[72]。圖4.1第一組圖像圖4.1為夜晚街景圖像。在光線不足的條件下，可見光圖像僅燈光周邊區(qū)域較為清晰。相比其他五種融合方法，本文算法的圖像亮度分布更為均衡，車輛、行人及廣告牌的細(xì)節(jié)信息更為鮮明，有助于目標(biāo)對(duì)象的辨識(shí)。圖4.2第二組圖像圖4.2描繪了房子外一角的景象。紅外圖像中灌木的細(xì)節(jié)較為模糊，而可見光圖像中人的位置不夠清晰。然而，通過本文算法的融合處理，人像及灌木的細(xì)節(jié)得以凸顯，同時(shí)房屋上方天空的亮度更符合人類的視覺感知。圖4.3第三組圖像圖4.3為戶外場(chǎng)景圖像。紅外圖像在云層和車輛細(xì)節(jié)方面表現(xiàn)較好，但樹木的清晰度不足；而可見光圖像則提供了豐富的樹木和房屋細(xì)節(jié)。本文算法在保持亮度和細(xì)節(jié)清晰度方面均表現(xiàn)出色，呈現(xiàn)出良好的視覺效果。圖4.4第四組圖像圖4.4為房屋圖像，紅外圖像對(duì)樹木和草叢的細(xì)節(jié)描述不夠清晰，但能顯示出房屋窗戶玻璃及門前的交通指示牌?？梢姽鈭D像中交通指示牌與后方房屋融為一體，難以辨認(rèn)。相比之下，本文算法的融合圖像能夠更好地展現(xiàn)房屋玻璃和交通指示牌的細(xì)節(jié)，同時(shí)保留了樹木的細(xì)部信息，有助于識(shí)別不同目標(biāo)。圖4.5第五組圖像圖4.5為鄉(xiāng)村小路圖像。紅外圖像中雖能辨識(shí)出天空中的太陽與云朵，但近景路面模糊，難以識(shí)別路徑、路燈和指示牌。可見光圖像則詳細(xì)描繪了小路細(xì)節(jié)，但未能表現(xiàn)出空中的太陽。通過本文算法的融合，既保留了可見光圖像中的路徑細(xì)節(jié)，又保留了紅外圖像中的天空信息，呈現(xiàn)出優(yōu)秀的視覺效果。圖4.6第六組圖像圖4.6為房子的圍墻外圖像。紅外圖像在展現(xiàn)圍墻和云朵位置方面表現(xiàn)良好，但樹木細(xì)節(jié)模糊?？梢姽鈭D像則清晰展示了樹木的位置和生長(zhǎng)狀況，但受光線影響，圍墻難以辨認(rèn)。本文算法的融合圖像則能夠較好地展示樹木、圍墻、云朵和草叢等目標(biāo)物，視覺效果良好，便于觀察。圖4.7第七組圖像圖4.7為房屋外樓梯的圖像。紅外圖像中樓梯臺(tái)階突出，但樹木紋理和墻面細(xì)節(jié)不足?？梢姽鈭D像則清晰展現(xiàn)了墻面紋理和樹木細(xì)節(jié)，但樓梯和花壇不夠突出。相比其他算法，本文算法融合的圖像樓梯與花壇細(xì)節(jié)最為清晰，樹木信息豐富，邊緣清晰度高，整體視覺效果優(yōu)越。圖4.8第八組圖像圖4.8為兩幢房屋之間圖像。紅外圖像中遠(yuǎn)近的樹木模糊，但房屋窗戶下的樹木、天空中的云朵被清晰的展現(xiàn)出來?？梢姽鈭D像中由于光線不足，近景里房屋的紋理細(xì)節(jié)信息無法觀察清楚，但遠(yuǎn)處樹木的狀況清晰可見。本文算法融合的圖像既體現(xiàn)了出了房屋與樹木的紋理信息，也將各個(gè)目標(biāo)事物的邊緣清晰的展現(xiàn)出來，視覺效果優(yōu)秀，便于人眼觀察。為了更直觀的表現(xiàn)本文算法融合圖像的有效性，使用客觀評(píng)價(jià)指標(biāo)對(duì)融合圖形進(jìn)行測(cè)試是至關(guān)重要的一環(huán)。本文選取了IE、VIFF、Qy、MI、SD五個(gè)圖像評(píng)價(jià)指標(biāo)來評(píng)價(jià)融合圖像，詳細(xì)結(jié)果見表1至表8。在表1至表8中展示了基于拉普拉斯金字塔（LP）和局部二值模式（LBP）的圖像融合方法所得的結(jié)果。在這些表格中，紅色數(shù)值標(biāo)志著在相應(yīng)評(píng)價(jià)指標(biāo)下，六種算法中融合圖像表現(xiàn)最優(yōu)的數(shù)值，而綠色數(shù)值則代表次優(yōu)表現(xiàn)。表1第一組圖像融合數(shù)據(jù)評(píng)價(jià)指標(biāo)傳統(tǒng)LPRLPCurveletNSCTLatLRR本文算法IE6.47296.10936.16925.93426.02976.7770SD31.561628.262125.180421.240127.485136.8898MI0.32180.21820.25480.38100.32290.6050VIFF0.63340.30770.46040.36810.48470.6943Qy0.78340.47980.68670.70100.66310.8851表1詳細(xì)展示了六種算法在處理第一組圖像時(shí)的質(zhì)量評(píng)估結(jié)果。根據(jù)表格中的數(shù)據(jù)可以得到結(jié)論，本文所提出的算法在“SD”、“MI”和“Qy”這三個(gè)關(guān)鍵指標(biāo)上均顯著優(yōu)于其他算法，“IE”和“VIFF”這兩個(gè)評(píng)價(jià)指標(biāo)顯示出了一定的優(yōu)越性。相較于其他經(jīng)典算法，本文提出的算法在處理第一組圖像時(shí)，所獲得的融合圖像在保留圖像細(xì)節(jié)信息的表現(xiàn)上更為突出，圖像整體清晰度也更高。表2第二組圖像融合數(shù)據(jù)評(píng)價(jià)指標(biāo)傳統(tǒng)LPRLPCurveletNSCTLatLRR本文算法IE6.77636.79116.77796.56456.70167.1809SD36.264935.791534.158231.632635.757151.9940MI0.24810.21440.24220.30300.28740.4504VIFF0.39270.27220.34650.30050.34570.4463Qy0.83030.68300.77340.75660.73570.8309表2詳細(xì)展示了六種算法在處理第二組圖像時(shí)的質(zhì)量評(píng)估結(jié)果。根據(jù)表格中的數(shù)據(jù)可以得到結(jié)論，本文提出的算法在處理第二組圖像時(shí)，其“IE”、“SD”、“MI”、“VIFF”和“Qy”這五個(gè)關(guān)鍵指標(biāo)均顯著優(yōu)于傳統(tǒng)LP、RLP、Curvelet、NSCT和LatLRR算法。從總體上看，本文算法相較于其他經(jīng)典算法，在提升圖像清晰度、保留圖像細(xì)節(jié)信息方面展現(xiàn)出明顯的優(yōu)勢(shì)。表3第三組圖像融合數(shù)據(jù)評(píng)價(jià)指標(biāo)傳統(tǒng)LPRLPCurveletNSCTLatLRR本文算法IE6.84886.94076.70546.49436.63997.2084SD28.237032.461625.745122.498424.502338.4370MI0.21050.20190.18060.24710.24210.4187VIFF0.49310.34990.37000.27180.28570.5406Qy0.75760.56630.68880.70940.69460.7924表3詳細(xì)展示了六種算法在處理第三組圖像時(shí)的質(zhì)量評(píng)估結(jié)果。根據(jù)表格中的數(shù)據(jù)可以得到結(jié)論，本文提出的算法在“SD”、“MI”以及“Qy”這三個(gè)指標(biāo)上依然展現(xiàn)出了良好的性能。該算法在“IE”和“VIFF”這兩個(gè)指標(biāo)上相較于其他經(jīng)典算法也略有優(yōu)勢(shì)。當(dāng)使用本文算法處理第三組圖像時(shí)，所得到的融合圖像在細(xì)節(jié)特征信息方面更為豐富。