王滿利，王曉龍，張長森

（河南理工大學(xué) 物理與電子信息學(xué)院，河南 焦作 454000）

0 引言

機(jī)器人巡檢具有安全性高、可靠性高等優(yōu)點，已被廣泛應(yīng)用于各種巡檢場合，解決人工巡檢存在的工作強(qiáng)度大、巡檢效率低等問題［1］。巡檢市場的發(fā)展，逐漸要求巡檢機(jī)器人具有日夜全天候巡檢能力，單一類型的視覺圖像已無法滿足日夜全天候巡檢需求。圖像融合能夠?qū)崿F(xiàn)紅外與可見光圖像優(yōu)勢互補(bǔ)，獲得目標(biāo)突出、紋理細(xì)節(jié)信息豐富、可視性良好的融合圖像［2］，能夠有效緩解日夜成像環(huán)境對巡檢機(jī)器人視覺的影響。并且，紅外與可見光圖像融合技術(shù)在軍事、醫(yī)療和安防等領(lǐng)域也具備較大的發(fā)展?jié)摿Γ?］。

目前，紅外與可見光圖像融合技術(shù)的研究熱點之一是基于多尺度變換的融合技術(shù)，常用的多尺度變換主要包括：金字塔變換［4-5］、小波變換［6-7］、輪廓波變換［8］、非下采樣輪廓波變換（Non-Subsampled Contourlet Transform，NSCT）［9］和非下采樣剪切波變換（Non-Subsampled Shearlet Transform，NSST）［10］等技術(shù)。其中，金字塔變換冗余性高，分層圖像之間具有較大相關(guān)性，原圖像中差異較大的區(qū)域，融合后易引起塊效應(yīng)。小波變換解決了金字塔變換的高冗余缺陷，小波分解獲得的層圖像相關(guān)性較小，但是小波變換方向選擇性有限，其分解圖像時，細(xì)節(jié)信息提取不充分。輪廓波變換利用方向濾波器組對圖像進(jìn)行多方向分解，能夠獲得更多方向的細(xì)節(jié)信息，但其不具備平移不變性，易引起偽吉布斯現(xiàn)象。NSCT 避免了輪廓波的下采樣過程，雖然具備了平移不變性，但是NSCT 方向濾波器組仍有數(shù)目限制，其對圖像復(fù)雜紋理細(xì)節(jié)的表示仍不完美。NSST 利用剪切濾波器實現(xiàn)圖像的多方向分解，剪切濾波器的方向選擇無限制，有效彌補(bǔ)了NSCT 分解方向不足的問題，因此，NSST 逐漸成為了紅外與可見光圖像融合領(lǐng)域的新秀。XING X 等［11］提出了一種基于非線性增強(qiáng)和NSST 分解的融合算法，通過構(gòu)建一個非線性變換函數(shù)來確定低頻子帶的融合權(quán)值，實現(xiàn)了融合圖像中紅外目標(biāo)的顯著增強(qiáng)，但是融合圖像細(xì)節(jié)損失較大，邊緣模糊明顯。ZHAO C 等［12］提出了一種基于滾動引導(dǎo)濾波和NSST 的融合算法，通過結(jié)合相位一致性和梯度引導(dǎo)濾波對圖像細(xì)節(jié)層進(jìn)行融合，實現(xiàn)了圖像細(xì)節(jié)信息的有效保留，但是融合圖像對比度和清晰度不足。

本文提出了一種基于動態(tài)范圍壓縮增強(qiáng)和NSST 的紅外與可見光圖像融合算法，以克服現(xiàn)有融合算法存在的融合圖像細(xì)節(jié)丟失、邊緣模糊、對比度和清晰度不足的問題，在提高融合圖像的對比度、清晰度情況下，充分保留紅外與可見光圖像的細(xì)節(jié)和邊緣信息。

