基于多判斷和加權(quán)最小二乘優(yōu)化的NSCT紅外和可見圖像融合

王賢濤 ， 趙金宇

（1.中國科學(xué)院 長春光學(xué)精密機(jī)械與物理研究所， 吉林 長春130033；2.中國科學(xué)院大學(xué)， 北京 100049）

1 引 言

圖像融合技術(shù)可以將一個或多個傳感器獲得的同一個場景的多個圖像進(jìn)行融合，獲得一個更豐富、更全面，從而能準(zhǔn)確描述場景的綜合圖像。因此，融合技術(shù)在現(xiàn)代應(yīng)用和計(jì)算機(jī)視覺中發(fā)揮著越來越重要的作用［1-4］。紅外傳感器得到的圖像可以根據(jù)輻射差異將目標(biāo)與其背景區(qū)分開來，在全天候和全天/夜條件下都能很好地工作。而可見圖像以符合人類視覺系統(tǒng)的方式提供具有高空間分辨率和清晰度的紋理細(xì)節(jié)，與其他融合對象相比，更具有普遍性和互補(bǔ)性，目前已廣泛應(yīng)用于目標(biāo)識別、檢測、圖像增強(qiáng)、監(jiān)視和遙感等領(lǐng)域［5-8］。

基于多尺度分解（MST）圖像融合方法是目前完成紅外與可見光圖像融合任務(wù)最有力和最常用的工具［9］?；诙喑叨茸儞Q融合方案的關(guān)鍵在于多尺度分解方法和融合規(guī)則的選擇。常用的MST方法包括拉普拉斯金字塔變換（LP）、小波變換（WT）、輪廓波變換（CT）、非下采樣輪廓波變換（NSCT）、基于邊緣保持濾波器的分解方法以及其他多尺度分解方法［10-15］等。然而，LP、WT只能捕獲有限數(shù)量的邊緣方向信息，不能正確有效地表示直線和曲線的不連續(xù)性。CT雖然具有多分辨率、多方向性和各向異性等性質(zhì)［16］，但是由于對圖像進(jìn)行上采樣和下采樣，缺乏平移不變性，在融合結(jié)果中容易產(chǎn)生吉布斯現(xiàn)象。NSCT作為CT的平移不變性版本，在變換域表現(xiàn)出更好的性能。相對于其他MST方法，NSCT具有多尺度、多方向的性質(zhì)，還具有平移不變性質(zhì)，變換后能量更加集中［17-18］。

除了MST方法的選擇，不同子帶的融合規(guī)則也是影響融合性能的另一個因素?；趩蜗袼氐娜诤弦?guī)則的最常見的方法是“絕對最大選擇”、“像素平均”方案。簡單的平均或者取大可能會導(dǎo)致圖像對比度降低，引入噪聲且使重構(gòu)圖像不夠自然［19］?；诖翱诘娜诤弦?guī)則根據(jù)當(dāng)前像素的活動水平合并不同子帶的系數(shù)，并通過考慮窗口中像素之間的關(guān)系來度量活動水平。目前通常使用單一特征來描述圖像的屬性。然而，單個特征通常是對圖像的部分描述，不能獲得全面的信息。常用的活動水平度量包括絕對值取大、修正拉普拉斯算子和（SML）、空間頻率（SF）、熵、對比度、局部區(qū)域能量、局部區(qū)域方差、局部對比度、局域梯度等［20］?；趨^(qū)域最具代表性的方法是基于顯著區(qū)域的方法［1，3，8］。它可以提取圖像的視覺顯著區(qū)域，符合人眼視覺特性，但是針對復(fù)雜的紅外圖像一方面仍沒有特別好的方法，另一方面都是對低頻子帶提取，然后通過平均或者加權(quán)平均來處理，雖然從全局出發(fā)，但是可能效果不如基于窗口的方法。

為了解決基于MST的方法所面臨的這些問題，更好地提取圖像信息，在NSCT領(lǐng)域提出了一種新的融合方案。與傳統(tǒng)方法相比，本文所提出的方法在設(shè)計(jì)融合規(guī)則時(shí)考慮了局部結(jié)構(gòu)、對比度信息、清晰度信息和亮度信息等底層特征重要性，對于不同子帶的融合方案，選擇多個互補(bǔ)的低層特征來設(shè)計(jì)。為了獲取更多的視覺細(xì)節(jié)和邊緣信息，采用一種加權(quán)最小二乘（WLS）優(yōu)化方案來融合細(xì)節(jié)層。實(shí)驗(yàn)結(jié)果表明，該算法具有適應(yīng)性強(qiáng)的優(yōu)點(diǎn)，改善了傳統(tǒng)方法的一些缺陷。