表4第四組圖像融合數(shù)據(jù)評(píng)價(jià)指標(biāo)傳統(tǒng)LPRLPCurveletNSCTLatLRR本文算法IE6.73256.71346.72706.51196.64757.2021SD29.641030.144029.786926.100527.787345.2818MI0.28370.24750.24040.34700.27930.5290VIFF0.22970.13970.18780.16600.19200.2781Qy0.73720.50150.65390.67360.69320.8111表4詳細(xì)展示了六種算法在處理第四組圖像時(shí)的質(zhì)量評(píng)估結(jié)果。根據(jù)表格中的數(shù)據(jù)可以得到結(jié)論，本文提出的第一種算法的“IE”、“SD”、“MI”、“VIFF”和“Qy”這五個(gè)指標(biāo)仍然展現(xiàn)出了良好的性能。具體而言，通過采用本文提出的算法對(duì)第四組圖像進(jìn)行處理所獲取的融合圖像，相較于其他經(jīng)典算法，本文算法在提取和保留圖像細(xì)節(jié)信息方面展現(xiàn)出了顯著的優(yōu)勢(shì)。表5第五組圖像融合數(shù)據(jù)評(píng)價(jià)指標(biāo)傳統(tǒng)LPRLPCurveletNSCTLatLRR本文算法IE6.89156.81586.85656.67396.77517.2837SD31.905232.770331.754629.060430.527142.4369MI0.29000.25800.25030.32710.31980.5684VIFF0.49140.30190.40790.31120.35590.5209Qy0.79590.52630.72560.73030.73180.8712表5詳細(xì)展示了六種算法在處理第五組圖像時(shí)的質(zhì)量評(píng)估結(jié)果。根據(jù)表格中的數(shù)據(jù)可以得到結(jié)論，本文提出的第一種算法的“IE”、“SD”、“MI”、“VIFF”和“Qy”這五個(gè)指標(biāo)仍然展現(xiàn)出了良好的性能。這充分證明，在處理第五組圖像時(shí)，本文提出的算法所生成的融合圖像在視覺效果上呈現(xiàn)出顯著優(yōu)勢(shì)。表6第六組圖像融合數(shù)據(jù)評(píng)價(jià)指標(biāo)傳統(tǒng)LPRLPCurveletNSCTLatLRR本文算法IE6.76596.66826.60636.46836.43817.2174SD27.597225.954424.704522.435521.736241.4411MI0.26370.21350.22230.27270.23560.4977VIFF0.55860.32170.41640.33180.28360.6198Qy0.77890.62600.70080.72330.69960.7900表6詳細(xì)展示了六種算法在處理第六組圖像時(shí)的質(zhì)量評(píng)估結(jié)果。根據(jù)表格中的數(shù)據(jù)可以得到結(jié)論，本文提出的第一種算法的“IE”、“SD”、“MI”、“VIFF”和“Qy”這五個(gè)指標(biāo)仍然展現(xiàn)出了良好的性能。本文提出的算法所生成的圖像在視覺效果上表現(xiàn)出色，且展現(xiàn)出了更為豐富的細(xì)節(jié)信息。表7第七組圖像融合數(shù)據(jù)評(píng)價(jià)指標(biāo)傳統(tǒng)LPRLPCurveletNSCTLatLRR本文算法IE6.95856.84706.78336.60126.71227.4280SD31.231628.585927.209124.304026.386945.7903MI0.22410.19100.18880.24760.23430.5168VIFF0.54810.29650.41010.32460.32010.6375Qy0.79330.61570.71750.72520.73440.8394表7詳細(xì)展示了六種算法在處理第七組圖像時(shí)的質(zhì)量評(píng)估結(jié)果。根據(jù)表格中的數(shù)據(jù)可以得到結(jié)論，本文提出的第一種算法的“IE”、“SD”、“MI”、“VIFF”和“Qy”這五個(gè)指標(biāo)仍然展現(xiàn)出了良好的性能。本文提出的算法不僅在保留圖像細(xì)節(jié)信息方面取得了顯著進(jìn)步，而且在滿足人類視覺感知需求上也表現(xiàn)得更為出色。表8第八組圖像融合數(shù)據(jù)評(píng)價(jià)指標(biāo)傳統(tǒng)LPRLPCurveletNSCTLatLRR本文算法IE6.45996.35216.32376.14266.13747.1366SD22.665321.267120.650217.947618.253137.6035MI0.18170.14540.17450.22300.18400.4637VIFF0.23940.14090.22780.16980.16220.2525Qy0.80660.63310.76350.75380.76850.8363表8詳細(xì)展示了六種算法在處理第八組圖像時(shí)的質(zhì)量評(píng)估結(jié)果。根據(jù)表格中的數(shù)據(jù)可以得到結(jié)論，相較于其他五種算法，本文提出的算法處理第八組圖像所得到的結(jié)果在“IE”、“SD”、“MI”、“VIFF”和“Qy”這五個(gè)關(guān)鍵指標(biāo)上均展現(xiàn)出顯著優(yōu)勢(shì)。這一結(jié)果表明，本文算法在融合圖像時(shí)能夠保留更多源圖像的細(xì)節(jié)信息，從而提高了圖像的辨識(shí)度。綜合主客觀評(píng)價(jià)結(jié)果，本文提出的算法是有效的，不僅在圖像細(xì)節(jié)信息的保留方面有所提升，同時(shí)也更好地滿足了人類視覺感知的需求。基于MATLAB的圖像融合系統(tǒng)設(shè)計(jì)與搭建工具介紹本文利用MATLAB的圖形用戶界面（GUI）設(shè)計(jì)了一個(gè)圖像融合實(shí)驗(yàn)系統(tǒng)，該系統(tǒng)允許用戶便捷地應(yīng)用多種算法對(duì)不同的圖像進(jìn)行融合，并直觀地對(duì)比融合結(jié)果。相較于傳統(tǒng)的代碼輸入方式，MATLAB的GUI以圖形化形式展示了計(jì)算機(jī)用戶界面，這使得操作過程更加直觀與方便。通過GUI，用戶無需輸入冗長(zhǎng)的代碼，從而降低了使用門檻。例如，在保存融合后的圖像時(shí)，用戶可以通過界面提示選擇保存路徑，并根據(jù)需求為圖像命名，極大地簡(jiǎn)化了操作流程。此外，這種方法也有效避免了保存圖像后無法在本地文件中找到的問題。當(dāng)用戶需要運(yùn)用多種算法進(jìn)行圖像融合時(shí)，僅需通過下拉框選擇所需的算法，而無需了解算法在電腦中的具體存儲(chǔ)路徑。這一設(shè)計(jì)使得整個(gè)圖像融合過程更加高效與便捷。融合系統(tǒng)設(shè)計(jì)本文借助MATLAB平臺(tái)成功構(gòu)建了一個(gè)圖像融合實(shí)驗(yàn)系統(tǒng)，該系統(tǒng)能夠?qū)崿F(xiàn)對(duì)多源圖像的融合處理，并對(duì)不同融合算法進(jìn)行詳細(xì)的對(duì)比與評(píng)估。通過該系統(tǒng)，多個(gè)算法的融合結(jié)果得以以更加直觀、清晰的方式展示出來。