1 圖像融合算法設(shè)計

提出的基于動態(tài)范圍壓縮增強(qiáng)和NSST 的紅外與可見光圖像融合算法框架如圖1 所示。算法主要包括：動態(tài)范圍壓縮增強(qiáng)、NSST 分解、閾值收縮、剪切波域的系數(shù)融合以及融合圖像重構(gòu)。首先，利用動態(tài)范圍壓縮增強(qiáng)方法增強(qiáng)弱可見光圖像，得到亮度和對比度良好的可見光圖像；其次，利用NSST 提取紅外與可見光圖像低頻和高頻分解系數(shù)；接著，對高頻分解系數(shù)進(jìn)行閾值收縮，抑制高頻系數(shù)噪聲；然后，采取不同融合規(guī)則對低頻和高頻系數(shù)進(jìn)行融合；最后，對融合的低頻和高頻系數(shù)實施NSST 逆變換，得到最終融合圖像。

1.1 動態(tài)范圍壓縮增強(qiáng)

由于弱可見光圖像亮度較低，常常導(dǎo)致融合算法無法充分提取其細(xì)節(jié)信息，進(jìn)而引起融合圖像細(xì)節(jié)丟失問題，為豐富融合圖像的細(xì)節(jié)信息，利用動態(tài)范圍壓縮增強(qiáng)算法對弱可見光圖像進(jìn)行增強(qiáng)，強(qiáng)化其細(xì)節(jié)信息。

首先，利用引導(dǎo)濾波器分解弱可見光圖像I，得到低頻圖像Ib和高頻圖像Id，其分解為

式中，X為引導(dǎo)圖像，W為濾波窗口，(s，t)為W內(nèi)的中心像素，a(s，t)、b(s，t)為線性系數(shù)，可通過最小化輸出圖像Ib與輸入圖像I之間的平方差求得，即

式中，δ為自定義正則化參數(shù)。

和為對數(shù)域的低頻和高頻圖像，有

式中，μ=1 是為了防止對數(shù)為負(fù)值。之后，為保留高頻圖像的細(xì)節(jié)信息，利用權(quán)值系數(shù)β對低頻圖像實施動態(tài)范圍壓縮，壓縮其對比度，利用權(quán)值系數(shù)γ修復(fù)圖像整體對比度，其表達(dá)式分別為

最后，通過指數(shù)運算得到最終增強(qiáng)后的圖像Iv，其表達(dá)式為

動態(tài)范圍壓縮增強(qiáng)前后效果對比如圖2 所示，圖2（a）為弱可見光圖像，圖2（b）為動態(tài)范圍壓縮增強(qiáng)結(jié)果。由圖2 可知，經(jīng)過動態(tài)范圍壓縮增強(qiáng)后，弱可見光圖像的亮度、對比度以及細(xì)節(jié)得到了顯著增強(qiáng)。

1.2 NSST 分解

為充分提取紅外與可見光圖像的細(xì)節(jié)信息，選用近似最優(yōu)稀疏表達(dá)二維圖像的剪切波變換作為融合算法的圖像分解與細(xì)節(jié)信息提取工具，剪切波變換是依據(jù)多分辨率分析和仿射變換理論，提出的一種結(jié)合多尺度幾何分析的方法［13-14］，具備良好的方向敏感性，可以多方向提取圖像的細(xì)節(jié)信息，剪切波變換的表達(dá)式為［15］

式中，ψ∈L2(R2)；Aj和Bl分別為膨脹矩陣和剪切矩陣，j為分解尺度，l為分解方向，k為平移參數(shù)，|detA|=1。當(dāng)MAB(ψ)達(dá)到緊Parseval 框架要求時，ψj，l，k(x)就是合成小波。剪切波中，一般設(shè)置A=

NSST 是剪切波變換升級版，補(bǔ)齊了剪切波變換的短板，具備了平移不變性。為表述方便，定義TNSST()為NSST 分解函數(shù)，其分解表達(dá)式為

