基于模糊逻辑与特征差异的红外偏振图像融合方法

本文主要探讨了一种基于模糊逻辑与特征差异驱动的红外偏振图像融合方法。研究者首先利用non-subsampled contourlet transform (NSCT) 对红外偏振图像和红外光强图像进行分解，这种方法能够有效地将源图像分解为低频子带和高频方向子带，这有助于提取图像的多尺度和方向特性。 在处理过程中，针对低频子带，研究人员关注的是局部能量和局部信息熵这两个差异特征。通过模糊逻辑，他们融合了这些子带中不确定区域的信息，而在确定区域则依赖于特征差异驱动，这是一种智能融合策略，能够增强图像的细节和结构一致性。这样做的目的是为了最大限度地保留图像的有用信息，同时减少噪声和冗余。 对于高频方向子带，重点在于局部边缘信息保留量和局部方差的差异特征。同样采用模糊逻辑来融合不确定区域，并结合特征差异驱动，确保在保持边缘清晰度的同时，避免过度融合导致的失真。这种融合策略在高频部分尤其关键，因为它能强化图像的纹理特征，有助于提高目标识别和分类的精度。 整个融合过程完成后，通过NSCT的逆变换，将高低频子带重新组合成单一的融合图像。实验结果显示，这种基于模糊逻辑与特征差异驱动的红外偏振图像融合模型能够有效地整合源图像中的互补信息，显著提高了图像质量和特征表现，为目标识别和分类任务提供了有力的支持。 这项工作不仅提升了红外偏振图像的融合效果，还展示了特征差异和模糊逻辑在图像处理中的重要应用，为后续的红外图像分析和计算机视觉领域的研究提供了新的思路和技术手段。