該實(shí)驗(yàn)系統(tǒng)的主要功能涵蓋以下幾個(gè)方面：（1）系統(tǒng)支持運(yùn)用多種圖像融合算法對(duì)多源圖像進(jìn)行融合操作，以滿足不同場(chǎng)景和應(yīng)用需求。（2）用戶可以對(duì)源圖像進(jìn)行亮度調(diào)整、直方圖均衡化以及對(duì)比度拉伸等預(yù)處理操作，以優(yōu)化圖像質(zhì)量，提升融合效果。（3）系統(tǒng)能夠生成并保存不同算法下的融合圖像，方便用戶對(duì)各個(gè)算法的融合效果進(jìn)行對(duì)比分析。（4）此外，系統(tǒng)還能夠生成并保存各個(gè)算法指標(biāo)的表格及柱狀圖，通過可視化方式直觀地比較各個(gè)融合圖像的指標(biāo)，為算法選擇和優(yōu)化提供有力支持。融合圖像界面工具欄可以點(diǎn)擊“幫助”按鈕，跳出系統(tǒng)使用指南。快速查閱系統(tǒng)使用指南，以了解操作細(xì)節(jié)。接下來，點(diǎn)擊“加載紅外圖像”按鈕，并從文件中選擇相應(yīng)的紅外圖像。類似地，點(diǎn)擊“加載可見光圖像”按鈕，可以選擇所需的可見光圖像。對(duì)于圖像的編輯，用戶可以點(diǎn)擊“編輯紅外圖像”按鈕，跳轉(zhuǎn)到專門的圖像編輯頁面進(jìn)行編輯操作。編輯完成后，用戶可以返回至圖像融合界面，修改后的紅外圖像便會(huì)自動(dòng)傳回。同樣地，點(diǎn)擊“編輯可見光圖像”按鈕，可以對(duì)可見光圖像進(jìn)行編輯。在選擇融合算法方面，用戶可以在下拉選擇框中瀏覽并選取合適的算法。之后，點(diǎn)擊“融合圖像”按鈕，系統(tǒng)將開始融合兩幅編輯后的圖像。當(dāng)進(jìn)度條提示框消失時(shí)，表示圖像融合已完成。此時(shí)，融合后的圖像及其對(duì)應(yīng)的評(píng)價(jià)指標(biāo)將自動(dòng)顯示在表格中，方便用戶進(jìn)行查看和對(duì)比。融合圖像界面圖如圖4.9所示：圖4.9融合圖像界面點(diǎn)擊“加載紅外圖像”按鈕后，系統(tǒng)將彈出文件選擇器，以便用戶從中選取所需的紅外圖像。選擇完成后，該圖像將被自動(dòng)加載至專門的紅外圖像顯示窗口中。同樣地，點(diǎn)擊“加載可見光圖像”按鈕后，也會(huì)出現(xiàn)文件選擇器，供用戶挑選可見光圖像。選定后，該圖像同樣會(huì)被加載至對(duì)應(yīng)的可見光圖像顯示窗口中。若用戶需要對(duì)圖像進(jìn)行編輯，可以點(diǎn)擊“編輯紅外圖像”按鈕或“編輯可見光圖像”按鈕，系統(tǒng)隨即跳轉(zhuǎn)到圖像編輯界面。在編輯界面中，用戶可以對(duì)圖像進(jìn)行一系列操作，包括調(diào)整亮度、拉伸對(duì)比度以及進(jìn)行直方圖均衡化，以滿足不同的圖像處理需求。圖像編輯界面如圖4.10所示：圖4.10圖像編輯界面在圖4.10中，選取了標(biāo)準(zhǔn)圖像數(shù)據(jù)庫中的street紅外圖像進(jìn)行編輯操作。編輯過程中，用戶可以通過拖動(dòng)滑塊來調(diào)整圖像的亮度，使其更符合視覺需求。此外，點(diǎn)擊“直方圖均衡化”按鈕，系統(tǒng)將對(duì)圖像進(jìn)行直方圖均衡化處理，以增強(qiáng)圖像的對(duì)比度。同樣地，點(diǎn)擊“對(duì)比度拉伸”按鈕，可以對(duì)圖像進(jìn)行對(duì)比度拉伸操作，進(jìn)一步改善圖像的視覺效果。成編輯后，若調(diào)整后的圖像滿足預(yù)期要求，用戶可點(diǎn)擊“確定”按鈕，系統(tǒng)將返回至融合圖像界面。然而，若圖像仍不滿足要求，用戶可以點(diǎn)擊“重置”按鈕，重新開始編輯過程。若用戶認(rèn)為當(dāng)前圖像無需進(jìn)一步修改，則可直接點(diǎn)擊“返回”按鈕，直接返回融合圖像界面，繼續(xù)后續(xù)的圖像融合工作。在融合圖像界面中，用戶可通過下拉菜單選擇六種不同的圖像融合算法，包括傳統(tǒng)的LP、RLP、Curvelet、NSCT、LATLRR以及LP-LBP。選定算法后，點(diǎn)擊“融合圖像”按鈕，系統(tǒng)將自動(dòng)運(yùn)用所選算法對(duì)兩幅圖像進(jìn)行融合處理。待進(jìn)度提示框關(guān)閉后，融合后的圖像將顯示在融合圖像窗口中，供用戶進(jìn)行查看。為了對(duì)融合圖像進(jìn)行客觀評(píng)價(jià)，采用了IE、SD、MI、VIFF、Qy五種評(píng)價(jià)指標(biāo)，這些評(píng)價(jià)指標(biāo)能夠全面反映融合圖像的質(zhì)量特性。評(píng)價(jià)結(jié)果將以表格形式呈現(xiàn)，便于用戶進(jìn)行對(duì)比分析。特別地，當(dāng)使用LP-LBP融合算法時(shí)，用戶只需點(diǎn)擊“融合圖像”按鈕，系統(tǒng)便會(huì)執(zhí)行相應(yīng)的融合操作。圖4.11展示了使用LP-LBP算法進(jìn)行圖像融合的結(jié)果。在圖4.11中，我們采用了標(biāo)準(zhǔn)圖像數(shù)據(jù)庫中的street紅外與可見光圖像作為融合對(duì)象。首先，這兩幅圖像經(jīng)過輸入和編輯后，分別顯示在紅外圖像窗口和可見光圖像窗口中，供用戶進(jìn)行預(yù)覽和調(diào)整。隨后選用了LP-LBP算法對(duì)這兩幅圖像進(jìn)行融合處理。融合完成后，融合結(jié)果圖像被呈現(xiàn)在圖像顯示融合圖像窗口中，用戶可以直觀地觀察到融合后的效果。為了客觀評(píng)價(jià)融合圖像的質(zhì)量，多種評(píng)價(jià)指標(biāo)顯示在下列表格中。IE指標(biāo)評(píng)價(jià)結(jié)果為7.0130，SD指標(biāo)評(píng)價(jià)結(jié)果為42.6901，MI指標(biāo)評(píng)價(jià)結(jié)果為0.6649，VIFF指標(biāo)評(píng)價(jià)結(jié)果為0.6938，Qy指標(biāo)評(píng)價(jià)結(jié)果為0.9141。在圖4.11中，用戶可以對(duì)紅外圖像顯示窗口中的圖像進(jìn)行編輯，并執(zhí)行保存操作。在保存過程中，系統(tǒng)會(huì)自動(dòng)彈出一個(gè)文件位置選擇器，用戶可以在此選擇所需的圖像保存路徑，并更改圖像的文件名。同樣地，對(duì)于可見光圖像顯示窗口中的編輯后的圖像，用戶也可以執(zhí)行保存操作，并遵循相同的流程來選擇保存路徑和更改文件名。此外，當(dāng)用戶在融合圖像顯示窗口中完成融合圖像的編輯后，同樣可以進(jìn)行保存操作。此時(shí)，系統(tǒng)同樣會(huì)彈出文件位置選擇器，以便用戶選擇保存路徑并為融合圖像指定一個(gè)新的文件名。通過這一系列的保存操作，用戶可以方便地管理他們的圖像數(shù)據(jù)，確保每個(gè)圖像都保存在正確的位置，并帶有清晰的文件名，以便于后續(xù)的查看和使用。圖4.11LP-LBP融合算法融合結(jié)果圖在融合圖像界面（圖4.11）中，用戶點(diǎn)擊“查看所有融合圖像”按鈕后，系統(tǒng)將彈出一個(gè)進(jìn)度條窗口以展示圖像融合的進(jìn)度。待進(jìn)度完成后，用戶將能夠進(jìn)入所有算法圖像顯示界面。在這個(gè)界面中，之前融合圖像界面的紅外圖像、可見光圖像以及通過六種不同算法得到的融合圖像將被傳遞并集中展示。圖4.12即為所有算法圖像顯示界面的示例，它清晰地呈現(xiàn)了所有算法的融合圖像。圖4.12所有算法融合圖像顯示界面圖在圖4.12所示界面中，用戶可以通過點(diǎn)擊工具欄中的“保存”按鈕來截取整個(gè)界面的圖像。