剪切波与邻域特征融合提升红外可见光图像质量

本文主要探讨了一种创新的图像融合方法，即"基于剪切波变换和邻域结构特征的红外与可见光图像融合"。剪切波变换是一种高级的图像分析工具，它能够在多尺度上提供丰富的局部特征信息，这对于处理复杂图像特别有效。该算法针对传统融合技术存在的问题，如目标轮廓模糊和细节缺失，提出了一种解决方案。 首先，通过剪切波变换对源的红外和可见光图像进行分解，将图像信号分离为同尺寸的高频和低频子带系数。高频子带通常包含更多的纹理和细节信息，而低频子带则包含了图像的结构和整体信息。这种分解有助于区分不同层次的信息，为后续的融合过程提供了更精确的指导。 对于低频子带，由于边缘信息通常位于这一部分，算法采用几何距离和能量距离的加权融合规则，这有助于保持边缘的清晰度，避免融合后的图像出现模糊。这两种距离度量分别考虑了空间上的接近性和强度变化，确保边缘信息的准确融合。 而对于高频子带，算法采用灰度差异和梯度距离的加权策略，这些指标关注的是颜色和纹理的变化，有助于突出图像中的细节。这样，可以更好地保留源图像的细节信息，增强融合图像的视觉效果。 经过剪切波逆变换，融合后的图像不仅保持了红外图像的目标信息，还保留了可见光图像的色彩和纹理，同时显著提升了图像的整体质量和目标识别能力。这种方法在保留图像轮廓的同时，强化了目标特征，从而极大地改善了红外与可见光图像的融合质量。 该算法结合了剪切波变换的多尺度分析能力和邻域结构特征的局部特性，为红外与可见光图像融合提供了一个高效且细致的方法，适用于需要高分辨率和清晰细节的视觉应用领域，如目标检测、增强现实等。