基于_Trous_contourlet变换的红外与可见光图像融合算法

### 基于_Trous_contourlet变换的红外与可见光图像融合算法 #### 概述 本研究提出了一种新型图像融合算法，基于改进的_Trous_contourlet变换（亦称作atrous-contourlet变换）来实现红外图像与可见光图像的有效融合。这一方法在图像处理领域内具有重要的应用价值，特别是在计算机视觉、目标识别等多个非军事及军事领域。 #### 图像融合技术背景 多源图像融合是图像处理领域的研究热点之一，旨在通过综合提取来自不同源的图像信息，以获得对同一场景或目标更为准确、全面且可靠的图像描述。相比于单一来源的图像，融合后的图像通常包含更多的细节和信息，更适合于人眼的观察或进一步的计算机处理。 #### 多尺度分析融合方法 在像素级图像融合技术中，基于多尺度分析的融合方法是当前应用最为广泛且重要的一类算法。这类方法的核心在于图像的多尺度分解方式及其对应的融合规则。例如，Contourlet变换是一种由Minh N Do和Martin Vetterli提出的新型图像多尺度分析方法，它能够有效表示二维或更高维奇异性的图像特征，尤其擅长捕捉图像中的边缘信息，并将其分布到不同尺度、不同频率的子带中。 #### Contourlet变换的问题与改进 然而，传统的Contourlet变换存在一些局限性，比如缺乏平移不变性和平移敏感性，这可能导致信号频谱出现一定程度的混叠现象。为了解决这一问题，ALCunha等人提出了非采样Contourlet变换（NSCT），该方法通过避免变换过程中进行采样操作，从而提高了变换的平移不变性，减少了信号频谱的混叠。 #### 基于_Trous_contourlet变换的图像融合算法 本文介绍的融合算法采用了基于_Trous_contourlet变换的方法，该方法同样改善了Contourlet变换的平移不变性问题。具体而言： 1. **图像的多尺度分解**：首先利用_Trous_contourlet变换对输入的红外图像和可见光图像进行多尺度分解，获取不同尺度和方向的子带系数。 2. **融合规则**：为了选择变换域中各带通方向的高频子带系数，提出了一种基于区域能量计算的图像匹配度融合规则。这种规则能够更好地评估不同图像之间的相似性和互补性，从而决定哪些子带系数应该被保留下来。 3. **融合图像重建**：根据所选的融合规则，将选定的子带系数进行重组，利用_Trous_contourlet逆变换重建融合后的图像。 #### 实验验证与结果分析 通过对一系列实际的红外图像和可见光图像进行融合实验，结果显示该算法能够有效融合两种类型的图像，相较于其他方法，如传统的Contourlet变换或小波变换，取得了更好的融合效果。具体表现在以下几个方面： - **细节保持**：融合图像能够更好地保留原图像中的细节特征，尤其是边缘和纹理信息。 - **信息丰富度**：融合图像包含了更多来自红外和可见光图像的有效信息，提升了图像的整体质量。 - **视觉效果**：从人眼感知角度来看，融合图像具有更好的可读性和辨识度。 #### 结论 基于_Trous_contourlet变换的图像融合算法提供了一种有效的解决方案，用于提高红外图像和可见光图像融合的效果。通过改善多尺度分解的平移不变性，并采用基于区域能量的融合规则，该算法不仅能够更好地融合多种图像类型，还能确保融合图像的质量满足实际应用的需求。未来的研究可以进一步探索该算法在更多应用场景下的性能表现，以及如何优化现有方法以适应更多种类的图像融合需求。