式中，ID為紅外與可見光圖像，GD，b和GD，h，j，s分別為圖像的低頻和高頻系數(shù)，j、s分別為分解尺度與方向，J、Sj分別為分解的最大尺度與其對應(yīng)方向數(shù)，{GD，b，GD，h，j，s，j=1，2，...，J；s=1，2，...，Sj}為紅外與可見光圖像各尺度不同方向的分解系數(shù)集合。

NSST 分解結(jié)果如圖3 所示，圖3（a）和（c）分別為紅外和可見光圖像，圖3（b）和（d）分別為紅外和可見光圖像的分解系數(shù)。由圖3 可知，經(jīng)NSST 分解后，紅外和可見光圖像的細(xì)節(jié)信息得到了充分提取。

1.3 閾值收縮

弱可見光圖像常包含噪聲，并且信息強(qiáng)化時，也可能引起原圖像噪聲的放大，腐蝕融合圖像細(xì)節(jié)信息，為抑制噪聲干擾，引入閾值收縮方法對紅外與可見光圖像的高頻系數(shù)GD，h，j，s進(jìn)行閾值收縮，在保持邊緣的情況下抑制噪聲，采用的閾值收縮函數(shù)為

式中，|·|為取絕對值運算，median(·)為取中位數(shù)運算。

1.4 剪切波域的系數(shù)融合

1.4.1 低頻系數(shù)融合

圖像低頻部分反映了圖像的輪廓信息，包含了紅外與可見光原圖像的能量信息，決定了融合圖像的整體輪廓和對比度。對于人的視覺感官來說，較為敏感的是圖像整體對比度的變化，而非像素本身灰度值的大小。因此，采用基于視覺顯著圖（Visual Saliency Map，VSM）加權(quán)的“平均”融合規(guī)則對圖像低頻部分進(jìn)行融合。計算圖像某一像素p的灰度值Ip和其他像素灰度值的差值，獲得像素p的顯著值V(p)，其計算公式為

式中，j為特定灰度值，Mj為灰度值為j的像素個數(shù)，L為灰度級（灰度圖像為256）。然后，標(biāo)準(zhǔn)化圖像整體顯著性，使其取值為[0，1]。

由式（13）得出紅外圖像和可見光圖像的顯著值，分別為V1和V2，則可以計算得到低頻系數(shù)的融合權(quán)重Wb，即

在融合權(quán)重已知的情況下，設(shè)計低頻融合規(guī)則，即

式中，Gb為融合的低頻系數(shù)，GR，b和GV，b分別為紅外和可見光圖像的低頻系數(shù)。

式（15）給出了基于VSM 加權(quán)的低頻“平均”融合規(guī)則，如果V1等于V2，則權(quán)重Wb為共同的平均權(quán)重。如果V1相對于V2較大，則權(quán)重Wb大于0.5，Gb將從紅外圖像低頻系數(shù)GR，b中融合更多的信息。否則，當(dāng)V1相對于V2較小時，Gb將從可見光圖像低頻系數(shù)GV，b中融合更多的信息。

1.4.2 高頻系數(shù)融合

圖像高頻部分主要包含了圖像的邊緣和紋理等細(xì)節(jié)信息，圖像中梯度差異較大的區(qū)域，包含的細(xì)節(jié)信息也較為豐富。分解后的高頻圖像中，梯度變化大的區(qū)域，其系數(shù)絕對值也比較大。因此，為使融合圖像最大程度保留細(xì)節(jié)信息，采用絕對值取大法對高頻系數(shù)進(jìn)行融合，即

式中，Wh，j，s為絕對值取大融合方法的權(quán)重系數(shù)和分別代表經(jīng)閾值收縮后的紅外與可見光圖像的j尺度s方向高頻系數(shù)。

然后，為降低噪聲，采用高斯濾波器平衡該權(quán)重系數(shù)，得到平滑后的權(quán)重系數(shù)Wgh，j，s。之后，根據(jù)式（17）得到融合后第j層s方向的高頻系數(shù)Gh，j，s，即