點(diǎn)擊該按鈕，系統(tǒng)會(huì)自動(dòng)彈出一個(gè)文件位置選擇器，以便用戶選擇合適的圖像保存路徑。在選擇路徑的同時(shí)，用戶還可以根據(jù)需要更改圖像的文件名，以便于后續(xù)的識(shí)別和管理。這一功能為用戶提供了便捷的截圖保存方式，有助于記錄和分析實(shí)驗(yàn)結(jié)果。在融合圖像界面（圖4.11）中，用戶點(diǎn)擊“查看所有算法指標(biāo)”按鈕后，系統(tǒng)會(huì)彈出一個(gè)進(jìn)度條窗口，用于展示指標(biāo)計(jì)算的進(jìn)度。待進(jìn)度完成后，用戶將能進(jìn)入融合算法指標(biāo)對(duì)比界面。在該界面中，六種算法的五種指標(biāo)將被統(tǒng)一展示，通過表格和對(duì)比柱狀圖的形式，用戶可以直觀地對(duì)比各種算法在不同指標(biāo)上的表現(xiàn)。這樣的設(shè)計(jì)有助于用戶更全面地了解各算法的性能，為后續(xù)的算法選擇和優(yōu)化提供依據(jù)。具體如圖4.13所示：圖4.13融合算法指標(biāo)對(duì)比界面圖在圖4.13中，融合圖像指標(biāo)表詳細(xì)展示了各種算法的評(píng)價(jià)結(jié)果。具體而言，第一列呈現(xiàn)了傳統(tǒng)LP算法在IE、SD、MI、VIFF、Qy五種評(píng)價(jià)指標(biāo)下的結(jié)果；第二列則是RLP算法的評(píng)價(jià)數(shù)據(jù)；第三列展示了Curvelet算法的評(píng)價(jià)結(jié)果；第四列為NSCT算法使用五種評(píng)價(jià)指標(biāo)進(jìn)行評(píng)價(jià)的結(jié)果；第五列為L(zhǎng)atlrr算法使用五種評(píng)價(jià)指標(biāo)進(jìn)行評(píng)價(jià)的結(jié)果；第六列為L(zhǎng)P-LBP算法使用五種評(píng)價(jià)指標(biāo)進(jìn)行評(píng)價(jià)的結(jié)果。此外，融合圖像指標(biāo)對(duì)比柱狀圖進(jìn)一步將數(shù)據(jù)按五個(gè)指標(biāo)進(jìn)行了分組展示。每一組柱狀圖都對(duì)比了六幅圖像在同一指標(biāo)下的表現(xiàn)。例如，第一組柱狀圖對(duì)比了六幅圖像在IE評(píng)價(jià)指標(biāo)下的差異；第二組則對(duì)比了SD評(píng)價(jià)指標(biāo)下的表現(xiàn)；第三組為六幅圖像MI評(píng)價(jià)指標(biāo)的對(duì)比柱狀圖；第四組為六幅圖像VIFF評(píng)價(jià)指標(biāo)的對(duì)比柱狀圖；第五組為六幅圖像Qy評(píng)價(jià)指標(biāo)的對(duì)比柱狀圖。最后，用戶如需保存整個(gè)界面的截圖，可點(diǎn)擊工具欄中的“保存”按鈕。系統(tǒng)隨后會(huì)自動(dòng)彈出文件位置選擇器，用戶可在此選擇合適的圖像保存路徑，并更改圖像文件名。系統(tǒng)代碼基于LP和LBP的圖像融合算法關(guān)鍵函數(shù)（1）LBP函數(shù)——功能：對(duì)圖像進(jìn)行LBP特征提取。輸入?yún)?shù)：圖像I（double類型的二維數(shù)組）。輸出參數(shù)：特征提取圖像F（uint8類型的二維數(shù)組）。（2）adb函數(shù)——功能：擴(kuò)展矩陣的行和列。輸入?yún)?shù)：矩陣X（double類型的二維數(shù)組），要添加的行列數(shù)bd（1*2數(shù)組，bd(1)要添加的行數(shù)，bd(2)要添加的列數(shù)）。輸出參數(shù)：擴(kuò)展后的矩陣Y（double類型的二維數(shù)組）（3）dec2函數(shù)——功能：對(duì)矩陣進(jìn)行下采樣，步長(zhǎng)為2。輸入?yún)?shù)：矩陣X（double類型的二維數(shù)組）。輸出參數(shù)：下采樣后矩陣Y（double類型的二維數(shù)組）。（4）undec2函數(shù)——功能：對(duì)矩陣進(jìn)行上采樣，步長(zhǎng)為2。輸入?yún)?shù)：矩陣X（double類型的二維數(shù)組）。輸出參數(shù)：上采樣后矩陣Y（double類型的二維數(shù)組）。（5）selc函數(shù)——功能：選擇高頻系數(shù)的融合規(guī)則并融合系數(shù)。輸入?yún)?shù)：圖像一的高頻系數(shù)M1（double類型的二維數(shù)組），圖像二的高頻系數(shù)M2（double類型的二維數(shù)組），融合規(guī)則選擇參數(shù)ap（在1-5中選擇融合規(guī)則）。輸出參數(shù)：融合后的高頻系數(shù)Y（double類型的二維數(shù)組）。（6）selb函數(shù)——功能：選擇低頻系數(shù)的融合規(guī)則并融合系數(shù)。輸入?yún)?shù)：圖像一的低頻系數(shù)M1（double類型的二維數(shù)組），圖像二的低頻系數(shù)M2（double類型的二維數(shù)組），融合規(guī)則選擇參數(shù)mp（在1-6中選擇融合規(guī)則）。輸出參數(shù)：融合后的低頻系數(shù)Y（double類型的二維數(shù)組）?；贚P和LBP的圖像融合算法關(guān)鍵代碼[[LP-LBP.m]fori1=1:zt[zs]=size(M1);zl(i1)=z;sl(i1)=s;if(floor(z/2)~=z/2),ew(1)=1;else,ew(1)=0;endif(floor(s/2)~=s/2),ew(2)=1;else,ew(2)=0;endif(any(ew))M1=adb(M1,ew);M2=adb(M2,ew);endG1=conv2(conv2(es2(M1,2),w,'valid'),w','valid');G2=conv2(conv2(es2(M2,2),w,'valid'),w','valid');LBP1=padarray(double(LBP(G1,SP,0,'i'))./255,[11],"replicate");LBP2=padarray(double(LBP(G2,SP,0,'i'))./255,[11],"replicate");M1T=conv2(conv2(es2(undec2(dec2(G1)),2),2*w,'valid'),2*w','valid');M2T=conv2(conv2(es2(undec2(dec2(G2)),2),2*w,'valid'),2*w','valid');M1=M1+M1.*(1-LBP1)./255;M2=M2+M2.*(1-LBP2)./255;E(i1)={selc(M1-M1T,M2-M2T,ap)};M1=dec2(G1);M2=dec2(G2);end開發(fā)過程中問題與解決方案函數(shù)重名問題在程序運(yùn)行過程中，有時(shí)會(huì)遇到“不支持將腳本作為函數(shù)執(zhí)行”的錯(cuò)誤提示。這一錯(cuò)誤通常源于用戶在其他路徑下創(chuàng)建了一個(gè)同名的函數(shù)，導(dǎo)致程序在執(zhí)行時(shí)產(chǎn)生了混淆。為了解決這個(gè)問題，用戶需要?jiǎng)h除那個(gè)同名的函數(shù)，或者對(duì)當(dāng)前的函數(shù)進(jìn)行重命名，以確保函數(shù)名稱的唯一性，從而避免此類錯(cuò)誤的發(fā)生。報(bào)錯(cuò)如圖4.14所示：圖4.14函數(shù)重名問題圖圖4.14是函數(shù)重名的問題截圖。