基于结构纹理分解的红外与可见光图像融合算法

李青松; 杨莘; 吴谨; 黄泽丰

doi:10.37188/CJLCD.2022-0398

您当前的位置：

首页 >

文章列表页 >

基于结构纹理分解的红外与可见光图像融合算法

图像处理 | 更新时间：2023-10-10

- 基于结构纹理分解的红外与可见光图像融合算法
- Infrared and visible image fusion algorithm based on structure-texture decomposition
- 液晶与显示 2023年38卷第10期页码：1389-1398
- 作者机构：
  
  1.武汉科技大学信息科学与工程学院，湖北武汉 430081
- 作者简介：
  
  [ "李青松（1999—），男，四川广安人，硕士研究生，2020年于武汉科技大学获得学士学位，主要从事红外与可见光图像融合方面的研究。E-mail：1849916541@ qq.com" ]
  [ "杨莘（1977—），女，湖南娄底人，博士，副教授，2006年于武汉大学获得博士学位，主要从事多媒体通信与信号处理方面的研究。E-mail：yangshen@ wust.edu.cn" ]
- 基金信息：
  
  国家自然科学基金项目(61702384)
- DOI：10.37188/CJLCD.2022-0398
  中图分类号：
扫描看全文
李青松, 杨莘, 吴谨, 等. 基于结构纹理分解的红外与可见光图像融合算法[J]. 液晶与显示, 2023,38(10):1389-1398.

LI Qing-song, YANG Shen, WU Jin, et al. Infrared and visible image fusion algorithm based on structure-texture decomposition[J]. Chinese Journal of Liquid Crystals and Displays, 2023,38(10):1389-1398.
李青松, 杨莘, 吴谨, 等. 基于结构纹理分解的红外与可见光图像融合算法[J]. 液晶与显示, 2023,38(10):1389-1398. DOI： 10.37188/CJLCD.2022-0398.

LI Qing-song, YANG Shen, WU Jin, et al. Infrared and visible image fusion algorithm based on structure-texture decomposition[J]. Chinese Journal of Liquid Crystals and Displays, 2023,38(10):1389-1398. DOI： 10.37188/CJLCD.2022-0398.

摘要

针对红外与可见光图像融合中存在的热目标信息丢失、边缘结构模糊、细节损失等问题，提出一种多层分解的图像融合算法。首先使用结构纹理分解将源图分解为细节层和结构层，对细节层使用基于结构相似性和,L,2,范数的融合规则融合并增强；然后提出一种结构均值法，将结构层分解为亮度层和基础层，对亮度层使用绝对值取大融合，对基础层设计了一种基于多指标的融合规则进行融合；最后重构各子融合图像得到最终融合图像。为验证算法的有效性，与9种红外与可见光图像融合算法进行对比，使用空间频率、平均梯度、边缘强度、方差、视觉保真度、基于人类视觉感知的指标和信息熵7种客观图像评价指标，在前5种指标上分别取得27.4%、36.5%、38.2%、8.5%和23.5%的提升。实验结果表明，本文算法在有效保留红外热目标的同时较好地保留了边缘结构和纹理细节，且在客观评价指标上取得了更好的效果。

Abstract

In order to solve the problems of thermal target information loss， edge structure blur and detail loss in infrared and visible image fusion， an infrared and visible image fusion algorithm is proposed based on structure-texture decomposition. Firstly， the source images are decomposed into detail layer and structural layer by structure-texture decomposition， and the detail layer is fused and enhanced by fusion rule based on structural similarity and ,L,2, norm. Then， a structure-average method is proposed to decompose the structural layer into luminance layer and basic layer. The absolute-value-maximum is used to fuse the luminance layer， and a fusion rule based on multi- indicators is designed for the basic layer. Finally， the fused sub-images are reconstructed to get the final fused image. In order to verify the effectiveness of our algorithm， it is compared with nine infrared and visible image fusion algorithms， and seven objective evaluating indicators are used including spatial frequency， average gradient， edge intensity， variance， visual information fidelity， the metric based on human visual perception and information entropy. The first five indicators are improved by 27.4%，36.5%，38.2%，8.5% and 23.5%， respectively. The experimental results show that the proposed algorithm not only effectively retains the infrared thermal target， but also retains the edge structure and texture details， and achieves better results in the objective evaluating indicators.

