现有差异特征驱动的红外光强与偏振图像融合方法中, 特征的选择上数量多, 存在信息冗余, 通过提取图像特征再求差来获取差异特征不能充分表征图像间的差异。本文提出一种基于余弦值的红外光强与偏振图像特征差异度的度量方法。通过对源图像提取特征图, 将亮度、纹理、边缘三类特征进行分离, 避免了图像特征选择的困难; 定义了特征差异度, 从特征图提取得到特征向量, 再计算其差异度, 对图像的差异进行了量化; 最后, 通过实验验证了所提方法的合理性和有效性。

场景外观剧烈变化引起的感知偏差和感知变异给视觉场景识别带来了很大的挑战。现有的利用卷积神经网络(CNN)的视觉场景识别方法大多数直接采用 CNN 特征的距离并设置阈值来衡量两幅图像之间的相似性, 当场景外观剧烈变化时效果较差, 为此提出了一种新的基于多层次特征差异图的视觉场景识别方法。首先, 一个在场景侧重的数据集上预训练的 CNN 模型被用来对同一场景中感知变异的图像和不同场景中感知偏差的图像进行特征提取。然后, 根据 CNN 不同层特征具有的不同特性, 融合多层 CNN 特征构建多层次特征差异图来表征两幅图像之间的差异。最后, 视觉场景识别被看作二分类问题, 利用特征差异图训练一个新的 CNN 分类模型来判断两幅图像是否来自同一场景。实验结果表明, 由多层 CNN 特征构建的特征差异图能很好地反映两幅图像之间的差异, 文中提出的方法能有效地克服感知偏差和感知变异, 在场景外观剧烈变化下取得很好的识别效果。

为了实现对红外图像的选择性加密, 提出了基于多特征差异检测与联合控制映射的红外图像选择算法。引入分段正弦变换, 将输出图像分割为3个不同的区域, 对每个区域完成不同的拉伸变换, 完成初始红外图像的增强, 凸显真实红外目标; 再利用增强图像中目标与背景的灰度差异, 从而设计目标决策因子, 并分割Top-Hat变换的结构元素, 构建红外背景抑制机制, 过滤杂波与噪声; 利用灰度水平、对比度与相似度, 建立多特征差异检测模型, 提取包含真实目标与可疑目标的感兴趣区域; 以Logistic映射为控制条件, 综合Tent映射与Chebyshev映射, 设计联合控制混沌映射, 利用其输出的混合随机序列对感兴趣区域进行置乱; 引入引力模型, 对混淆的感兴趣区域内的像素进行扩散, 完成红外目标选择加密。实验结果显示: 与已有的图像局部加密机制相比, 该文算法输出密文信息熵值达到了7.982 6, 能够更好地用于红外图像局部选择性加密。

利用 non-subsampled contourlet transform(NSCT)对红外偏振与红外光强图像进行分解, 得到源图像的低频子带和高频方向子带。通过对红外偏振和光强图像差异特征的分析, 对低频选取局部能量和局部信息熵提取差异特征, 然后利用模糊逻辑融合低频子带的不确定区域, 利用特征差异驱动来融合低频子带的确定区域；对高频选取局部边缘信息保留量和局部方差提取差异特征, 然后利用模糊逻辑融合高频方向子带的不确定区域, 利用特征差异驱动来融合高频方向子带的确定区域。最后利用 NSCT对高低频子带进行逆变换得到最后的融合图像。从而建立起基于模糊逻辑与特征差异驱动的红外偏振图像融合模型。实验仿真结果表明, 该融合模型可融合源图像互补的差异特征, 使其在目标识别和分类中具有一定的应用价值。