這一錯(cuò)誤的根源在于Qy.m函數(shù)，原本應(yīng)作為客觀指標(biāo)的計(jì)算函數(shù)，放置在“Metric”這一客觀指標(biāo)文件夾中。然而，由于操作失誤，在“Metric”文件夾的上級(jí)目錄中意外創(chuàng)建了一個(gè)同名但為空的文件Qy.m。因此，在MATLAB嘗試調(diào)用該函數(shù)時(shí)，首先識(shí)別并調(diào)用了上級(jí)目錄中的空文件Qy.m，而未能正確調(diào)用位于“Metric”文件夾內(nèi)的Qy.m文件。評(píng)價(jià)指標(biāo)展示問題在對(duì)比多個(gè)算法與多個(gè)指標(biāo)時(shí)，如何高效地辨識(shí)各算法指標(biāo)表現(xiàn)的優(yōu)劣成為一項(xiàng)挑戰(zhàn)。為解決這一問題，本文提出一種方案，即將每個(gè)算法的所有客觀評(píng)價(jià)結(jié)果整合至統(tǒng)一表格中。在生成表格時(shí)，針對(duì)同一評(píng)價(jià)指標(biāo)下的不同算法進(jìn)行排序，并創(chuàng)新性地采用熒綠、淺綠和深綠三種底色，分別標(biāo)記前三名的算法，以助于用戶直觀、快速地對(duì)比各項(xiàng)數(shù)據(jù)。此外，還設(shè)計(jì)了柱狀圖來直觀展示各個(gè)算法的評(píng)價(jià)指標(biāo)，使用戶能夠迅速獲取算法間的對(duì)比結(jié)果，進(jìn)而為決策提供更為便捷和準(zhǔn)確的信息支持。具體設(shè)計(jì)如圖4.15所示：圖4.15評(píng)價(jià)指標(biāo)展示頁面圖圖4.15中展示了融合圖像指標(biāo)表和融合圖像指標(biāo)直方圖的設(shè)計(jì)成果。通過精心設(shè)計(jì)的表格底色，融合圖像指標(biāo)表能夠直觀地呈現(xiàn)同一指標(biāo)在不同算法下的表現(xiàn)優(yōu)劣順序，為用戶提供了便捷的對(duì)比方式。同時(shí)，融合圖像指標(biāo)直方圖也以其直觀性強(qiáng)的特點(diǎn)，幫助用戶快速獲取算法間的對(duì)比結(jié)果。以下是實(shí)現(xiàn)這一設(shè)計(jì)的關(guān)鍵代碼片段：forj=1:5forj=1:5fork=0:2[~,index]=max(data(j,1:6));index1(j,index)=1;[row,col]=find(index1);s=uistyle('BackgroundColor',[k/81-k/4k/8]);app.UITable.addStyle(s,'cell',[row,col]);index1(j,index)=0;data(j,index)=0;endend利用循環(huán)使得經(jīng)過計(jì)算得到的前三高指標(biāo)的背景顏色遞增，實(shí)現(xiàn)背景顏色的自動(dòng)設(shè)置。GUI運(yùn)行出錯(cuò)問題在MATLAB界面左側(cè)的文件夾列表中，若直接打開并運(yùn)行main.mlapp文件，可能會(huì)遇到“未定義與’uint8’類型的輸入?yún)?shù)相對(duì)應(yīng)的函數(shù)’LP_fusion’”的錯(cuò)誤提示。具體報(bào)錯(cuò)如圖4.16所示：圖4.16評(píng)價(jià)指標(biāo)展示頁面圖此問題源于直接打開mlapp文件時(shí)，存放融合函數(shù)的文件夾并未被添加到MATLAB的搜索路徑中，因此在運(yùn)行mlapp文件時(shí)無法找到所需的函數(shù)，從而引發(fā)報(bào)錯(cuò)。為解決此問題，建議在打開文件時(shí)，通過MATLAB的命令行窗口輸入appdesigner('main.mlapp')來自動(dòng)打開mlapp文件。同時(shí)，需右擊mlapp文件所在的文件夾，將其及其子文件夾（包含圖像融合函數(shù)文件等）添加到MATLAB的搜索路徑中，具體步驟如圖4.17所示。完成上述操作后，再次運(yùn)行main.mlapp文件時(shí)，即可避免上述報(bào)錯(cuò)的發(fā)生。圖4.17添加文件到路徑圖圖像融合進(jìn)度顯示問題在圖像融合的過程中，由于操作可能耗時(shí)較長(zhǎng)，為提升用戶體驗(yàn)，選擇在融合時(shí)增加一個(gè)進(jìn)度條提示框。這一設(shè)計(jì)旨在方便用戶實(shí)時(shí)了解融合的進(jìn)度情況。進(jìn)度條提示框如圖4.18所示：圖4.18融合進(jìn)度條提示框圖在圖像融合操作完成后，提示框?qū)⒆詣?dòng)消失，同時(shí)融合結(jié)果將呈現(xiàn)在屏幕上。在審視所有算法的指標(biāo)時(shí)，由于需要執(zhí)行六個(gè)融合算法以及計(jì)算五種指標(biāo)，這一過程耗時(shí)較長(zhǎng)。為了使用戶能夠及時(shí)了解當(dāng)前的進(jìn)度，我們?cè)O(shè)計(jì)了分段前進(jìn)顯示的進(jìn)度條。以下是實(shí)現(xiàn)這一功能的關(guān)鍵代碼：fori=1:6fori=1:6switchicase2d.Value=.16;d.Message='計(jì)算RLP算法融合圖像指標(biāo)中······';pause(1);case3d.Value=.33;d.Message='計(jì)算Curvelet算法融合圖像指標(biāo)中······';pause(1);case4d.Value=.5;d.Message='計(jì)算NSCT算法融合圖像指標(biāo)中······';pause(1);case5d.Value=.66;d.Message='計(jì)算Latlrr算法融合圖像指標(biāo)中······';pause(1);case6d.Value=.83;d.Message='計(jì)算LP-LBP算法融合圖像指標(biāo)中······';pause(1);endapp.Fuse=ChooseAlgorithm(app,app.VIS,app.IR,i);[ie,Viff,qy,mi,sd]=Evaluation(app,app.vis.ImageSource,app.ir.ImageSource,app.Fuse);data(1,i)=ie;data(2,i)=sd;data(3,i)=mi;data(4,i)=Viff;data(5,i)=qy;end為了精準(zhǔn)地反映當(dāng)前融合的進(jìn)度，本系統(tǒng)利用了判斷語句來動(dòng)態(tài)確定進(jìn)度狀態(tài)。每當(dāng)一個(gè)算法的融合與指標(biāo)計(jì)算順利完成，進(jìn)度條便相應(yīng)前進(jìn)1/6的距離，直至所有算法的計(jì)算工作全部結(jié)束。通過這種方式確保用戶能夠?qū)崟r(shí)、準(zhǔn)確地了解融合操作的進(jìn)度情況。直方圖顯示不明顯問題在展示不同指標(biāo)的直方圖時(shí)，由于每個(gè)指標(biāo)的數(shù)值范圍差異顯著，如指標(biāo)SD的范圍為20-40，而指標(biāo)IE的范圍僅為6-7，MI指標(biāo)的范圍是0.2-0.6，VIFF指標(biāo)的范圍是0.3-0.7，Qy指標(biāo)的范圍是0.4-0.8。若將這五個(gè)指標(biāo)直接置于同一直方圖中，MI、VIFF、Qy這三個(gè)指標(biāo)由于其數(shù)值范圍較小，會(huì)導(dǎo)致其顯示不明顯，從而不便于用戶進(jìn)行觀察和分析。