基于多尺度变换和VGG网络的红外与可见光图像融合

摘要

在图像融合领域中,多尺度变换是解决红外与可见光图像融合问题的经典方法,而近年来,深度学习作为一种快速兴起的研究工具,在图像处理中得到了广泛的应用。本文提出一种有效的图像融合方法,将多尺度变换与深度学习框架相结合,生成了包含更多红外与可见光图像的有效信息的融合图像。首先,对源图像进行多尺度变换,获得它们的高通和低通部分。对于高通部分,我们使用深度学习的网络提取深层特征,通过L1范数和平均融合策略进行融合。而对于低通部分,我们使用最大选择策略。最后,将融合后的高通和低通部分进行重构,再通过多尺度逆变换,获得最终的融合图像。实验结果表明,我们的方法无论在视觉效果还是客观指标方面,都优于一些基于多尺度变换和深度学习的融合方法。