红外与可见光图像融合技术：基于NSCT和显著性的方法

"这篇文档是关于‘组态王’的使用手册，主要探讨了一种基于图像显著性的图像融合算法，特别是在红外和可见光图像融合领域的应用。文档详细介绍了如何利用NSCT（双向小波变换）结合图像显著性来指导图像融合，并与其它多尺度分解工具进行了对比。此外，还提到了几种不同的融合规则算法，包括简单的低频加权平均、低频局部能量匹配取大与加权平均结合、基于均值方差高斯模糊逻辑的算法、基于非局部均值能量高斯模糊逻辑的算法，以及基于红外图像显著性的新算法。文档通过实验展示了不同算法在OCTEC序列图像融合中的效果，分析了各算法的优缺点。" 这篇手册详细阐述了第五章中提出的基于图像显著性的图像融合算法，特别是针对红外与可见光图像的融合。它引入了NSCT变换，这是一种非向下采样的多尺度分解工具，能够保持与原始图像相同的分辨率，从而使得显著性图可以直接用于指导低频系数的融合。在对比其他多尺度分解工具（如小波变换、Curvelet变换、Contourlet变换）时，NSCT的优势在于其低频系数与原图像的一一对应关系，使得显著性信息更可靠。 手册中列举了几种融合规则算法的实验，包括： 1. 算法1（Average）：简单的低频加权平均，可能会导致图像整体对比度较低，因为融合图像可能包含了过多的红外背景信息，影响细节呈现。 2. 算法2（Energy-MAX）：结合了低频局部能量匹配取大和加权平均，相对较好地保留了红外图像的目标信息，提高了图像对比度。 3. 算法3（Mean-FUZZY）：基于均值方差高斯模糊逻辑的算法，源自文献[72]。 4. 算法4（NLM-Energy-FUZZY）：第四章提出的基于非局部均值能量高斯模糊逻辑的算法。 5. 算法5（IR_Salience）：本章提出的，基于红外图像显著性的新算法，高频部分采用绝对取大原则。 通过对OCTEC图像的融合实验，评估了这些算法在保留细节和提高对比度方面的表现，结果表明基于显著性的算法（如IR_Salience）在某些方面表现更优。 此外，这篇硕士学位论文还深入研究了红外与可见光图像融合技术，探讨了多源图像融合技术的现状和发展，以及相关算法的设计与实现。通过实验证明了所提出方法的有效性，并提供了客观评价指标来量化各种算法的性能差异。 这篇文档提供了一个全面的视角来理解和应用基于图像显著性的融合算法，特别适用于红外与可见光图像的融合处理，对于相关领域的研究者和实践者具有重要的参考价值。