English
Image fusion based on object region detection and Non-Subsampled Contourlet Transform
文件大小：
1202k
资源说明：### 图像融合技术基于对象区域检测与非下采样轮廓波变换
#### 摘要
本文介绍了一种新的红外（IR）图像与可见光（ViS）图像融合算法，该算法结合了对象区域检测技术和非下采样轮廓波变换（NSCT）。首先通过显著性检测获取红外图像的显著图；接着，采用自由区域移除方法提取红外图像中的对象区域；然后，通过NSCT分解源图像，并针对低频子带和高频子带应用不同的融合规则。通过逆NSCT生成初步融合图像，并将其与对象区域结合得到最终的融合图像。实验结果表明，与现有方法相比，该方法能有效提高融合图像的质量。
#### 1. 引言
近年来，图像融合技术已成为计算机视觉、遥感、机器人智能、生物医学以及军事应用等多个领域的热门研究课题。图像融合旨在将不同模式捕获的多张图像整合为单一表示形式，从而提供关于场景的综合信息，使操作者无需单独检查每一张图像。红外图像与可见光图像的融合旨在整合红外光谱中的物体信息与可见光图像中的清晰场景信息。
#### 2. 对象区域检测
在本研究中，首先采用显著性检测技术获取红外图像的显著图。显著性检测是一种图像处理技术，用于识别图像中的重要或突出部分，这些部分通常包含关键的信息。显著图是一种灰度图像，其中每个像素值反映了该位置的重要程度。通过对红外图像进行显著性检测，可以识别出图像中最具代表性的区域，即显著区域。
#### 3. 自由区域移除方法
为了进一步提取红外图像中的对象区域，研究采用了自由区域移除方法。这一过程涉及从显著图中移除非对象区域，即背景或其他不相关的部分。自由区域移除有助于减少不必要的信息，确保融合图像能够更准确地反映目标物体。
#### 4. 非下采样轮廓波变换（NSCT）
非下采样轮廓波变换是一种多尺度、多方向的信号分析工具，它能够有效分解图像信号。相比于传统的轮廓波变换，NSCT具有更好的方向选择性和平移不变性。NSCT分解图像的过程包括两个主要步骤：图像被分解成一系列不同尺度和方向的子带；对每个子带应用相应的融合规则。这种方法使得能够在多个尺度和方向上精细地处理图像信息，从而更好地保留细节特征。
#### 5. 融合规则
对于低频子带和高频子带，本研究分别采用了不同的融合规则。低频子带主要包含了图像的基本结构和轮廓信息，而高频子带则包含了边缘和纹理等细节特征。对于低频子带，一般采用最大值或平均值融合规则，以保持图像的整体结构；而对于高频子带，则采用基于显著性的融合规则，以保留更多的细节信息。
#### 6. 结果分析
实验结果显示，该融合方法能够在保持红外图像中对象信息的同时，有效地集成可见光图像中的清晰场景信息，从而提高了融合图像的质量。通过对多种评估指标（如熵、结构相似性指数等）的比较，证明了所提出的方法在融合效果上优于现有的其他方法。
#### 7. 结论
本文提出了一种基于对象区域检测和非下采样轮廓波变换的红外与可见光图像融合方法。通过显著性检测获取红外图像的关键区域，并利用NSCT分解图像，在多个尺度和方向上对图像进行精细处理。实验结果表明，该方法能够有效地提高融合图像的质量，为实际应用提供了有力的支持。未来的研究可以进一步探索不同类型的融合规则，以适应更多种类的图像融合需求。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