关键词

图像处理图像融合结构纹理分解红外图像可见光图像

Keywords

image processingimage fusionstructure-texture decompositioninfrared imagevisible image

references

GOSHTASBY A A， NIKOLOV S. Image fusion： advances in the state of the art ［J］. Information Fusion， 2007， 8（2）： 114-118. doi: 10.1016/j.inffus.2006.04.001http://dx.doi.org/10.1016/j.inffus.2006.04.001

MA J， MA Y， LI C. Infrared and visible image fusion methods and applications： a survey ［J］. Information Fusion， 2019， 45： 153-178. doi: 10.1016/j.inffus.2018.02.004http://dx.doi.org/10.1016/j.inffus.2018.02.004

沈英，黄春红，黄峰，等. 红外与可见光图像融合技术的研究进展［J］. 红外与激光工程，2021，50（9）：20200467． doi: 10.3788/IRLA20200467http://dx.doi.org/10.3788/IRLA20200467

SHEN Y， HUANG C H， HUANG F， et al. Research progress of infrared and visible image fusion technology ［J］. Infrared and Laser Engineering， 2021， 50（9）： 20200467. （in Chinese）. doi: 10.3788/IRLA20200467http://dx.doi.org/10.3788/IRLA20200467

刘博，韩广良，罗惠元. 基于多尺度细节的孪生卷积神经网络图像融合算法［J］. 液晶与显示，2021，36（9）：1283-1293． doi: 10.37188/CJLCD.2020-0339http://dx.doi.org/10.37188/CJLCD.2020-0339

LIU B， HAN G L， LUO H Y. Image fusion algorithm based on multi-scale detail Siamese convolutional neural network ［J］. Chinese Journal of Liquid Crystals and Displays， 2021， 36（9）： 1283-1293. （in Chinese）. doi: 10.37188/CJLCD.2020-0339http://dx.doi.org/10.37188/CJLCD.2020-0339

REN L， PAN Z B， CAO J Z， et al. Infrared and visible image fusion based on edge-preserving guided filter and infrared feature decomposition ［J］. Signal Processing， 2021， 186： 108108. doi: 10.1016/j.sigpro.2021.108108http://dx.doi.org/10.1016/j.sigpro.2021.108108

BURT P J， ADELSON E H. The Laplacian pyramid as a compact image code ［M］//FISCHLER M A， FIRSCHEIN O. Readings in Computer Vision. Amsterdam： Elsevier， 1987： 671-679. doi: 10.1016/b978-0-08-051581-6.50065-9http://dx.doi.org/10.1016/b978-0-08-051581-6.50065-9

CHU H， ZHU W L. Image fusion algorithms using discrete cosine transform ［J］. Optics and Precision Engineering， 2006， 14（2）： 266-273.

傅瑶，孙雪晨，薛旭成，等. 基于非下采样轮廓波变换的全色图像与多光谱图像融合方法研究［J］. 液晶与显示，2013，28（3）：429-434． doi: 10.3788/yjyxs20132803.0429http://dx.doi.org/10.3788/yjyxs20132803.0429

FU Y， SUN X C， XUE X C， et al. Panchromatic and multispectral image fusion method based on nonsubsampled contourlet transform ［J］. Chinese Journal of Liquid Crystals and Displays， 2013， 28（3）： 429-434. （in Chinese）. doi: 10.3788/yjyxs20132803.0429http://dx.doi.org/10.3788/yjyxs20132803.0429

LI S T， KANG X D， HU J W. Image fusion with guided filtering ［J］. IEEE Transactions on Image Processing， 2013， 22（7）： 2864-2875. doi: 10.1109/tip.2013.2244222http://dx.doi.org/10.1109/tip.2013.2244222

ZHOU Z Q， WANG B， LI S， et al. Perceptual fusion of infrared and visible images through a hybrid multi-scale decomposition with Gaussian and bilateral filters ［J］. Information Fusion， 2016， 30： 15-26. doi: 10.1016/j.inffus.2015.11.003http://dx.doi.org/10.1016/j.inffus.2015.11.003