最后，對Gb和Gh，j，s實施NSST 逆變換，即可獲得融合圖像F。為方便表述，定義為NSST 逆變換函數(shù)，表達(dá)式為

2 融合算法實現(xiàn)

根據(jù)圖1 所示算法框架和融合算法原理，本文算法按照實施步驟為：

1）高動態(tài)范圍壓縮增強(qiáng)

用高動態(tài)壓縮增強(qiáng)方法增強(qiáng)弱可見光圖像，得到增強(qiáng)后的可見光圖像Iv。

2）NSST 分解

用NSST 分解紅外與可見光圖像ID，D ∈{R，V}，得到紅外與可見光圖像的低頻分解系數(shù)GD，b和高頻分解 系數(shù)GD，h，j，s。

3）閾值收縮

將紅外與可見光圖像的高頻分解系數(shù)GD，h，j，s，根據(jù)式（11）的硬閾值收縮原理執(zhí)行硬閾值收縮，得到高頻系 數(shù)。

4）剪切波域的系數(shù)融合

根據(jù)式（13）、（14）計算出輸入的紅外圖像和可見光圖像的顯著值V1和V2，計算出低頻系數(shù)融合權(quán)重Wb，根據(jù)式（15）得到融合的低頻系數(shù)Gb。

根據(jù)式（16）計算出高頻系數(shù)融合權(quán)重Wh，j，s，用高斯濾波器平衡該權(quán)重，得到平滑后的權(quán)重為，根據(jù)式（17）得到融合的高頻系數(shù)Gh，j，s。

5）重構(gòu)融合圖像

將融合的低頻系數(shù)Gb、高頻Gh，j，s按照式（18）執(zhí)行NSST 逆變換，得到融合圖像F。

3 數(shù)值實驗與分析

為綜合評價本文算法的有效性，分別開展可行性驗證實驗、參數(shù)分析實驗和性能對比實驗。

3.1 實驗指標(biāo)和對比算法

分別采用空間頻率（Spatial Frequency，SF）、信息熵（Information Entropy，IE）、邊緣強(qiáng)度（Edge Intensity，EI）、平均梯度（Average Gradient，AG）、相關(guān)系數(shù)（Correlation Coefficient，CC），噪聲方差（Noise Variance，NV）以及自然圖像質(zhì)量評估指標(biāo)（Natural Image Quality Evaluator，NIQE）作為融合圖像的客觀評價指標(biāo)?？臻g頻率用于評判融合圖像的頻率信息豐富性；信息熵用于評判融合圖像信息量大??；邊緣強(qiáng)度用于評判融合圖像的邊緣特征豐富性；平均梯度用于評判融合圖像的清晰度；相關(guān)系數(shù)用于評判融合圖像與原圖像的相關(guān)程度；圖像的噪聲方差用于評判融合圖像中噪聲的大小；自然圖像質(zhì)量評估用于評判融合圖像是否符合人眼視覺感官。SF、IE、EI、AG 和CC 值越大，表示融合圖像成像效果越好；NV 和NIQE 值越小，表示融合圖像成像效果越好。

空間頻率SF 的表達(dá)式為

式中，RF 和CF 分別為行頻率和列頻率，表達(dá)式分別為

式中，M、N分別為圖像的寬和高，I為圖像在(i，j)處的像素值。

邊緣強(qiáng)度EI 的表達(dá)式為

式中，F(xiàn)為圖像，Sx和Sy分別為圖像與x和y方向上的Sobel 算子的卷積，其表達(dá)式為

式中，hx和hy分別為x和y方向上的Sobel 算子，*為卷積運算符。

本文在公開圖像融合數(shù)據(jù)集TNO、NIR 和FLIR［16］對提出算法進(jìn)行驗證和測試。實驗硬件平臺為宏碁SC-202104151633，處理器配置為Intel Core i5-4200，主頻2.30GHz，內(nèi)存4G；軟件平臺為Matlab R2016a。

