文件涉及图像融合技术领域，尤其涉及一种红外和可见光图像融合方法及装[0004]为解决这一问题，出现了一些同步融合去噪方法。其中基于稀疏表示(Sparse种有效的基于SR的图像去噪算法，该方法建立了噪声标准差与稀疏重建误差之间的联系，7[0021]图4是本发明实施例的在第二和第四行输入图像中加入σ=30的高斯白噪声的三[0024]图7是本发明实施例的不同C值在细节层融合和去噪的结果(噪声水平20)的示意8层分解，根据图像特征自适应确定最大稀疏重构误差参数,从而同时实现对细节分量的融[0031]为了使本技术领域的人员更好地理解本说明书一个或多和基础纹理层":9[0051]通过滚动引导滤波器生成训练数据的细节层，从细节图像[0060]其中，采用基于视觉显著图VSM的加权平均技术对基础结构层进行预融合具体包pp为[0080]本发明实施例提出一种基于三尺度分解和稀疏表示的红外和可见光图像融合方[0086]其中Gaussian(I,σs区间梯度算子。将离散信号I中的像素p的区间梯度滤波器(IntervalGradientFilter,ppRGF将源图像分解为基础和细节分量，此时大部分细节和外部噪声都能被有效地保留到细的联系，有效实现融合去噪；对于基础结构层，采用基于视觉显著图(Visualsaliency[0122]对于基础层融合通常采用绝对果可能会由于对比度降低和边缘退化而变差。但对图像进行多次分解仍不能将图像基础、[0127]图4中的每一组图像包含一个无噪声图像和相应的噪声图像，这两组图像验证了[0130](3)无噪声和噪声图像产生的结构和纹理层非常相似，即噪声信息几乎完全存在交匹配追踪算法(OrthogonalMatchingPursuit,OMP)生[0136]式中为源图像In的第k个小块，为对应的稀疏向量。为最大稀疏重构误。[0154]将可见光和红外图像的基础纹理图像和作为矩阵γ的列向量。再将每一[0167]此处主要对式(22)中的自由参数C进行分析。由于模型中的去噪过程仅针对细节[0170]此外，式(22)中的参数P设为0.001，式(19)区间梯度滤波参数设为Φ=3,λ=为可见光图像；图8(a3_a8,b3_b8,c3_c8)和图9(a3_a8,b3_b8)为不同方法得到的融合结融合去噪方法，充分利用RGF滤波器和SR方法的优点。采用稀疏表示对细节层图像进行融和基础纹理层*:[0214]通过滚动引导滤波器生成训练数据的细节层，从细节图像为