如下圖4.19所示：圖4.19修改前評(píng)價(jià)指標(biāo)展示頁面圖圖4.14展示了將所有數(shù)據(jù)直接放入一個(gè)直方圖的顯示界面。從圖中可以觀察到，由于SD指標(biāo)的數(shù)值顯著偏大，MI、VIFF、Qy這三個(gè)指標(biāo)在直方圖中的顯示變得極為微弱，幾乎無法辨認(rèn)。同時(shí)，IE指標(biāo)的顯示也不甚明顯。因此，這樣的展示方式很難直觀地比較各個(gè)算法之間的性能優(yōu)劣。為了解決上述問題，本系統(tǒng)對(duì)SD指標(biāo)進(jìn)行了調(diào)整，將其除以四，從而將其數(shù)值范圍控制在5-10之間。同時(shí)，對(duì)于數(shù)值較小的MI、VIFF和Qy指標(biāo)，系統(tǒng)分別乘以6、6和5，使得它們的數(shù)值范圍分別被調(diào)整至1-3、1-4和2-5。經(jīng)過這樣的處理后，各指標(biāo)在直方圖中的差距變得更為明顯，便于觀察和比較。修改后的直方圖如圖4.20所示：圖4.20修改后評(píng)價(jià)指標(biāo)展示頁面圖圖4.20展示了經(jīng)過修改后的評(píng)價(jià)指標(biāo)展示頁面。經(jīng)過優(yōu)化調(diào)整，此時(shí)各個(gè)數(shù)據(jù)之間的差距變得更加顯著，便于用戶對(duì)比分析不同算法的優(yōu)劣之處。為確保用戶不會(huì)被誤導(dǎo)，本直方圖特意隱藏了Y軸坐標(biāo)。以下是生成上述直方圖的關(guān)鍵代碼：data1=app.UITable.Data;data1=app.UITable.Data;data1(2,:)=data1(2,:)*0.25;data1(3,:)=data1(3,:)*6;data1(4,:)=data1(4,:)*6;data1(5,:)=data1(5,:)*5;bar(app.UIAxes,data1,'EdgeColor','k');app.UIAxes.YAxis.Visible='off';app.UIAxes.XTickLabel={'IE';'SD';'MI';'viff';'Qy'};legend(app.UIAxes,{'LP','RLP','Curvelet','NSCT','latlrr','LP-LBP'});RGB彩色圖像融合問題為了增強(qiáng)本系統(tǒng)的處理能力和實(shí)用性，進(jìn)而拓展其應(yīng)用場(chǎng)景，本系統(tǒng)在設(shè)計(jì)時(shí)特別加入了彩色圖像融合的功能，旨在提升系統(tǒng)的適用性和功能多樣性。RGB圖像實(shí)際上是由三個(gè)獨(dú)立的M*N大小的彩色像素?cái)?shù)組構(gòu)成的，每個(gè)像素點(diǎn)均關(guān)聯(lián)一個(gè)三值組。這三個(gè)數(shù)值分別代表紅、綠、藍(lán)三個(gè)顏色分量，可以將其視為由三幅獨(dú)立的M*N二維圖像疊加而成，每幅圖像中的像素值范圍均為0至255。因此，RGB圖像可以被視為由三幅灰度圖像組合而成。在融合兩幅彩色圖像時(shí)可以將它們各自分解為三層灰度圖像，然后逐層進(jìn)行融合操作，最后再將融合后的各層重新組合，形成一幅新的RGB圖像。關(guān)鍵代碼如下所示：ifsize(I1,3)~=3&&size(I2,3)~=3ifsize(I1,3)~=3&&size(I2,3)~=3temp=LP_fusion1(I1,I2);F=repmat(temp,[113]);elseifsize(I1,3)~=3&&size(I2,3)==3fori=1:3F(:,:,i)=LP_fusion1(I1,I2(:,:,i));endelseifsize(I1,3)==3&&size(I2,3)~=3fori=1:3F(:,:,i)=LP_fusion1(I1(:,:,i),I2);endelsefori=1:3F(:,:,i)=LP_fusion1(I1(:,:,i),I2(:,:,i));endend上述代碼利用if結(jié)構(gòu)詳細(xì)描述了融合圖像時(shí)可能遇到的各種情況。當(dāng)處理的圖像為灰度圖像時(shí)，系統(tǒng)會(huì)直接進(jìn)行融合操作。然而，若源圖像包含多層信息，則系統(tǒng)會(huì)逐一遍歷這些層，并依次進(jìn)行融合處理。采用這種方法，本系統(tǒng)成功地融合了彩色多聚焦圖像，其結(jié)果如圖4.21所示。圖4.21彩色圖像融合結(jié)果圖從圖4.21來看，本算法在融合彩色多聚焦圖像時(shí)也有著較好的視覺效果。本章小結(jié)本章詳細(xì)剖析了本文所提出的融合算法之成效。首先闡釋了用于客觀評(píng)價(jià)圖像的指標(biāo)“IE”、“VIFF”、“Qy”、“MI”及“SD”的運(yùn)作機(jī)理。隨后，通過主觀與客觀雙重評(píng)價(jià)，將本文算法與五種經(jīng)典算法進(jìn)行了比對(duì)，深入探討了每幅圖像的優(yōu)劣之處。接著介紹了基于MATLAB的圖像融合實(shí)驗(yàn)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)，并展示了其中的關(guān)鍵代碼與函數(shù)。這一實(shí)驗(yàn)系統(tǒng)具備實(shí)時(shí)性，能夠?qū)Σ煌瑘D像應(yīng)用多種融合算法進(jìn)行比對(duì)、評(píng)估及保存，顯示出其較高的實(shí)用價(jià)值。結(jié)語與展望結(jié)語在本次研究中致力于探索如何有效地提取圖像的細(xì)節(jié)信息，并設(shè)法在融合圖像中保留這些關(guān)鍵細(xì)節(jié)。為此，設(shè)計(jì)了一種新穎的圖像融合方法。在圖像分解階段，采用了四層分解的策略，并對(duì)每一層經(jīng)過高斯濾波處理后的子圖像進(jìn)行了LBP特征提取。隨后將這些提取到的細(xì)節(jié)特征信息巧妙地添加到對(duì)應(yīng)層的拉普拉斯金字塔上。為了進(jìn)一步提升融合效果，采用了區(qū)域特性量測(cè)的方法來融合高頻信息，而對(duì)于低頻信息的融合，則選用了絕對(duì)值取大的策略。完成這些步驟后，對(duì)融合后的金字塔進(jìn)行了逆變換，從而得到了最終的融合圖像。通過一系列實(shí)驗(yàn)驗(yàn)證，本文提出的算法與傳統(tǒng)的融合算法相比，在主觀視覺感知和客觀評(píng)價(jià)指標(biāo)上均展現(xiàn)出了顯著的優(yōu)勢(shì)。展望本文在圖像融合算法的研究中，基于拉普拉斯金字塔分解技術(shù)，創(chuàng)新性地提出了將LBP特征提取方法應(yīng)用于金字塔分解后的各層，實(shí)現(xiàn)了特征信息的有效注入。然而，經(jīng)過多組實(shí)驗(yàn)驗(yàn)證，本算法在處理某些圖像時(shí)優(yōu)勢(shì)并不顯著，提升效果有限。（1）在融合某些圖像時(shí)，本算法得到的融合結(jié)果灰度值偏高，導(dǎo)致圖像處理效果不夠穩(wěn)定，這一方面仍需進(jìn)一步優(yōu)化。（2）目前，本算法僅限于紅外圖像與可見光圖像的灰白圖像融合，其適用范圍相對(duì)狹窄。未來研究可以探索如何將其擴(kuò)展到彩色圖像等領(lǐng)域，從而拓寬算法的應(yīng)用范圍，增強(qiáng)其實(shí)用性和適用性。（3）此外，本文所使用的拉普拉斯金字塔在圖像分解過程中存在冗余分解問題，且缺乏方向性。后續(xù)研究中，可以考慮嘗試使用其他圖像分解方法，以更好地保留源圖像的細(xì)節(jié)信息，提升融合效果。

