Pour surmonter certaines limites des méthodes traditionnelles et les insuffisances d'extraction d'informations à partir de caractéristiques uniques, tout en améliorant davantage la fusion d'images infrarouges et visibles, et en recherchant des méthodes à forte capacité d'adaptation aux différents types de caractéristiques, une méthode de fusion d'images infrarouges et visibles basée sur une évaluation multiple et une optimisation des moindres carrés pondérés (WLS) via une transformation contour non sous-échantillonnée (NSCT) a été proposée. Premièrement, la NSCT est utilisée pour la décomposition multi-échelle de l'image afin d'obtenir les sous-bandes basses et hautes fréquences. Deuxièmement, pour les sous-bandes basses, l'entropie locale au carré et la somme modifiée de Laplace (SML) sont choisies pour se compléter mutuellement, permettant l'extraction d'un faible nombre de détails tout en garantissant un bon contraste ; pour les sous-bandes hautes, l'importance des caractéristiques de base est pleinement prise en compte, utilisant la cohérence de phase (PC), l'opérateur de Laplace modifié pondéré localement (WSML) et l'énergie pondérée locale (WLE) pour fusionner la couche des détails, optimisée par WLS, afin que les détails de l'image fusionnée soient plus naturels et mieux adaptés à la perception visuelle humaine. Enfin, une transformation inverse est appliquée aux sous-bandes basses et hautes fusionnées pour obtenir l'image fusionnée. Des expériences ont été menées sur des images de différents types, et les résultats montrent que, comparée à d'autres méthodes de fusion, la méthode proposée produit un objectif net, un arrière-plan clair et un bon effet visuel. Parmi les quatre indicateurs d'évaluation objectifs — gradient moyen (AG), entropie de l'information (IE), fréquence spatiale (SF), et information mutuelle (MI) — sous la condition d'un bon indice MI, les trois autres indicateurs sont au meilleur niveau, surtout pour les images camp à éclairage uniforme, où AG et SF se sont améliorés respectivement de 6,9 % et 4,8 % par rapport aux meilleures valeurs, ce qui confirme l'efficacité de la méthode proposée.

fusion d'images ; évaluation multiple ; transformation contour non sous-échantillonnée ; optimisation des moindres carrés pondérés ; perception visuelle humaine