LEE H， JEON J， KIM J， et al. Structure-texture decomposition of images with interval gradient ［J］. Computer Graphics Forum， 2017， 36（6）： 262-274. doi: 10.1111/cgf.12875http://dx.doi.org/10.1111/cgf.12875

GUO Q， ZHANG C M， ZHANG Y F， et al. An efficient SVD-based method for image denoising ［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2016， 26（5）： 868-880. doi: 10.1109/tcsvt.2015.2416631http://dx.doi.org/10.1109/tcsvt.2015.2416631

ACHANTA R， HEMAMI S， ESTRADA F， et al. Frequency-tuned salient region detection ［C］. 2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami： IEEE， 2009： 1597-1604. doi: 10.1109/cvpr.2009.5206596http://dx.doi.org/10.1109/cvpr.2009.5206596

ZHOU Z Q， LI S， WANG B. Multi-scale weighted gradient-based fusion for multi-focus images ［J］. Information Fusion， 2014， 20： 60-72. doi: 10.1016/j.inffus.2013.11.005http://dx.doi.org/10.1016/j.inffus.2013.11.005

LI G F， LIN Y J， QU X D. An infrared and visible image fusion method based on multi-scale transformation and norm optimization ［J］. Information Fusion， 2021， 71： 109-129. doi: 10.1016/j.inffus.2021.02.008http://dx.doi.org/10.1016/j.inffus.2021.02.008

BAVIRISETTI D P， XIAO G， LIU G. Multi-sensor image fusion based on fourth order partial differential equations ［C］. 2017 20th International Conference on Information Fusion. Xi'an： IEEE， 2017： 1-9. doi: 10.23919/icif.2017.8009719http://dx.doi.org/10.23919/icif.2017.8009719

MA J Y， CHEN C， LI C， et al. Infrared and visible image fusion via gradient transfer and total variation minimization ［J］. Information Fusion， 2016， 31： 100-109. doi: 10.1016/j.inffus.2016.02.001http://dx.doi.org/10.1016/j.inffus.2016.02.001

ZHANG Y， ZHANG L J， BAI X Z， et al. Infrared and visual image fusion through infrared feature extraction and visual information preservation ［J］. Infrared Physics & Technology， 2017， 83： 227-237. doi: 10.1016/j.infrared.2017.05.007http://dx.doi.org/10.1016/j.infrared.2017.05.007

BAVIRISETTI D P， DHULI R. Two-scale image fusion of visible and infrared images using saliency detection ［J］. Infrared Physics & Technology， 2016， 76： 52-64. doi: 10.1016/j.infrared.2016.01.009http://dx.doi.org/10.1016/j.infrared.2016.01.009

LI H， QI X B， XIE W Y. Fast infrared and visible image fusion with structural decomposition ［J］. Knowledge-Based Systems， 2020， 204： 106182. doi: 10.1016/j.knosys.2020.106182http://dx.doi.org/10.1016/j.knosys.2020.106182

ZHAO Z X， XU S， ZHANG C X， et al. Bayesian fusion for infrared and visible images ［J］. Signal Processing， 2020， 177： 107734. doi: 10.1016/j.sigpro.2020.107734http://dx.doi.org/10.1016/j.sigpro.2020.107734

ZHAO Z X， XU S， ZHANG C X， et al. DIDFuse： deep image decomposition for infrared and visible image fusion ［C］. Twenty-Ninth International Joint Conference on Artificial Intelligence. Yokohama： IJCAI， 2020： 970-976. doi: 10.24963/ijcai.2020/135http://dx.doi.org/10.24963/ijcai.2020/135

LIU J Y， FAN X， JIANG J， et al. Learning a deep multi-scale feature ensemble and an edge-attention guidance for image fusion ［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（1）： 105-119. doi: 10.1109/tcsvt.2021.3056725http://dx.doi.org/10.1109/tcsvt.2021.3056725

浏览量

145

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多尺度细节的孪生卷积神经网络图像融合算法

基于图像融合的木板表面缺陷检测研究

结合特征融合与物理校正的水下图像增强方法

基于卷积稀疏编码与生成对抗网络的图像超分辨率重建