红外可见光图像融合：基于ReliefF-SVM RFE的特征选择与性能提升

本篇论文主要探讨了"ReliefF-SVM RFE组合式特征选择在人脸识别中的应用"。针对红外图像和可见光图像融合中存在的信息量不足问题，作者创新性地结合了目标提取技术与非线性小波变换域的NSCT方法，提出了一种基于局部信息熵的融合策略。这种策略旨在增强高频目标区域的特征表达，提高图像的整体信息含量。 论文首先概述了图像融合的重要性，它通过整合多个传感器获取的信息，形成更高质量和更为全面的图像描述，尤其是在红外和可见光图像互补优势方面，对于目标检测、识别和跟踪有显著效果。在众多融合规则中，基于像素点的方法，如小波系数选择，因其简单易实现但计算量大而受到关注。 作者将新提出的融合规则与小波变换法、拉普拉斯变换法、NSCT法和提升方向波变换法进行了比较，通过量化评估指标，如熵、标准差和相关系数，验证了其在信息量提升和特征提取方面的优越性。实验结果显示，该方法不仅能有效地增强图像的细节，还能更精确地提取源图像特征，无论是在主观视觉效果还是客观评价指标上，都展现出良好的融合性能。 论文的核心贡献在于开发了一种结合 ReliefF-SVM 和 RFE 的特征选择方法，用于人脸识别中的特征提取。 ReliefF 是一种有效的基于实例的特征选择算法，而 RFE 则是逐步排除法，两者结合能够减少冗余特征，提高特征选择的精度和效率。这种方法在人脸识别任务中可能提高了识别准确性和计算速度，为实际应用提供了有力的技术支持。 这篇论文不仅解决了红外与可见光图像融合中的关键问题，还展示了特征选择在人脸识别中的关键作用，为图像处理和人脸识别领域的研究者提供了新的思路和技术手段。通过对比和实证分析，该研究对图像融合和特征选择技术的发展具有重要参考价值。