性能對比實驗中，從主觀和客觀兩方面對比分析本文融合算法和其他7 種對比算法的融合性能。7 種對比算法包括基于雙數(shù)復(fù)小波變換的算法（Dual-Tree Complex Wavelet Transform，DTCWT）［17］、基于NSST和形態(tài)梯度脈沖耦合神經(jīng)網(wǎng)絡(luò)的算法（Morphological Gradient Pulse Coupled Neural Network in NSST，NSST-MGPCNN）［18］、基于NSST和參數(shù)自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的算法（Parameter-Adaptive Pulse Coupled Neural Network in NSST，NSST-PAPCNN）［19］、基于加權(quán)最小二乘法和視覺顯著圖的算法（Weighted Least Square and Visual Saliency Map，WLS-VSM）［20］、基 于目標(biāo)增強(qiáng)和多尺 度變換 的算法（Target-Enhanced Multi-Scale Transform，TE-MST）［21］、基于深度學(xué)習(xí)的算法（Algorithm Unrolling Image Fusion，AUIF）［22］和（Deep Decomposition Image Fusion，DIDF）［23］。

3.2 實驗結(jié)果和分析

3.2.1 可行性驗證

本文算法在三個公開數(shù)據(jù)集上進(jìn)行實驗驗證，其融合效果良好，部分融合結(jié)果如圖4 所示。與圖4（a）紅外圖像、圖4（b）可見光圖像對比，圖4（c）的融合圖像實現(xiàn)了紅外圖像和可見光圖像的優(yōu)勢互補(bǔ)，融合圖像同時具有兩種圖像的細(xì)節(jié)信息。

對四組測試圖像T1～T4進(jìn)行詳細(xì)分析，融合結(jié)果如圖5 所示，其對應(yīng)的指標(biāo)數(shù)據(jù)對比如圖6 所示。

圖5（a）為四組原紅外圖像，圖5（b）為四組原可見光圖像，圖5（c）為圖5（a）和（b）經(jīng)本文算法處理后的融合圖像。從視覺角度分析，圖5（a）四組紅外圖像中的人物目標(biāo)比較顯著，但圖像整體對比度較低，邊緣細(xì)節(jié)信息缺失嚴(yán)重。融合前可見光圖像中雖然存在比較豐富的細(xì)節(jié)和輪廓信息，但人物目標(biāo)很不突出，人眼難以發(fā)現(xiàn)。經(jīng)本文算法融合后，圖像對比度提高、人物目標(biāo)突出、邊緣細(xì)節(jié)信息保留完整，圖像整體可視性較好。

由圖6 可知，融合后四組圖像的SF、EI 和AG 相較于紅外與可見光原圖像顯著提高，表明本文算法能夠有效地提高圖像對比度和清晰度，并且擁有很好的邊緣保持能力。而融合前后圖像的信息熵IE 相差不大，表明本文算法能夠很好地保護(hù)原圖像的細(xì)節(jié)信息。

根據(jù)主觀視覺和客觀數(shù)據(jù)對比分析結(jié)果可知，本文算法在紅外與可見光圖像融合中具有較好的效果。

3.2.2 參數(shù)分析實驗

由于噪聲主要存在于高頻系數(shù)中，因此，僅需對高頻系數(shù)閾值收縮，所以將低通濾波器比例系數(shù)K1設(shè)置為0。實驗主要分析帶通濾波器的閾值比例系數(shù)K2和高通濾波器的閾值比例系數(shù)K3對融合圖像質(zhì)量的影響。為分析K2和K3對融合圖像質(zhì)量的影響，在不同參數(shù)組合下對測試結(jié)果進(jìn)行主觀視覺分析和客觀數(shù)據(jù)分析。閾值收縮比例系數(shù)的選取對圖像客觀數(shù)據(jù)的影響如圖7 所示。