2 相關(guān)工作

2.1 非下采樣輪廓波變換

NSCT是在CT的基礎(chǔ)上產(chǎn)生的。NSCT由非下采樣金字塔濾波器組（NSPFB）和非下采樣方向?yàn)V波器組（NSDFB）構(gòu)成［10］。簡單來說，NSCT過程首先使用NSPFB分解源圖像得到低頻和高頻系數(shù)，接著采用NSDFB分解NSPFB每個階段的高頻子帶，NSCT通過在多尺度分解濾波器和方向?yàn)V波器中執(zhí)行上采樣，而不是對圖像信號執(zhí)行采樣操作，經(jīng)過N級NSCT分解后的原圖像最終可以得到和輸入的源圖像大小一致的子帶圖像（lj是尺度j下的方向分解級數(shù)），這也印證了NSCT的平移不變性［21］。NSCT分解框架圖如圖1所示。NSPFB和NSDFB都是一個雙通道的濾波器，其結(jié)構(gòu)如圖2所示。

圖1 NSCT分解框架圖Fig.1 Frame diagram of NSCT decomposition

圖2 NSCT二通道非下采樣金字塔濾波器組和非下采樣方向?yàn)V波器組Fig.2 NSCT two-channel NSPFB and NSDFB

NSDFB中所有濾波器都是由單個的扇形濾波器得到的，每下一層的新方向?yàn)V波器都是對上一層扇形濾波器I0(z)、I1(z)采用梅花矩陣Q=執(zhí)行上采樣來獲得。兩者的重構(gòu)條件都滿足Bezout恒等式，如公式（1）所示：

式中：E0(z)、E1(z)為 NSPFB的低通、高通分解濾波器，F(xiàn)0(z)、F1(z)為 NSPFB的低通、高通重構(gòu)濾波器，同理I0(z)、I1(z)為低NSPFB的低通、高通分解濾波器，J0(z)、J1(z)為低NSPFB的低通、高通重構(gòu)濾波器。

2.2 加權(quán)最小二乘擬合

受文獻(xiàn)［22］優(yōu)化框架的啟發(fā)，Ma等人提出了一種改進(jìn)的加權(quán)最小二乘擬合（WLS）優(yōu)化方案來融合細(xì)節(jié)層［23］。通過WLS代價(jià)函數(shù)來獲得第j級理想融合細(xì)節(jié)層Dj，如式（2）所示：

其中：是采用對應(yīng)規(guī)則得到的第j級融合細(xì)節(jié)層。其中P表示像素的空間位置，ε是一個小常數(shù)（通常為0.0 001），防止除0。ωP是一個以像素P為中心的正方形窗口，尺寸為7×7，是產(chǎn)生滿意融合結(jié)果的良好選擇。λ是一個全局控制這兩項(xiàng)之間權(quán)衡的參數(shù)。我們將式（2）改寫為矩陣形式：

其中Dj、Mj、以向量形式表示，Aj是包含所有像素的權(quán)重的對角矩陣，T是矩陣轉(zhuǎn)置符號。使式（3）最小的向量Dj的解由線性系統(tǒng)唯一確定：

本文采用多判斷規(guī)則得到細(xì)節(jié)層和、和分別代表紅外細(xì)節(jié)層和可見細(xì)節(jié)層，各做一次WLS優(yōu)化，得到對應(yīng)理想融合細(xì)節(jié)層和。接著通過絕對值取大規(guī)則，得到最終細(xì)節(jié)圖像。融合圖像如圖3所示。

從圖3可以看出，假設(shè)和分別代表紅外細(xì)節(jié)層和可見細(xì)節(jié)層，在細(xì)節(jié)層包含有用紅外特征信息的區(qū)域，通常對比度更高，尺度更粗，所以值更大，權(quán)重將變得相對較小，所以絕大多數(shù)紅外信息由Mj轉(zhuǎn)移到融合的細(xì)節(jié)層Dj中。而對于細(xì)節(jié)層其他區(qū)域，灰度值很低，在這種情況下ε將變得很小，相應(yīng)的權(quán)重aj非常大，從而可見的細(xì)節(jié)全是由轉(zhuǎn)移到融合的細(xì)節(jié)層Dj中，因此優(yōu)化的結(jié)果在保證可見信息的完全提取外，對于可見的其他區(qū)域也有很好的提取。反之調(diào)換d1j和d2j，得到的圖像在紅外特征信息包含的前提下也獲得了可見信息，將兩次得到的細(xì)節(jié)圖像通過絕對值取大的規(guī)則得到的圖像，可以獲得更多的視覺細(xì)節(jié)信息和邊緣紋理信息，從而在視覺上更令人愉悅，更適合人類感知。

