针对红外与可见光图像融合过程中出现的细节损失严重、视觉效果不佳等问题,提出了基于多尺度几何变换模型的融合方法。首先,采用改进的视觉显著性检测算法对红外与可见光图像进行显著性检测,并构建显著性矩阵;然后,对红外与可见光图像进行非下采样剪切波变换,得到相应的低频和高频子带,并采用显著性矩阵对低频子带进行自适应加权融合,同时采用简化的脉冲耦合神经网络并结合多方向拉普拉斯能量和对高频子带进行融合处理;最后,通过逆变换得到融合图像。实验结果表明,该方法能够有效提升融合图像的对比度并保留源图像的细节信息,融合图像具有良好的视觉效果,且多个客观评价指标均表现良好。

针对近红外与彩色可见光图像融合后出现的对比度降低、细节丢失、颜色失真等问题, 提出一种基于 Tetrolet变换和自适应脉冲耦合神经网络 PCNN(PCNN-Pulse Coupled Neural Network)的近红外与彩色可见光图像融合的新算法。首先将彩色可见光源图像转换到各个分量相对独立的 HSI空间(HSI-Hue Saturation Intensity), 将其亮度分量与近红外图像进行 Tetrolet分解, 对分解后得到的低频系数, 提出一种从给定不完备数据集中寻找潜在分布最大似然估计的期望最大算法融合规则；对分解后得到的高频系数, 采用一种 Sobel算子自动调节阈值的自适应 PCNN模型作为融合规则；处理后的高低频图像经 Tetrolet逆变换作为融合后的亮度图像, 提出一种饱和度分量自适应拉伸方法来解决图像饱和度下降的问题。处理后的各个分量反向映射到 RGB空间, 完成融合。将本文算法与多种高效融合算法进行对比分析, 实验表明, 本方法取得的图像, 细节清晰, 色彩对比度得到提升, 在图像饱和度、颜色恢复性能、结构相似性和对比度等客观评价指标上均具有明显的优势。