区域BEMD方法提升红外图像与微光融合效果

本文献主要探讨了一种基于区域的二维经验模式分解（Region-based Image Fusion Algorithm Using Bidimensional Empirical Mode Decomposition, BEMD）的图像融合方法，针对红外与微光/可见光图像的融合效果进行了优化。作者是韩博、张鹏辉、许辉、陆刘兵和张俊举，他们来自南京理工大学电子工程与光电技术学院和北方激光科技集团有限公司。 在研究了二维经验模式分解这一信号处理技术以及图像区域分割的基础上，作者提出了新的融合策略。首先，对源图像进行二维经验模式分解，这是一种数据降维和细节保留的技术，它将复杂信号分解成多个固有模态分量，每个分量代表信号的一种局部特征。通过这种方法，可以分离出红外和微光/可见光图像的各自特点。 接着，对分解后的残余图像进行加权融合，这一步是为了根据两种图像的特性赋予不同的权重，以提高融合后图像的质量。加权融合考虑了源图像的对比度和一致性，有助于保留有用信息并抑制噪声。 然后，利用模糊C均值聚类（Fuzzy C-Means Clustering, FCM）对融合后的图像进行区域分割，这是一种无监督学习方法，通过相似性度量将图像划分为若干个区域，有助于进一步分析和处理各个区域的特征。 接下来，将区域分割的结果映射到分解得到的各层本征模式函数图像上，并应用特定的区域融合准则，如灰度共生矩阵或小波域融合，来整合这些区域内的信息。这样做的目的是为了确保融合过程中不同区域的特性能够在最终图像中得到体现。 最后，通过对融合图像进行重构，生成融合后的高质量图像。实验结果显示，该算法显著提高了融合图像的信息量和细节表现，相比传统的图像融合算法，具有明显的优势。评估结果通过客观评价方法得出，证明了算法的有效性和实用性。 因此，这篇文章的核心贡献在于提出了一种结合区域特性和BEMD的图像融合策略，适用于红外与微光/可见光图像的高效融合，为多源图像处理提供了新的思路和技术。