3 針對不同子帶提出的融合方案

基于多判斷和加權(quán)最小二乘優(yōu)化的NSCT紅外和可見圖像融合方法的框架示意圖如圖4所示。首先采用NSCT將紅外和可見光圖像分解為基礎(chǔ)層和細(xì)節(jié)層，接著將基于NSCT的多判斷融合規(guī)則應(yīng)用到低通和高通子帶的融合，最后對融合后的低通、高通子帶進(jìn)行合并，通過NSCT做逆變換處理。所提出方法的細(xì)節(jié)如圖4所示。

圖4 紅外和可見圖像融合總體框架圖Fig.4 Overall frame diagram of infrared and visible image fusion

3.1 低頻子帶融合

低頻子帶是原始圖像的平滑版本，它代表圖像的輪廓。當(dāng)分解層數(shù)較高時(shí)，低頻子帶主要包含原始圖像的大部分信號能量和少量細(xì)節(jié)。為了更好地保留低頻能量，獲取少量結(jié)構(gòu)細(xì)節(jié)信息，選擇局部平方熵P（x，y）和SML相互補(bǔ)充，如式（5）所示：

其中：η是調(diào)整兩者之間的參數(shù)，P（x，y）和 SML如式（6）、（7）所示：

初始融合決策圖通過選擇最大組合方案獲得，即選擇具有最大活動度量的系數(shù)，如式（8）所示：

為了使合成MSD中的相鄰系數(shù)屬于同一源圖像以克服噪聲的影響，保證融合圖像的均勻性，在7×7窗口中使用多數(shù)濾波操作，通過一致性驗(yàn)證生成最終的融合決策圖(x，y)。最后，使用最終低頻融合決策圖(x，y)來計(jì)算融合后的低頻子帶系數(shù)IL(x，y)，具體計(jì)算如式（9）、（10）所示：

3.2 高頻子帶融合

高通子帶融合的關(guān)鍵是增強(qiáng)每個源圖像的細(xì)節(jié)特征。為了提高高通子帶圖像的信息量，構(gòu)建了一個新的活動水平度量NAM2，如式（11）所示。選擇相位一致性（PC2）、局部加權(quán)改進(jìn)拉普拉斯算子和（WSML）、局部加權(quán)能量（WLE）相互補(bǔ)充，作為高頻子帶的活動度量；接著選擇絕對值最大規(guī)則得到權(quán)重圖，生成近似融合細(xì)節(jié)Mj；最后通過最小二乘優(yōu)化獲得最終融合細(xì)節(jié)層Dj。

式中，α、β和γ是用于調(diào)整PC2、WSML和WLE的參數(shù)。位置（x，y）處圖像的 PC2、WSML、WLE可通過式（12）～（14）計(jì)算：

其中：W是大小為(2s+1)×(2s+1)的權(quán)重矩陣，s為半徑，W內(nèi)的元素值為22s-d，d為中心4鄰域距離。本文選擇半徑s=1，則W的大小為3×3，對應(yīng)數(shù)值為：

當(dāng)獲得NAM2時(shí)，可根據(jù)公式（16）中提出的規(guī)則得到權(quán)重圖。

對得到的權(quán)重圖加權(quán)求和獲得第j級近似融合細(xì)節(jié)層Mj，如式（17）所示：

接下來，為了進(jìn)一步提取更多細(xì)節(jié)信息，通過以下WLS代價(jià)函數(shù)來獲得第j級理想融合細(xì)節(jié)層Dj。

4 實(shí)驗(yàn)結(jié)果與分析

本文從兩個方面來驗(yàn)證所提方法的有效性。一是驗(yàn)證多判斷相互補(bǔ)充的有效性，可以提取更多信息。采用控制變量的方法，在經(jīng)過NSCT分解后，通過與高頻、低頻單一活動水平度量的對比得到的評價(jià)指標(biāo)數(shù)值結(jié)果來驗(yàn)證本文高頻、低頻子帶多判斷策略的有效性。二是驗(yàn)證高頻子帶在經(jīng)過多判斷策略后再通過最小二乘優(yōu)化后的最終方法的有效性和適應(yīng)性。在光照均勻性和目標(biāo)類別條件下選擇4組不同類型特點(diǎn)的紅外和可見光圖像進(jìn)行實(shí)驗(yàn)驗(yàn)證，選擇5種基于MST的具有代表性的融合算法進(jìn)行比較。實(shí)驗(yàn)結(jié)果評價(jià)選擇基于人眼視覺的主觀評價(jià)和客觀評價(jià)兩種方式來對融合圖像進(jìn)行有效評價(jià)。