由圖7（a）～（e）的客觀數(shù)據(jù)可知，隨著K2和K3增大，SF、IE、EI、AG 和NV 融合圖像的數(shù)值均呈下降趨勢，表明隨著閾值收縮系數(shù)的增大，融合圖像中噪聲越來越小。由圖7（f）可知，隨著K2和K3增大，NIQE 開始下降，當(dāng)K3=2 時，NIQE 的值最小，當(dāng)K3大于2 時，NIQE 的值又隨之增大。

不同閾值系數(shù)的融合結(jié)果如圖8 所示，由圖8 的局部放大圖可知，當(dāng)K3=0 時，隨著K2增大，融合圖像噪聲越來越少，當(dāng)K2增加至2 時，再增加K2，圖像噪聲變化已不明顯，且紅框中車窗上的紋理細(xì)節(jié)越來越模糊。當(dāng)K2=2 時，隨著K3增大，融合圖像中含有的噪聲越來越少，當(dāng)K3增加至2 時，再增加K3，圖像中的噪聲變化已不明顯。因此，綜合考慮圖8 融合圖像的視覺效果和圖7 各項客觀指標(biāo)，將K2和K3均設(shè)置為2。

3.2.3 算法性能驗證

采用本文算法和7 種對比算法在三個公開數(shù)據(jù)集上進(jìn)行測試，其中兩組測試圖像Road 和Tent 的融合結(jié)果如圖9 和10 所示，其對應(yīng)的指標(biāo)數(shù)據(jù)如表1～2 所示。

從Road 圖像的融合結(jié)果可以看出，圖9（c）中，廣告牌下和路口的人物目標(biāo)突出性較弱，圖像對比度較低，細(xì)節(jié)信息缺失嚴(yán)重；圖9（d）、（e）、（h）和（i）中，缺失許多細(xì)節(jié)信息，紅框中的椅子和綠圈中的箭頭等細(xì)節(jié)信息丟失；圖9（f）和（g）中，圖像的背景較暗，細(xì)節(jié)信息難以被發(fā)現(xiàn)，整體觀感較差；圖9（j）中，本文算法融合圖像的背景明亮，對比度較高，椅子和箭頭等細(xì)節(jié)信息保留完整，圖像的可視性比較好。

從Tent 圖像的融合結(jié)果可以看出，圖10（c）和（e）中，人物目標(biāo)不夠突出，且紅框中的灌木模糊不清；圖10（d）、（h）、（i）中，整體圖像比較模糊，周邊的輪廓不夠清晰；圖10（f）和（g）中，圖像背景較暗，圖片角落里的樹木和紅框中的灌木的細(xì)節(jié)信息丟失嚴(yán)重；圖10（j）中，本文方法的融合圖像背景明亮，灌木和樹枝等細(xì)節(jié)信息清晰可見，圖像整體觀感較好。

綜合實驗結(jié)果可知，本文算法相較于其他幾種算法，細(xì)節(jié)信息保留較好，融合圖像的可視性較為優(yōu)秀。

由表1 和表2 可知，本文算法相較于其他7 種算法，在SF、IE、EI 和AG 四項客觀指標(biāo)上均占有優(yōu)勢，其中，SF、EI 和AG 的優(yōu)勢更為突出，表明本文算法在紋理細(xì)節(jié)信息表達(dá)、邊緣細(xì)節(jié)特征保留和視覺清晰度方面具備較好的性能。本文算法CC 指標(biāo)略低于DCTWT、WLS-VSM 和NSST-MGPCNN 算法，究其原因是動態(tài)壓縮增強(qiáng)方法豐富了可見光圖像細(xì)節(jié)信息，提高了融合圖像亮度和對比度，導(dǎo)致融合圖像和紅外與可見光原圖像之間的協(xié)方差加大，引起相關(guān)系數(shù)下降，雖然相關(guān)系數(shù)有所損失，但實際融合圖像的細(xì)節(jié)更為豐富。

表1 第一組融合圖像的客觀評價結(jié)果Table 1 Objective evaluation results of the first two groups of fusion images

表2 第二組融合圖像的客觀評價結(jié)果Table 2 Objective evaluation results of the second two groups of fusion images

