郝 帥， 李 彤， 馬 旭， 何 田， 孫曦子， 李嘉豪

（西安科技大學(xué) 電氣與控制工程學(xué)院，陜西 西安 710054）

1 引 言

異源圖像融合旨在將不同模態(tài)傳感器捕獲的圖像信息進行合并，以獲取符合人類視覺認知的融合圖像，最具代表性的是紅外與可見光圖像融合［1］。根據(jù)熱輻射成像原理，紅外傳感器獲得的熱紅外圖像不易受天氣條件及光照變化影響，但其對比度往往較低、細節(jié)信息不足。依據(jù)光學(xué)反射成像原理，可見光圖像通常具有較高的分辨率和豐富的細節(jié)紋理，但易受到外界環(huán)境的干擾。因此，通過設(shè)計合適的融合策略使兩類圖像優(yōu)勢互補，就可以得到前景目標(biāo)突出、背景信息豐富的融合圖像［2］。目前，紅外與可見光圖像融合已廣泛應(yīng)用于目標(biāo)檢測［3］、行為識別［4］、軍事偵察［5］以及醫(yī)學(xué)分析［6］等領(lǐng)域。

現(xiàn)有的融合算法大致可分為傳統(tǒng)算法和基于深度學(xué)習(xí)的算法兩大類［7］。傳統(tǒng)融合算法通常在空間域中對像素進行處理，或在變換域中對變換系數(shù)進行處理，然后通過人工設(shè)計合適的融合規(guī)則來完成融合任務(wù)，代表性方法包括多尺度分解、稀疏表示等。Jiang 等［8］通過多重差分梯度來實現(xiàn)紅外與可見光的融合，將差分圖像和梯度圖像相融合，以保留大量的背景信息。Bavirisetti等［9］將各向異性擴散和KL 變換用于紅外與可見光圖像融合，該方法能有效提取紅外與可見光圖像中的有用信息。基于多尺度變換的圖像融合方法雖然可以有效保留圖像的背景信息，但融合結(jié)果缺少對紋理細節(jié)的體現(xiàn)，存在偽影，且隨著尺度分解層數(shù)的不斷增加，噪聲干擾愈加強烈，進而導(dǎo)致融合圖像質(zhì)量下降［10］。Li等［11］將稀疏約束和保真度約束相結(jié)合，設(shè)計出一種基于范數(shù)優(yōu)化的紅外與可見光融合算法，并通過實驗證明該方法可以有效保留細節(jié)信息。稀疏表示雖然能夠較好地保留圖像的結(jié)構(gòu)和灰度信息，但其邊緣檢測能力弱，最終融合圖像存在邊緣模糊的問題［12］。

近年來，深度學(xué)習(xí)因具有較強的特征提取能力，在融合領(lǐng)域受到了廣泛的關(guān)注［13］。Ma 等［14］提出了FusionGAN 融合算法，其主要利用生成器與鑒別器之間的對抗關(guān)系來完成融合任務(wù)，融合結(jié)果不易受紅外圖像噪聲的影響。但是由于生成對抗網(wǎng)絡(luò)在訓(xùn)練時具有不穩(wěn)定性，融合結(jié)果易丟失部分紋理信息。Yang 等［15］將基于窗口經(jīng)驗?zāi)B(tài)分解與生成對抗網(wǎng)絡(luò)（Generative Adversarial Network,GAN）相結(jié)合，解決了GAN 網(wǎng)絡(luò)訓(xùn)練不穩(wěn)定及圖像分解中信號隱藏的問題，增強了算法的細節(jié)提取能力。Cao 等［16］將卷積神經(jīng)網(wǎng)絡(luò)與非下采樣輪廓波變換相結(jié)合，利用卷積神經(jīng)網(wǎng)絡(luò)分離目標(biāo)與背景，可以有效提取紅外圖像中的目標(biāo)信息。Li 等［17］自編碼設(shè)計多級殘差編碼器模塊和混合傳輸解碼器模塊，以此構(gòu)建多級混合傳輸?shù)膱D像融合網(wǎng)絡(luò)，融合結(jié)果能夠保留較多的紋理細節(jié)。雖然基于深度學(xué)習(xí)的融合算法具有較強的自適應(yīng)能力，但時效性低且融合效果受限于訓(xùn)練樣本的完備性［18］。