本文所有圖像來自http：//www.imagefusion.org/和 https：//figshare.com/articles/TNO_Image_Fusion_Data set/1008029數(shù)據(jù)庫。所有實(shí)驗(yàn)都建立在matlab2016a平臺上，NSCT選擇“vk”濾波器組，塔式濾波器選擇“9-7”，分解層數(shù)為4層，方向分解數(shù)分別為 4、4、8、8，α、β、γ、η的值分別為0.005、1、1、2。

4.1 實(shí)驗(yàn)驗(yàn)證1

4.1.1 低頻子帶策略驗(yàn)證

實(shí)驗(yàn)所需源圖像如表1所示。通過NSCT分解后，高頻子帶選擇“絕對值最大”原則，低頻子帶選擇單一活動水平度量平均值、閾值能量、熵與本文低頻子帶方法對比，實(shí)驗(yàn)采用信息熵IE，平均梯度AG， 空間頻率SF，互信息MI來評價(jià)，數(shù)據(jù)值如表2所示。

表1 實(shí)驗(yàn)驗(yàn)證1所用源圖像Tab.1 Source image used for experimental verification 1

表2 高頻選擇“絕對值最大”原則及低頻選擇不同方法對“Camp”和“House”的實(shí)驗(yàn)結(jié)果Tab.2 Experimental results of “Camp” and “House” using different methods for high-frequency selection and “maximum absolute value” principle and lowfrequency selection

4.1.2 高頻子帶策略驗(yàn)證

α、β、γ組合參數(shù)的選擇參照文獻(xiàn)［20］的思想，給出了α的一個值。本文采用控制變量的方法，在保證低頻參數(shù)不變并且β、γ都取值為1的前提下，通過改變α的值，根據(jù)兩幅圖像的4個客觀評價(jià)指標(biāo)：平均梯度（Average Gradient，AG）、信息熵（Information Entropy，IE）、空間頻率（Spatial Frequency，SF）、互信息（Mutual Information，MI）求和的平均值大小來尋找最優(yōu)參數(shù)，如圖5所示，α、β、γ最終取值為0.005、1、1。

圖5 本文融合方法在不同參數(shù)α下的客觀評價(jià)結(jié)果Fig.5 Objective evaluation results of the fusion method in this paper under different parameters α

在低頻子帶融合都選擇本文策略方法的前提下，高頻選擇PC、SML、方差、閾值能量與本文高頻多判斷方法對比，實(shí)驗(yàn)數(shù)據(jù)值如圖6所示。

從表2和圖6的實(shí)驗(yàn)數(shù)據(jù)值可以看出，基于多判斷的組合方法的數(shù)值基本都是最好的結(jié)果，說明采用多判斷相互補(bǔ)充的方式是有效的，提取到了更多信息從而可以彌補(bǔ)單一特征提取信息量的不足。

圖6 低頻選擇“本文低頻”原則，高頻選擇不同方法對“Camp”和“House”的實(shí)驗(yàn)結(jié)果?？v坐標(biāo)代表數(shù)值，橫坐標(biāo)1、2、3、4、5代表使用方法依次是高頻選擇PC、SML、方差、閾值能量和本文高頻多判斷的方法。Fig.6 Principle of “l(fā)ow frequency of this article” is selected for low frequency， and the experimental results of “Camp”and “House” by different methods are selected for high frequency.The ordinate represents the numerical value， and the abscissa 1，2，3，4，5 represents the used method in order of high-frequency selection PC， SML， variance，threshold energy and the method of high-frequency multi-judgment in this paper.

