论文部分内容阅读
红外图像与可见光图像成像原理不同,两者所包含的信息存在较大差别。红外图像是基于热源目标成像,对温度敏感,但受光照影响很小。可见光图像含有丰富的细节信息,但受光照强度、环境等因素的影响较大,不能全天候工作。利用红外与可见光图像的信息互补优势进行融合,可以获得一幅目标显著,背景丰富的综合图像,从而有利于观察人员更加深刻的理解场景内容。传统融合算法中存在图像边缘、纹理等细节信息缺失以及背景信息保留不够充分等问题。本文结合国内外最新研究成果,在图像的多尺度融合框架下分别对这两个问题展开研究。论文的主要研究内容及创新如下:(1)研究了压缩感知(Compressive Sensing,CS)理论和链接突触计算网络(Linking Synaptic Computation Network,LSCN)模型。基于CS、LSCN以及改进的脉冲耦合神经网络(Improved Pulse Coupled Neural Network,IPCNN),提出了一种红外与可见光图像融合算法。该方法将静态小波变换(Static Wavelet Transform,SWT)与非降采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)相结合,以进一步对图像进行稀疏表示。根据分解后系数的特征分布,将CS、IPCNN应用到各分量的融合中,并提出了一种分层的LSCN增强策略。实验结果表明,该方法的融合图像细节信息丰富,各项指标要与优于其他方法。(2)研究了脉冲发放皮层模型(Spiking Cortical Model,SCM)。针对SCM模型对于图像中的偏暗区域不够敏感的问题,首次提出了一种双通道SCM模型(Dual Channel Spiking Cortical Model,DCSCM)。该模型减少了传统SCM中的参数数量,并且可以有效提取图像中的偏暗区域。本文结合引导滤波和DCSCM模型,提出了一种红外与可见光图像融合算法。在该方法中,采用非降采样Shearlet变换(Nonsubsampled Shearlet Transform,NSST)对源图像进行分解。分别用改进的引导滤波算法和DCSCM模型对NSST低频、高频分量加以融合。选择待融合图像进行实验,结果表明,该方法的融合图像边缘保持较好,背景信息丰富,相对于另外几种方法优势比较明显。