本文算法在礦井下實際場景的融合效果如圖11 所示，圖11（a）和（b）為礦井下采集到的紅外與可見光圖像，圖11（c）為本文算法融合結(jié)果，融合圖像亮度和對比度得到了顯著提高，邊緣特征和紋理細(xì)節(jié)信息得到了有效加強(qiáng)。

為進(jìn)一步驗證算法運行效率，選取10 組大小為270×360 的紅外與可見光圖像，得到每組圖像的平均耗時。其中，兩種深度學(xué)習(xí)算法DIDF 和AUIF 在 服務(wù)器（CPU：Intel（R）Xeon（R）Gold 6226R，顯卡：RTX3090）上進(jìn)行測試，其余算法在PC 電腦（CPU：Intel Core i5-4200）上進(jìn)行測試，由于平臺差異，深度學(xué)習(xí)算法不參與時間開銷對比。8 種融合算法的運行時間如表3 所示。

表3 8 種融合算法的運行時間Table 3 The running time of eight fusion algorithms

由表3 可知，本文算法的運行效率優(yōu)于另外兩種基于NSST 分解的對比算法，低于DTCWT、WLSVSM 和TE-MST 運行效率，原因是NSST 多分辨率分解的剪切濾波器引起的，并且算法引入了動態(tài)壓縮增強(qiáng)和NSST 域的閾值收縮，導(dǎo)致算法的時間開銷加大，未來可以考慮利用GPU 實現(xiàn)算法加速或并行計算技術(shù)提高算法運行效率。

為驗證本文算法的降噪效果，對測試圖像“Road”分別添加方差為5 和10 的高斯噪聲，構(gòu)成噪聲測試圖像，利用8 種算法分別對兩組噪聲圖像進(jìn)行融合。實驗中，本文算法閾值收縮系數(shù)K1、K2、K3 分別設(shè)置為0、3、4，8 種算法的融合結(jié)果如圖12 和13 所示，融合圖像對應(yīng)的NV 統(tǒng)計如表4 所示。

由圖12 和13 的局部放大圖可知，AUIF、DIDF 和本文算法的融合圖像的噪聲較少，表明AUIF、DIDF和本文算法均可以有效降低融合圖像噪聲，而其他5 種對比算法的融合圖像包含大量噪聲，表明他們不具備噪聲抑制能力。

由表4 可知，DTCWT、WLS-VSM 和NSST-PAPCNN 的融合圖像的NV 值相較于融合前基本不變，AUIF、DIDF 和本文算法的融合圖像的NV 值相較于融合前大幅降低，TE-MST 和NSST-MGPCNN 的融合圖像的NV 值相較于融合前升高，該結(jié)果與視覺結(jié)果對比相一致，表明AUIF、DIDF 和本文算法均可以有效降低融合圖像噪聲。相比其他7 種算法，本文算法獲得的融合圖像的NV 值最小，表明其噪聲抑制效果較好。

表4 8 種算法融合圖像的NV 統(tǒng)計Table 4 NV statistics of fusion images based on eight algorithms

4 結(jié)論

為實現(xiàn)紅外與可見光圖像的優(yōu)勢互補(bǔ)，提高機(jī)器視覺的環(huán)境適應(yīng)性，提出了基于動態(tài)范圍壓縮增強(qiáng)和NSST 的紅外與可見光圖像融合算法，算法綜合利用了動態(tài)范圍壓縮增強(qiáng)和NSST 的多方向分解優(yōu)勢，實現(xiàn)了融合圖像的亮度、對比度提高以及細(xì)節(jié)強(qiáng)化豐富，實驗表明該算法能夠有效地融合紅外與可見光圖像，達(dá)到單一類型圖像無法企及的優(yōu)勢，從而可靠地提高圖像的可辨識性，相比現(xiàn)有融合算法，在細(xì)節(jié)信息保留、對比度提高以及邊緣模糊抑制方面具有一定的優(yōu)勢。