4.2 實(shí)驗(yàn)驗(yàn)證2

4.2.1 主觀評價(jià)

如圖7和圖8所示，本文展示了6種不同融合方法對4組圖像的處理結(jié)果，分別是基于DWT的低頻子帶加權(quán)平均、高頻選擇最大（記作DWT_avg）方法和低頻選擇區(qū)域能量、高頻選擇局部加權(quán)修正拉普拉斯算子和方法［4］（記作DWT_WSML），基于NSCT的低頻選擇最大熵、高頻選擇拉普拉斯算子的方法［18］（記作 NSCT_SML），基于PC的多特征融合方法［21］（記作NSCT_PC），低頻像素平均、高頻選擇最大方法（記作NSCT_avg）以及本文方法。

圖7 不同融合算法對“Camp”和“House”的處理結(jié)果Fig.7 Processing results of “Camp” and “House” by different fusion algorithms

如圖7所示，第一個場景拍攝內(nèi)容是聯(lián)合國存放物資的營地，人在紅外圖像中清晰可見，但背景信息卻極其模糊。在可見光圖像中看不到人物目標(biāo)，但背景相對清晰，建筑物、樹、道路和柵欄等細(xì)節(jié)都清楚可見。第二個場景為建筑物煙霧圖像，人物在紅外圖像中清晰可見，但背景信息只能顯現(xiàn)大致輪廓?？梢姽鈭D像場景中的天空、樹林、地面都很清楚，建筑物呈現(xiàn)清晰的輪廓細(xì)節(jié)，但人物目標(biāo)不易辨認(rèn)。對于兩個場景，低頻采用簡單的平均和高頻采用絕對值取大方法，融合后的圖像整體對比度低，目標(biāo)人物也不能夠明顯凸顯，視覺效果差。

對于第一個場景，采用DWT_WSML方法的人物目標(biāo)顯著，但是圖像左下角的景物失真明顯，細(xì)節(jié)描述能力不夠。NSCT_SML和NSCT_PC方法的人物目標(biāo)顯著，圖像中的樹木、道路等可以較好地顯示。但是屋頂?shù)哪繕?biāo)物邊緣輪廓以及柵欄細(xì)節(jié)模糊。

對于第二個場景，基于DWT_WSML的方法目標(biāo)任務(wù)雖然有顯著提升，但是人物輪廓模糊，建筑物亮度信息提取不夠，地面細(xì)節(jié)方面提取較差，甚至出現(xiàn)光暈。基于NSCT_PC方法的建筑物視覺效果好，紋理細(xì)節(jié)清晰，但是目標(biāo)人物不顯著。綜合兩個場景，本文方法得到的結(jié)果是最清晰的，圖像的灰度對比度高，邊緣、輪廓和紋理等線條豐富清晰。

為進(jìn)一步判斷本文方法的適應(yīng)性和通用性，選擇光照均勻和不均勻的海上和陸地目標(biāo)進(jìn)一步驗(yàn)證，如圖8所示。

圖8 不同融合算法對“Ship”和“Jeep”的處理結(jié)果Fig.8 Processing results of “Ship” and “Jeep” by different fusion algorithms

第三個場景是白天拍攝的海平面上的游船。采用DWT_WSML方法的整體視覺效果有所提升，但是周圍的海平面也比較模糊，船桿模糊而且不顯著，而且在對輪船窗口的融合方面，DWT_WSML和NSCT_SML方法沒有好的提取。NSCT_PC方法雖然對窗口有好的提取，但是紋理不是很清晰。

第四個場景是夜晚拍攝的值班士兵和吉普車?？梢妶D像的光照不均勻、整體灰度低；紅外圖像的目標(biāo)人物、汽車和房屋顯著，細(xì)節(jié)很模糊。采用DWT_WSML方法的對比度高、目標(biāo)顯著，而且對天空噪聲有很好的消除，但是對房屋窗口局部紋理提取效果很差。而NSCT_SML和NSCT_PC雖然對窗口有提取但是窗口紋理模糊，而且在房屋邊緣出現(xiàn)少量光暈現(xiàn)象。

因此，綜合4種不同類型和特點(diǎn)的場景，從主觀融合結(jié)果上看，本文方法的目標(biāo)顯著、背景清晰、視覺效果好而且適應(yīng)性強(qiáng)。為了避免人眼直接觀察導(dǎo)致的誤差影響到融合圖像的評價(jià)，本文還需要使用客觀條件指標(biāo)來對融合圖像進(jìn)行評判。

4.2.2 客觀評價(jià)

為了進(jìn)一步定量比較各種融合方法，本節(jié)給出了融合結(jié)果的客觀評估。采用平均梯度（Average Gradient，AG）、信息熵（Information Entropy，IE）、空間頻率（Spatial Frequency，SF）、互信息（Mutual Information，MI）作為評價(jià)指標(biāo)［2］。具體計(jì)算公式如下所示，4個指標(biāo)都是值越大表示融合結(jié)果越好。