結(jié)論本論文深入探討了紅外圖像與可見光圖像的融合算法。首先對(duì)紅外圖像和可見光圖像的成像原理及其特性進(jìn)行了詳細(xì)分析，明確了在融合過程中應(yīng)分別從這兩類圖像中提取哪些關(guān)鍵信息。隨后對(duì)現(xiàn)有的圖像融合和特征提取算法進(jìn)行了綜合評(píng)述，深入剖析了各算法的優(yōu)劣之處。為了進(jìn)一步提升融合圖像的細(xì)節(jié)信息并優(yōu)化融合效果，本文創(chuàng)新性地將圖像特征提取技術(shù)融入到了圖像融合算法之中。拉普拉斯金字塔變換具備分析圖像中不同尺度特征的能力，其結(jié)構(gòu)特點(diǎn)在于頂層展示的是低分辨率圖像，而其余各層則呈現(xiàn)各尺度的高分辨率圖像。這種變換方法計(jì)算效率出眾，能有效融合并保留不同空間分辨率下圖像的關(guān)鍵部位與特征。然而，它也存在一些明顯的缺陷，比如可能導(dǎo)致圖像的冗余分解，缺乏方向性，以及在提取細(xì)節(jié)信息方面表現(xiàn)欠佳。特別是在分解過程中，高頻信息的丟失問題尤為嚴(yán)重。為了豐富圖像中的細(xì)節(jié)信息，本文深入研究了圖像特征提取算法。在圖像數(shù)據(jù)中，紋理特征信息占據(jù)重要地位，具備出色的抗噪性和旋轉(zhuǎn)不變性。鑒于拉普拉斯金字塔在提取細(xì)節(jié)信息方面的不足，將紋理特征信息融入其中，可顯著提升圖像中細(xì)節(jié)紋理信息的豐富度?；谶@一思路，本文進(jìn)一步探討了提取細(xì)節(jié)信息的新方法，并研究了相應(yīng)的融合算法。針對(duì)上述的研究，本文提出了一種融合圖像的新算法，該算法結(jié)合了拉普拉斯金字塔與局部二值模式。首先，對(duì)兩幅待融合的源圖像進(jìn)行拉普拉斯金字塔分解，隨后對(duì)每層經(jīng)過高斯濾波處理的圖像進(jìn)行LBP特征提取，從而獲取各層的特征信息，并將其注入到對(duì)應(yīng)層的金字塔中，以強(qiáng)化圖像的細(xì)節(jié)紋理信息。接著采用基于區(qū)域特性量測(cè)和最大值選取的策略，分別對(duì)低頻系數(shù)和高頻系數(shù)進(jìn)行融合處理。最后，對(duì)融合后的金字塔進(jìn)行重構(gòu)，得到最終的融合圖像。經(jīng)過一系列實(shí)驗(yàn)驗(yàn)證，相較于其他經(jīng)典算法，本文所提出的算法在主觀視覺感知及客觀評(píng)價(jià)指標(biāo)上均展現(xiàn)出顯著提升。然而融合圖像的灰度值偏高，這限制了算法在灰度值較高圖像中的應(yīng)用。因此，本算法更適用于源圖像灰度值較低的場(chǎng)合。本文基于MATLAB平臺(tái)，設(shè)計(jì)了一套圖像融合實(shí)驗(yàn)系統(tǒng)，該系統(tǒng)具備實(shí)時(shí)處理功能，能夠運(yùn)用多種融合算法對(duì)不同圖像進(jìn)行對(duì)比分析、性能評(píng)估與結(jié)果保存，有著較強(qiáng)的使用價(jià)值。參考文獻(xiàn)寧大海,鄭晟.可見光和紅外圖像決策級(jí)融合目標(biāo)檢測(cè)算法[J].紅外技術(shù),2023,45(03):282-291.劉信樂.熱紅外圖像與可見光圖像融合方法研究[D].電子科技大學(xué),2014.米切爾.圖像融合理論技術(shù)與應(yīng)用[M].李成,尹奎英,賈程程,譯.北京:國(guó)防工業(yè)出版社,2016.苗啟廣,葉傳奇,湯磊,李偉生.多傳感器圖像融合技術(shù)及應(yīng)用[M].西安:西安電子科技大學(xué)出版社,2014.張麗霞,曾廣平,宣兆成.多源圖像融合方法的研究綜述[J].計(jì)算機(jī)工程與科學(xué),2022,44(02):321-334.李揚(yáng),楊海濤,孔卓等.像素級(jí)紅外與可見光圖像融合方法綜述[J].計(jì)算機(jī)工程與應(yīng)用,2022,58(14):40-50.郭峰,楊靜,史健芳.基于可控濾波器和空間頻率的圖像融合算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2016,37(08):2165-2169.ZHANGLX,ZENGG,WEIJJ.Adaptiveregion-segmentationmulti-Focusimagefusionbasedondifferentialevolution[J].InternationalJournalofPatternRecognitionandArtificialIntelligence,2019,33(3):No3.王新賽,馮小二,李明明.基于能量分割的空間域圖像融合算法研究[J].紅外技術(shù),2022,44(07):726-731.許靜,劉敬,李康欣.基于RPCA和PLIP的紅外與可見光圖像融合方法[J].西安郵電大學(xué)學(xué)報(bào),2022,27(06):22-30.楊福生,洪波.獨(dú)立分量分析原理和應(yīng)用[M].北京:清華大學(xué)出版社,2006.LIX,WANGL,WANGJ,etal.Multi-focusimagefusionalgorithmbasedonmultilevelmorphologicalcomponentanalysisandsupportvectormachine[J].IETImageProcessing,2017,11(10):919-926.LIST,KANGX,HUJ.Imagefusionwithguidedfiltering[J].IEEETransactionsonImageProcessing,2013,22(7):2864-2875.姜邁,沙貴君,李寧.基于引導(dǎo)濾波與雙樹復(fù)小波變換的紅外與可見光圖像融合[J].激光與光電子學(xué)進(jìn)展,2023,60(10):110-120.蔣杰偉,劉尚輝,金庫等.基于FCM與引導(dǎo)濾波的紅外與可見光圖像融合[J].紅外技術(shù),2023,45(03):249-256.劉明葳,王任華,李靜,等.各向異性導(dǎo)向?yàn)V波的紅外與可見光圖像融合[J].中國(guó)圖象圖形學(xué)報(bào),2021,26(10):2421-2432.ZHANGX,YANH,HEH.Multi-focusimagefusionbasedonfractional-orderderivativeandintuitionisticfuzzysets[J].FrontiersofInformationTechnology&ElectronicEngineering,2020,21(6):834–843.ODYSSEASB,IOANNISA,NIKOLAOSM.ConditionalRandomField-GuidedMulti-FocusImageFusion[J].JournalofImaging,2022,8(9):240.BURTPJ,ADELSONEH.Mergingimagesthroughpatterndecomposition[J].ProceedingsofSPIE-TheInternationalSocietyforOpticalEngineering,1984,575:173.TOETA.Imagefusionbyaratiooflow-passpyramid[J].PatternRecognitionLetters,1989,9(4):245-253.楊九章,劉煒劍,程陽.基于對(duì)比度金字塔與雙邊濾波的非對(duì)稱紅外與可見光圖像融合[J].紅外技術(shù),2021,43(09):840-844.王建,王必寧,楊根善,張少應(yīng).