针对红外和可见光图像融合结果背景信息不足、对比度较低的问题，提出一种结合引导滤波和快速共现滤波的融合方法。首先，以高斯滤波将源图像分解为细节层和基础层。然后以去除值域滤波器、全局统计共现信息的方式简化共现滤波，形成快速共现滤波，再用其融合细节层；此外，引入窗口因子，用图像大小与窗口因子比值确定引导滤波窗口值，再用其融合基础层。实验结果表明该算法增加了图像背景细节，提高了人物与背景的对比度。主观和客观的实验分析验证了该算法的有效性。

完整代码，可直接运行

图像融合；图像增强；图像质量评价

系统分析了滚动导向滤波的参数,根据参数变化的规律提出一种基于滚动导向滤波的混合多尺度分解方法,并基于此方法将红外与可见光图像分解到基本层、小尺度层和大尺度层。在基本层上使用像素能量与梯度能量相结合的融合规则,在大、小尺度层上采用双通道自适应脉冲耦合神经网络(DAPCNN)的融合规则。通过逆混合多尺度分解方法得到融合图像。与已有的图像分解方法相比,所提图像分解方法不仅可以很好地提取图像的纹理细节,保留图像的边缘特征,还可以避免在边缘位置上出现光晕现象。实验结果表明,所提方法可以很好地提取图像的红外目标信息,并将其融合到可见光图像中,与已有的融合方法相比,所提方法不仅在人眼视觉感知的主观评价方面具有明显优势,而且在互信息、信息熵、标准差、非线性相关信息熵和Chen-Varshney指标等客观评价标准上也具有很大的优势。

红外与可见光图像融合中的快速配准方 法

图像融合、论文复现、MATLAB代码

使用潜在的低秩表示法进行红外和可见图像融合 吴小军* 使用潜在的低秩表示法进行红外和可见图像融合。 潜在的低排名表示 融合方法框架 抽象的 我们提出了一种基于潜在低秩表示（LatLRR）的新颖图像融合方法，该方法简单有效。 首先，通过LatLRR将源图像分解为低阶部分和显着部分。 全局结构信息由低阶部分保留，局部结构信息由显着性部分提取。 然后，将低阶部分通过加权平均策略融合，而显着部分则简单地通过求和策略融合。 最后，通过融合融合的低秩部分和融合的显着性部分获得融合的图像。 源代码 1 Fusion_latlrr.m -----我们的方法 2 latlent_lrr.m -------潜在的低秩表示方法 潜在LRR Thr Latent LRR方法由Liu Guangcan Liu在2011年提出。 “ Liu G，Yan S.用于子空间分割和特征提取的潜在低秩表示[C]国际

资源包括从网上搜集的大部分红外和可见光融合图片和本人在从事电力设备红外和可见光图像融合研究的实验中所有的图片。在研究过程中发现，网上这方面的资源稀少，特与大家分享，希望对从事该领域研究的朋友有所帮助。

为进一步提高红外与可见光融合图像的细节信息,并降低伪影和噪声,提出一种基于ResNet152深度学习模型的红外与可见光图像融合算法。首先,将红外与可见光图像分解成低频部分和高频部分;然后,运用平均权重策略对低频部分进行融合,生成新的低频部分,使用ResNet152网络对高频部分进行特征提取,得到多个特征层,对特征层分别进行L1正则化、卷积运算、双线性插值上采样和最大选择策略得到最大权重层,由最大权重层和高频部分相乘得到新的高频部分;最后,由新的低频部分和高频部分对图像进行重建,获得融合后的红外与可见光图像。实验结果表明,该算法在保留图像显著特征的同时使融合图像获得了更多的细节纹理信息,且有效地降低了伪影和噪声,其主观评价和客观评价都优于对比算法。

红外与可见光图像融合基于区域的深度学习方法