（1）平均梯度

平均梯度（AG）衡量圖像中的梯度變化，即表征圖像的邊緣精細(xì)程度，因此可以表示圖像的清晰程度，其定義如式（20）所示：

（2）信息熵

信息熵（IE）用來度量圖像中所包含信息量的多少，是衡量圖像信息豐富度的重要標(biāo)準(zhǔn)，其定義為：

其中L表示灰度級的數(shù)量，pl表示融合圖像中相應(yīng)灰度級的歸一化直方圖。

（3）空間頻率

空間頻率（SF）是一種基于梯度的圖像質(zhì)量指數(shù)，即水平和垂直梯度，分別稱為空間行頻率（RF）和列頻率（CF）。SF度量可以有效地測量圖像的梯度分布，從而揭示圖像的細(xì)節(jié)和紋理。其定義為：

（4）互信息

互信息（MI）用于度量融合圖像與源圖像之間的相似性，反映融合圖像從源圖像中獲得信息量的多少，MI的定義如下：

其中：pX(x)和pF(f)分別表示源圖像x和融合圖像f的灰度直方圖，pX，F(xiàn)(x，f)表示源圖像x和融合圖像F的聯(lián)合直方圖。較大的MI度量意味著大量信息從源圖像傳輸?shù)饺诤蠄D像，表明融合性能良好。

如表3和表4所示，最佳結(jié)果采用加粗展示。接著將4幅圖的評價(jià)指標(biāo)通過柱狀圖的方式展示，其中最佳結(jié)果標(biāo)注在對應(yīng)圖上，如圖9所示。從表3表4和圖9的數(shù)據(jù)可以看出，與其他5種融合方法相比，在平均梯度（AG）、信息熵（IE）、空間頻率（SF）3個指標(biāo)上，本文提出的方法都處于一個最好的值，尤其是對北約營地的AG和SF的提升。對于第四個指標(biāo)MI，雖然本文的方法并沒有達(dá)到最大，但是始終保持一個較好的數(shù)值。因此，綜上所述，本文方法的性能更好，采用本文方法獲得的圖像效果最好，與主觀評價(jià)得到的結(jié)果一致。

圖9 不同算法對“Camp”、“House”、“Ship”和“Jeep”的客觀質(zhì)量評價(jià)結(jié)果。Fig.9 Objective quality evaluation results of different algorithms for “Camp”， “House”， “Ship” and “Jeep”.

表3 不同算法對“Camp”和“House”的客觀評價(jià)結(jié)果Tab.3 Objective evaluation results of “Camp” and “House” by different algorithms

表4 不同算法對“Ship”和“Jeep”的客觀評價(jià)結(jié)果Tab.4 Objective evaluation results of “Ship” and “Jeep” by different algorithms

5 結(jié) 論

為了克服傳統(tǒng)融合方法和單一特征融合目標(biāo)信息不夠突出，細(xì)節(jié)、紋理缺失嚴(yán)重的問題，進(jìn)一步提高目標(biāo)和背景之間的對比度，抑制噪聲，增強(qiáng)目標(biāo)信息的辨識率，同時(shí)盡可能完整地保留可見光圖像中的細(xì)節(jié)紋理，本文提出了一種基于多判斷和加權(quán)最小二乘優(yōu)化的NSCT紅外和可見圖像融合融合方法。針對低頻、高頻子帶，選擇多個底層特征相互補(bǔ)充的方式，可以在突出目標(biāo)的同使獲得更多細(xì)節(jié)信息，通過WLS優(yōu)化和一致性檢測的方式來提取更多的邊緣紋理信息和減少噪聲等無關(guān)細(xì)節(jié)。實(shí)驗(yàn)結(jié)果表明，本文所提出的方法在主觀上的能量保持、細(xì)節(jié)保留、圖像對比度上保留了更多的目標(biāo)信息和細(xì)節(jié)信息，視覺效果也更好。在4個客觀評價(jià)指標(biāo)平均梯度（AG）、信息熵（IE）、空間頻率（SF）、互信息（MI）中，在保證MI指標(biāo)比較好的前提下，其他3個指標(biāo)都處于最好的狀態(tài)，尤其對光照均勻的“Camp”圖像，AG和SF為3.076 4和6.641 3，與最好的數(shù)值相比，提高了6.9%和4.8%，從而驗(yàn)證了本文所提方法具有較好的有效性和適應(yīng)性。