基于形態(tài)學(xué)金字塔的醫(yī)學(xué)圖像融合技術(shù)[J].兵工自動(dòng)化,2014,33(01):82-84.KOUF,LIZ,WENC,etal.Edge-preservingsmoothingpyramidbasedmulti-scaleexposurefusion[J].JournalofVisualCommunicationandImageRepresentation,2018,53:235-244.MALLATSG.Atheoryformultiresolutionsignaldecomposition:thewaveletrepresentation[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,1989,1(4):674-693.LIH,MANJUNATHBS,MITRASK,Multisensorimagefusionusingthewavelettransform[J].GraphicalModels&ImageProcessing,1995,57(3):235-245.LEWISJJ,O’CALLAGHANRJ,NILOLOVSG,etal.Pixel-andregion-basedimagefusionwithcomplexwavelets[J].InformationFusion,2007,8(2):119-130.張媛,陸小妍,郭群等.基于主成分分析和雙樹復(fù)小波變換的CT和MRI圖像融合改進(jìn)算法研究[J].中國(guó)醫(yī)學(xué)裝備,2022,19(04):7-12.GAOCR,LIUFQ,YANH.Infraredandvisibleimagefusionusingdual-treecomplexwavelettransformandconvolutionalsparserepresentation[J].JournalofIntelligent&FuzzySystems,2020,39(3):1-13.李嬋飛,鄧奕.平穩(wěn)小波變換和模糊數(shù)學(xué)的紅外與可見光圖像融合[J].計(jì)算機(jī)與數(shù)字工程,2017,45(05):874-877+944.常莉紅.一種基于四元數(shù)小波變換的圖像融合方法[J].寶雞文理學(xué)院學(xué)報(bào)(自然科學(xué)版),2016,36(03):8-14.馬淑蘭,常莉紅,馬?？?基于四元數(shù)小波變換和自適應(yīng)神經(jīng)網(wǎng)絡(luò)的圖像融合處理[J].西安石油大學(xué)學(xué)報(bào)(自然科學(xué)版),2020,35(02):113-119.CAND?SEJ,DONOHODL.Ridgelets:akeytohigher-dimensionalintermittency?[J].PhilosophicalTransactionsoftheRoyalSocietyA:Mathematical,PhysicalandEngineeringSciences,1999,357(1760):2495-2509.蔣婷婷,周潔靜.基于改進(jìn)Curvelet變換的圖像融合算法研究[J].信息化研究,2020,46(03):23-27+45.DOMN,VETTERLIM.Contourlets:Adirectionalmultiresolutionimagerepresentation[C].Proceedings.InternationalConferenceonImageProcessing.IEEE,2002,1:I-I.HUANGYH,CHENDW.Imagefuzzyenhancementalgorithmbasedoncontourlettransformdomain[J].MultimediaToolsandApplications,2020,79:35017–35032.DACUNHAAL,ZHOUJ,DOMN.Thenonsubsampledcontourlettransform:theory,design,andapplications[J].IEEETransactionsonImageProcessing,2006,15(10):3089-3101.蔡懷宇,卓勵(lì)然,朱攀等.基于非下采樣輪廓波變換和直覺模糊集的紅外與可見光圖像融合[J].光子學(xué)報(bào),2018,47(06):225-234.裴高樂,史濤,李世星.NSCT與AR-PCNN相結(jié)合的醫(yī)學(xué)圖像融合研究[J].激光雜志,2022,43(10):222-228.GUOKH,LABATED,etal.OptimallySparseMultidimensionalRepresentationUsingShearlets[J].SIAMJournalonMathematicalAnalysis,2007,39(1):298-318.EASLEYG,LABATED,LIMWQ.Sparsedirectionalimagerepresentationsusingthediscreteshearlettransform[J].AppliedandComputationalHarmonicAnalysis,2008,25(1):25-46.李威,李忠民.NSST域紅外和可見光圖像感知融合[J].激光與光電子學(xué)進(jìn)展,2021,58(20):202-210.張洲宇,曹云峰,丁萌,陶江.采用多層卷積稀疏表示的紅外與可見光圖像融合[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2021,53(12):51-59.鄧輝,王長(zhǎng)龍,胡永江,等.脈沖耦合神經(jīng)網(wǎng)絡(luò)在圖像融合中的應(yīng)用研究[J].電光與控制,2019,26(11):19-24．ZHAOZ,XUS,ZHANGC,etal.Bayesianfusionforinfraredandvisibleimages[J].SignalProcessing,2020,177:107734.劉琰煜,周冬明,聶仁燦等.低秩表示和字典學(xué)習(xí)的紅外與可見光圖像融合算法[J].云南大學(xué)學(xué)報(bào)(自然科學(xué)版),2019,41(04):689-698.董安勇,杜慶治,蘇斌等.基于卷積神經(jīng)網(wǎng)絡(luò)的紅外與可見光圖像融合[J].紅外技術(shù),2020,42(07):660-669.張冬冬,王春平,付強(qiáng).深度學(xué)習(xí)框架下的紅外與可見光圖像融合算法綜述[J].激光與紅外,2022,52(09):1288-1298.ZHANGP,WANGLX,ESLAMIH.AmathematicalmodelofPCNNforimagefusionwithnon-sampledcontourlettransform[J].AppliedMathematicsandNonlinearSciences,2022,8(1):2243-2252.李志堅(jiān),楊風(fēng)暴,高玉斌等.基于多尺度高斯濾波和形態(tài)學(xué)變換的紅外與其他類型圖像融合方法（英文）[J].紅外與毫米波學(xué)報(bào),2020,39(06):810-817.LIJiao,YANGYanchun,DANGJianwu,etal.MultifocusimagefusionalgorithmbasedonNSSTandguidedfiltering[J].JournalofHarbinInstituteofTechnology,2018,50(11):145-152.YINW,ZHAOW,YOUD,WANGD.Localbinarypatternmetric-basedmulti-