信息分离和质量引导的红外与可见光图像融合
目的 红外与可见光图像融合的目标是将红外图像与可见光图像的互补信息进行融合,增强源图像中的细节场景信息.然而现有的深度学习方法通常人为定义源图像中需要保留的特征,降低了热目标在融合图像中的显著性.此外,特征的多样性和难解释性限制了融合规则的发展,现有的融合规则难以对源图像的特征进行充分保留.针对这两个问题,本文提出了一种基于特有信息分离和质量引导的红外与可见光图像融合算法.方法 本文提出了基于特有信息分离和质量引导融合策略的红外与可见光图像融合算法.设计基于神经网络的特有信息分离以将源图像客观地分解为共有信息和特有信息,对分解出的两部分分别使用特定的融合策略;设计权重编码器以学习质量引导的融合策略,将衡量融合图像质量的指标应用于提升融合策略的性能,权重编码器依据提取的特有信息生成对应权重.结果 实验在公开数据集RoadScene上与6种领先的红外与可见光图像融合算法进行了对比.此外,基于质量引导的融合策略也与4种常见的融合策略进行了比较.定性结果表明,本文算法使融合图像具备更显著的热目标、更丰富的场景信息和更多的信息量.在熵、标准差、差异相关和、互信息及相关系数等指标上,相较于对比算法中的最优结果分别提升了 0.508％、7.347％、14.849％、9.927％和1.281％.结论 与具有领先水平的红外与可见光算法以及现有的融合策略相比,本文融合算法基于特有信息分离和质量引导,融合结果具有更丰富的场景信息、更强的对比度,视觉效果更符合人眼的视觉特征.
图像融合、特有信息分离、质量引导、红外与可见光图像、深度学习
27
TP391(计算技术、计算机技术)
国家自然科学基金;湖北省自然科学基金
2022-11-25（万方平台首次上网日期，不代表论文的发表时间）
共15页
3316-3330
