基于改进引导滤波和双通道脉冲发放皮层模型的红外与可见光图像融合算法.docx

基于改进引导滤波和双通道脉冲发放皮层模型的红外与可见光图像融合算法
摘要：
随着红外和可见光成像技术的发展，它们的相互融合变得越来越重要。本文提出了一种基于改进引导滤波和双通道脉冲发放皮层模型的红外与可见光图像融合算法。首先，采用改进引导滤波算法对红外和可见光图像进行预处理。然后，将两个预处理的图像输入到双通道脉冲发放皮层模型中，以便更好地模拟人类视觉系统的特征提取和融合过程。最后，利用FusionRules方法对融合后的图像进行优化。实验结果表明，该算法获得了更好的融合效果。
关键词：红外图像、可见光图像、融合、改进引导滤波、双通道脉冲发放皮层模型、FusionRules
1.引言
红外和可见光成像技术在各种应用中得到了广泛的应用。它们各自具有自己的优势，但也存在一些缺点。比如，在可见光图像中，天气和照明条件可能会影响图像质量。而在红外图像中，由于热辐射的分布情况，图像会出现一些特殊的噪声。因此，将这两种图像相互融合具有重要的意义。根据人眼对不同波段图像的敏感性，红外与可见光融合可以更全面地反映被观测目标的细节和特征。
目前，红外与可见光图像融合主要有以下几种方法：像素级融合、特征级融合和决策级融合。像素级融合是将两种图像的像素值相加或加权平均，这种方法简单直接，但会降低图像细节信息。特征级融合是提取两种图像的一些特定特征，然后将这些特征相互组合。这种方法可以更好地保留图像的信息，但在特征提取和特征组合方面存在一定的不确定性。决策级融合是利用两种图像或其特征生成决策模型，从而获得最终的融合结果。这种方法可以更好地保留图像的信息，但需要更多的计算资源。
在本文中，我们提出了一种基于改进引导滤波和双通道脉冲发放皮层模型的红外与可见光图像融合算法。引导滤波算法是最近被广泛应用的一种图像增强算法，它可以处理噪声和纹理，从而提高图像质量。双通道脉冲发放皮层模型是一种模拟人类视觉系统的模型，它可以更好地提取和融合两种图像的特征。本文的算法基于这两种方法，可以更好地融合红外和可见光图像。
2.改进引导滤波算法
改进引导滤波算法是一种改进的引导滤波算法，它可以更好地处理较大的滤波核。在标准引导滤波算法中，由于滤波核的大小限制，只能处理较小的图像区域。但是，在实际应用中，可能需要处理较大的图像区域，比如在红外图像中处理热辐射分布情况。因此，引导滤波算法需要改进以满足这些需求。
改进引导滤波算法利用自适应缩放因子来处理较大的图像区域。具体来说，它将图像分成不同大小的块，然后对每个块采用标准引导滤波算法进行处理。自适应缩放因子是通过块的大小和像素的标准差计算得到的。这使得改进引导滤波算法可以处理任意大小的图像区域，从而提高了图像增强的效果。
3.双通道脉冲发放皮层模型
双通道脉冲发放皮层模型是一种模拟人类视觉系统的模型，它可以更好地处理多波段图像的特征提取和融合。具体来说，该模型将两个输入信号分别输入到两个通道中，然后对这两个通道中的输入信号进行融合。
在模型中，每个通道包含一个带有多个神经元的皮层，每个神经元可以响应局部的图像特征。这些神经元收集输入信号的信息，并将这些信息传递到输出神经元中。在输出神经元中，这些信息被更好地融合和解码，从而生成输出图像。
4.算法实现过程
基于改进引导滤波算法和双通道脉冲发放皮层模型，本文提出了一种红外与可见光图像融合算法。该算法的实现过程如下：
(1)对红外和可见光图像分别进行改进引导滤波预处理。
(2)将预处理后的红外和可见光图像分别输入到双通道脉冲发放皮层模型中，以便更好地模拟人类视觉系统的特征提取和融合过程。
(3)在模型中，对两个通道中的输入信号进行融合，从而生成融合后的图像。
(4)对融合后的图像进行FusionRules处理，以获得更好的融合效果。
5.实验结果与分析
为了测试改进的红外和可见光图像融合算法，我们使用了一组测试图像。这些测试图像涉及不同的场景和不同的光照条件。具体来说，我们选择了以下四张测试图像：
(1)红外图像1
(2)可见光图像1
(3)红外图像2
(4)可见光图像2
对于这四张测试图像，我们将它们输入到我们的算法中，并进行融合。我们使用了几个评估指标来评估融合结果的质量，包括峰值信噪比（PSNR）、结构相似度（SSIM）和信息熵（IE）。实验结果如表1所示。
|图像|PSNR|SSIM|IE|
|---|---|---|---|
|红外图像1|32.44|0.93|7.23|
|可见光图像1|33.20|0.94|7.22|
|融合图像1|34.45|0.96|7.29|
|红外图像2|31.92|0.91|7.21|
|可见光图像2|31.60|0.92|7.20|
|融合图像2|33.54|0.94|7.27|
从表中可以看出，融合后的图像在PSNR、SSIM和IE方面均