朱亚辉

(陕西学前师范学院 数学与统计学院,西安 710100)

红外与可见光图像融合技术在军事和民用领域中占有重要地位,如目标检测、监控和情报收集等.其中,可见光图像含有丰富的细节和纹理信息,但易受光线和天气等因素的影响,难以捕捉到场景内的所有信息;红外图像是经红外成像传感器获得的图像,易丢失许多空间细节信息,视觉感受不自然.红外与可见光图像融合的目的是充分利用红外图像和可见光图像的优势,生成一幅含有丰富细节背景和热目标的高质量图像,便于计算机视觉任务[1].

由于成像机理的不同,同一空间位置的红外和可见光图像的像素强度往往差异很大,为了得到具有良好视觉感知的融合结果,引入多尺度变换(Multi-Scale Transformation,MST).常用的MST 方法包括:Curvelet[2]、Contourlet[3]、DTCWT[4]等,这些方法能将图像分解为低频子带和高频子带,但它们不具有平移不变性,容易造成伪Gibbs 现象.虽然NSCT 变换[5]、NSST 变换[6]等增强了图像的平移不变性,但在融合过程中未考虑空间一致性,也容易引起亮度失真.随着机器学习的发展,稀疏表示具有良好的去噪能力和空间一致性等特征,但仍存在捕获全局结构的能力有限以及细节信息不足的缺点.为了解决稀疏表示的问题,Liu 等[7,8]提出的潜在低秩表示法(Latent Low-Rank Representation,LatLRR),该方法能够提取源图像的全局结构信息和局部结构信息.已有学者[9-11]将其应用到红外与可见光图像融合中,并取得较好的融合结果.但仅使用潜在低秩方法分解源图像,存……