冯福存, 常莉红

(宁夏师范学院 数学与计算机科学学院, 宁夏 固原 756099)

红外与可见光图像融合是多传感器图像融合领域的关键技术. 虽然红外线传感器利用物体表面的热辐射成像不受天气和光照的影响, 但所得的红外线图像具有细节不明显、 对比度低、 视觉感知差等缺点. 可见光图像是由可见光图像传感器通过接收物体表面光照反射成像的, 在良好的光照条件下, 可见光图像具有丰富的内容细节, 分辨率较高, 更适合于人的感知系统. 因此, 利用这两种图像的互补信息, 将二者融合的方法得到广泛应用[1-3]. 目前, 已有许多关于红外线图像与可见光图像的融合算法[4-6], 其中基于多尺度变换的(multiscale transform, MST)融合方法应用最广泛, 如Laplace金字塔变换(Laplacian pyramid, LP)[7]、 离散小波变换(discrete wavelet transform, DWT)[8]、 对偶树复小波变换 (dual-tree complex wavelet, DTCWT)[9]、 曲线波变换(curvelet transforms, CVT)[10]和非下采样轮廓波变换(nonsubsampled contourlet transform, NSCT)[11]等. 但传统基于多尺度的融合方法在低频部分采用分解系数取平均值, 高频部分取系数最大值的融合规则, 这种融合规则并不适合于红外线和可见光这种像素强度差异很大的图像融合, 特别是当可见光的光照条件较差时, 通常会严重降低融合图像的对比度, 损失红外线图像中的目标信息. Liu等[12]将稀疏表示的融合理论引入到多尺度分解的低频系数融合中, 改善了取平均的融合规则产生的对比度下降问题. 脉冲耦合神经网络(pulse coupled neural network, PCNN)是一种非常适合用于MST分解高频系数的融合规则[13], 但PCNN模型通常包含一系列自由选择的参数; Yin等[14]提出……