针对可见光和近红外双波段场景分类存在图像标注样本少和特征融合质量低的问题,提出了一种基于卷积神经网络(CNN)特征提取和朴素贝叶斯决策融合的双波段场景分类方法。首先,将基于预训练的CNN模型作为双波段图像的特征提取器,避免标注样本少导致的过拟合问题;然后,通过主成分分析降维和特征归一化方法,提高支持向量机的计算速度和每个波段的分类性能;最后,以双波段后验概率为朴素贝叶斯先验概率,构建了决策融合模型,实现场景融合分类。在公开数据集上的实验结果表明,相比单一波段分类和双波段特征级联融合分类方法,本方法的识别率有明显提升,可达到94.3%;比基于传统特征的最优方法高6.4个百分点,与基于CNN的方法识别率相近,且执行简单高效。

针对红外与可见光图像融合时，易产生细节丢失、噪声抑制不佳等问题，本文提出了一种改进的滚动引导滤波融合算法。该算法充分利用了滚动引导滤波边缘和局部亮度保持特性，在通过均值滤波将输入图像分解为基础层与细节层的基础上，结合滚动引导滤波与高斯滤波获取输入图像的显著图，利用不同尺度参数的引导滤波对显著图优化得到权重图，将权重图作为权重分别指导基础层与细节层的融合，最后联合融合后的子图重构得到融合图像。针对 3类测试数据进行的融合实验表明，与非下采样轮廓波变换、基于引导滤波、基于显著性检测的两个尺度的图像融合等经典方法相比，本文方法得到的融合图像不但从主观视觉效果上细节信息更丰富、目标对比度加强，并且在非线性相关信息熵、相位一致性等 6项客观评价指标上均具有较好的效果。