改进引导滤波与DCSCM模型在红外与可见光图像融合中的应用

"该文提出了一种新的红外与可见光图像融合算法，结合了改进的引导滤波和双通道脉冲发放皮层模型(DCSCM)。通过非降采样Shearlet变换(NSST)对源图像进行分解，然后分别处理低频和高频分量，改善了传统融合算法中目标不突出、背景信息丢失和边缘信息不足的问题。实验结果显示，该方法在图像清晰度、对比度和信息熵等方面表现优越。" 在图像处理领域，图像融合是一项关键技术，它旨在将不同传感器或不同成像条件下的多源图像信息有效地整合在一起，以提供更全面、更准确的视觉信息。本文主要针对红外与可见光图像融合，这两种类型的图像各有其特点：红外图像能揭示物体的热特性，而可见光图像则能提供丰富的色彩和细节信息。 传统的红外与可见光图像融合算法可能遇到几个挑战，包括目标区域不明显、背景信息丢失以及边缘信息处理不充分。为解决这些问题，作者提出了一个新颖的融合方法，该方法采用了非降采样Shearlet变换。NSST是一种多分辨率分析工具，能够有效地捕捉图像的局部结构和边缘信息。通过对源图像进行NSST变换，图像被分解为低频和高频分量，这有助于分离并独立处理图像的不同特征。 接下来，作者引入了改进的引导滤波算法来处理低频分量。引导滤波器是一种保边滤波器，可以有效地平滑图像的噪声，同时保持边缘的清晰。改进的版本进一步优化了这一过程，更好地保护了目标边缘，避免了信息的模糊或丢失。 对于高频分量，文章采用了双通道脉冲发放皮层模型(DCSCM)。这种模型是基于生物神经网络的，模拟人脑皮层处理视觉信息的方式，尤其是处理复杂图像细节的能力。DCSCM在处理高频信息时，能够增强图像的细节和纹理，进一步提升融合图像的质量。 最后，通过NSST逆变换，将处理后的高低频分量合并，生成最终的融合图像。实验结果证明，这种方法能够生成目标突出、背景信息丰富、图像清晰度和对比度高的融合图像，相比其他融合技术，具有更高的信息熵，这意味着融合图像包含更多的有用信息。 该论文提出的融合算法通过结合NSST变换、改进引导滤波和DCSCM模型，有效解决了红外与可见光图像融合中的关键问题，提高了融合图像的质量，对于多模态图像处理和分析有着重要的理论与应用价值。