残差学习与视觉显著性映射在图像融合中的应用

"基于残差学习和视觉显著性映射的图像融合方法旨在提高可见光图像和红外图像融合后的细节信息和对比度。通过多尺度分解、视觉显著性映射和残差网络深度学习，实现了图像的有效融合。" 本文介绍了一种创新的图像融合技术，该技术结合了残差学习和视觉显著性映射的概念，主要用于提升可见光图像和红外图像融合图像的质量。在图像处理领域，图像融合是将不同传感器或不同曝光条件下的图像信息整合，以创建一幅含有更多信息的新图像。 首先，该方法利用高斯滤波器和引导滤波器对原始图像进行多尺度分解，将图像拆分为基本层和细节层。细节层进一步细分为小尺度纹理层和中尺度边缘层。这种分解有助于保留图像的不同层次信息，便于后续的处理。 接着，研究人员提出了一种改进的视觉显著性映射方法，用于融合基本层。此方法尤其关注低光照图像的基本层增强，以确保融合后的图像具有高对比度和清晰的全局视觉效果。视觉显著性映射有助于识别图像中的关键区域和兴趣点，确保这些区域在融合过程中得以突出。 对于细节层，研究者采用残差网络深度学习模型，对小尺度纹理层和中尺度边缘层分别应用最值化和软最大化融合规则。残差学习是一种深度学习策略，能够有效地学习图像之间的差异信息，这对于细节层的融合至关重要，因为它可以捕捉到图像的微小变化和纹理信息。 实验部分，该方法在TNO数据集上与其他六种最新融合方法进行了对比，通过离散余弦特征互信息、小波特征互信息、结构相似度和伪影噪声率这四个客观指标进行评估。结果显示，提出的算法在前三项指标上表现出优越性，同时在减少伪影噪声率方面有显著改善。这意味着融合图像不仅保留了显著特征，还增强了细节纹理，并降低了干扰和噪声。 这项工作提出了一种高效的方法，能够在保持图像对比度的同时，增强图像融合的细节信息，降低了伪影和噪声。这种方法对于提升图像融合技术在军事、医疗、遥感等领域的应用有着重要的意义。