滚动导向滤波与混合多尺度融合：提升红外可见光图像处理性能

本文主要探讨了一种创新的图像处理技术，即基于滚动导向滤波和混合多尺度分解的红外与可见光图像融合方法。滚动导向滤波是一种有效的图像处理工具，它通过分析其参数的变化规律，提出了一种新的滤波策略。该方法首先对红外和可见光图像进行混合多尺度分解，将它们分别分解到基本层、小尺度层和大尺度层，每个层次捕捉不同尺度的图像特征。 在基本层上，融合策略结合了像素能量和梯度能量，这有助于保持图像的纹理细节和边缘信息，防止在边缘区域出现常见的光晕效应。在小尺度和大尺度层，采用了双通道自适应脉冲耦合神经网络（DAPCNN）进行融合，这种深度学习模型能够更好地处理复杂的图像特征，并增强图像的整体一致性。 通过逆混合多尺度分解过程，融合后的图像保持了原始图像的高质量特性，同时融合了红外图像中的目标信息，提高了图像的综合表现力。相比于现有的图像融合方法，新提出的算法在主观和客观评估标准上都表现出显著优势。主观评价方面，人眼视觉感知更为自然，而客观评估如互信息、信息熵、标准差、非线性相关信息熵和Chen-Varshney指标等量化指标也都显示出更好的性能。 这篇文章介绍了一种创新的图像融合策略，它在提高图像质量、融合效果和特征保留方面具有显著的优势，为红外与可见光图像的融合提供了一种高效且精确的方法，对于安防监控、遥感成像等领域具有重要的应用价值。