1. 项目概述
红外与可见光图像融合是计算机视觉领域的一个重要研究方向,它能够将两种不同成像模态的优势互补,生成更具信息量的融合图像。红外图像通过检测物体的热辐射特性,能够在低光照、烟雾等恶劣环境下清晰呈现热源目标,但缺乏细节纹理;而可见光图像则能提供丰富的场景细节和色彩信息,但在特殊环境下容易受到干扰。将这两种图像进行有效融合,可以显著提升目标检测、安防监控等应用的性能。
传统的图像融合方法如加权平均、金字塔变换等存在信息丢失、对比度下降等问题。本文提出了一种基于小波变换的自适应融合算法,通过差异化的低频和高频分量处理策略,实现了更好的融合效果。该算法不仅考虑了图像的整体结构信息,还特别关注了边缘和纹理细节的保留,并通过多维度的评价指标对融合结果进行量化评估。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心算法设计
2.1 图像预处理
在实际应用中,源图像往往存在噪声干扰和对比度不足的问题。我们的预处理流程包括:
-
噪声抑制:采用自适应中值滤波器,其优势在于能够根据局部窗口内的像素统计特性动态调整滤波强度。对于红外图像,我们设置窗口大小为5×5,而对于细节更丰富的可见光图像,则采用3×3窗口以避免过度平滑。
-
直方图均衡化:针对红外图像对比度低的特点,我们采用限制对比度的自适应直方图均衡化(CLAHE)方法。该方法将图像分成若干子区域,对每个子区域进行独立的直方图均衡化,然后通过双线性插值消除块效应。关键参数设置如下:
- 子区域大小:32×32像素
- 对比度限制阈值:0.01
- 直方图bin数:256
注意:预处理阶段需要特别注意保持图像的边缘信息,过度平滑会导致后续小波分解时高频分量失真。
2.2 小波变换分解
我们采用二维离散小波变换(DWT)对预处理后的图像进行多尺度分解。小波基的选择对分解效果有重要影响,经过实验比较,我们最终选用'sym4'小波,因其具有良好的对称性和适中的支撑长度,能够在频率定位和空间定位之间取得平衡。
分解过程采用三级小波分解,每一级都将图像分解为:
- 低频近似分量(LL)
- 水平高频分量(LH)
- 垂直高频分量(HL)
- 对角高频分量(HH)
对于512×512的输入图像,三级分解后的各子带尺寸如下表所示:
| 分解级别 | LL子带 | LH/HL/HH