現(xiàn)有的融合算法主要聚焦于特征信息的提取和融合決策的制定，忽略了原始圖像質(zhì)量對融合效果的影響。針對融合結(jié)果存在偽影、目標(biāo)邊緣不清晰以及紋理信息丟失等問題，本文提出一種基于目標(biāo)增強與蝴蝶優(yōu)化的紅外與可見光圖像融合算法（infrared and visible image fusion method based on Target Enhancement and Butterfly Optimization， TEBOFuse）。為解決因可見光圖像質(zhì)量較低而造成融合圖像細節(jié)缺失的問題，搭建基于帶色彩恢復(fù)因子的多尺度Retinex（Multi-scale Retinex with Color Restoration， MSRCR）可見光圖像增強模塊。針對紅外圖像因成像機理導(dǎo)致融合目標(biāo)邊緣模糊問題，通過雙邊濾波（Bilateral Filter， BF）減少原始圖像中的噪聲干擾，利用直方圖均衡灰度映射（Histogram equalization Grayscale Mapping， HGM）提高原始紅外圖像的對比度，采用Canny 算子對原始圖像進行邊緣提取以突出目標(biāo)邊緣信息，從而構(gòu)造了基于目標(biāo)邊緣強化（Target Edge Enhancement，TEE）的紅外圖像增強模塊。為減少融合結(jié)果中目標(biāo)邊緣出現(xiàn)的偽影，采用四階局部微分方程-主成分分析（Fourth order Partial Differential Equations-Principal Component Analysis， FPDEPCA）算法對紅外和可見光增強圖像分別進行邊緣平滑處理。為使重構(gòu)出的融合圖像能夠同時保留目標(biāo)信息和紋理細節(jié)，設(shè)計基于蝴蝶優(yōu)化（Butterfly Optimization Algorithm， BOA）的圖像重構(gòu)模塊，通過BOA 來自適應(yīng)尋找最優(yōu)的重構(gòu)權(quán)重系數(shù)。

2 原 理

2.1 算法流程

TEBOFuse 算法流程如圖1 所示，具體步驟如下：

圖1 TEBOFuse 算法流程Fig.1 Flowchart of TEBOFuse method

（1）搭建基于MSRCR 的可見光增強模塊對原始可見光圖像進行增強。首先，將原可見光圖像分解為RGB 三通道，并進行高斯濾波；然后，引入色彩恢復(fù)因子來增強圖像中的暗色區(qū)域；最后，將三通道合并從而得到亮度增強且紋理信息豐富的可見光增強圖像。

（2）構(gòu)建基于TEE 的紅外圖像增強模塊。首先，對原紅外圖像進行雙邊濾波，并與原始圖像做差得到輪廓殘差圖像；然后，對原紅外圖像進行直方圖均衡灰度映射以及Canny 邊緣提取，分別得到對比度增強圖像和邊緣強化圖像；最后，將輪廓殘差圖像、對比度增強圖像和邊緣強化圖像進行線性重構(gòu)，從而得到高對比度且目標(biāo)清晰的紅外圖像。

（3）采用FPDE 分別對可見光增強圖像和紅外增強圖像進行多尺度分解，得到各自對應(yīng)的基礎(chǔ)層與細節(jié)層；利用PCA 對細節(jié)層進行融合，通過區(qū)域特性量測對基礎(chǔ)層進行融合。

（4）構(gòu)造基于空間頻率、平均梯度和像素特征互信息的自適應(yīng)目標(biāo)函數(shù)，通過蝴蝶優(yōu)化獲得重構(gòu)權(quán)重系數(shù)，從而重建出目標(biāo)清晰、紋理細節(jié)豐富的最終融合圖像。

2.2 基于MSRCR 的可見光增強

針對原可見光圖像因圖像質(zhì)量較低導(dǎo)致融合圖像細節(jié)缺失、邊緣模糊的問題，搭建基于MSRCR 的可見光增強模塊。首先，將原可見光圖像分解為RGB 三通道，并對各個通道進行高斯濾波，其表達式為［19］：

式中：RMSRi(x，y)為多尺度Retinex（Multi Scale Retinex， MSR）對第i個顏色通道圖像的計算結(jié)果；IVIS(x，y)為可見光圖像；Li(x，y)為入射分量；Ri(x，y)為反射分量；“?”表示高斯卷積運算；G(x，y)表示高斯核，σ為高斯函數(shù)尺度因子；ωi為第i個參數(shù)所對應(yīng)的權(quán)重因子，且滿足

在各通道中引入色彩恢復(fù)因子，可以表示為：

式中：N為RGB 三通道；β為增益系數(shù)；α為非線性強度調(diào)節(jié)因子。則具有色彩恢復(fù)能力的MSRCR 算法表達式如下：

式中：RMSRCRi(x，y)為MSRCR 對第i個顏色通道的計算結(jié)果，部分增強實驗結(jié)果如圖2 所示。

圖2 可見光圖像增強實驗結(jié)果Fig.2 Experimental results of visible light image enhancement

從圖2 可以看出，增強后的可見光圖像暗區(qū)域亮度增強，紋理細節(jié)相比于原始圖像更加清晰，如方框區(qū)域標(biāo)注的人和灌木叢輪廓以及地面磚塊紋路。

2.3 基于TEE 的紅外圖像增強

針對紅外圖像特殊的成像機理導(dǎo)致的融合圖像對比度較差、目標(biāo)清晰度較低的問題，本文設(shè)計了基于TEE 的紅外圖像增強模塊。首先，利用雙邊濾波對原紅外圖像IIR進行去噪，得到圖像可表示為：

式中：IIR(i，j)為IIR中心點的像素值；IIR(k，l)為中心點鄰域的像素值；σd為空間域標(biāo)準(zhǔn)差，決定了空間位置對中心點的影響力度，其值越大表示距離中心像素越遠的像素占的權(quán)重越??；σr為值域標(biāo)準(zhǔn)差，決定了像素差值對中心點的影響力度，其值越大表示灰度差異越大的像素占的權(quán)重越小。

對IIR與做差獲得輪廓殘差圖像如下：

然后，為提高紅外圖像對比度以及增強目標(biāo)特征，對IIR進行直方圖灰度映射，從而得到對比度增強的圖像根據(jù)鄰域灰度均值和方差大小對IIR進行裁剪，IIR(i，j)鄰域內(nèi)的局部均值和方差可以表示為：

如果此像素點所在鄰域滿足mx(i，j)≥k0×MG，σx(i，j)≤k1×σG（k0為亮度強度閾值，k1為方差閾值，MG為整幅原始灰度圖像的均值，σG為灰度方差），則判定該像素點為四周的高亮點，需要裁剪。

將所有的剪裁圖像進行直方圖均衡化，則圖像的離散灰度直方圖和概率分布函數(shù)分別為：

式中：ni為IIR中灰度級為i的像素點個數(shù)；N為像素點總數(shù)。ni的分布函數(shù)表達式為：

式中：0 ≤F(i)≤1。將灰度值相等或相近的直方圖合并，結(jié)果如下：

將直方圖均衡化后的圖像根據(jù)灰度級別從大到小排序，得到灰度矩陣IG，其映射公式為：

式中：B表示最終的灰度映射矩陣；m為裁剪后圖像的灰度級別個數(shù)；i為灰度級別序號，1 ≤i≤m-1。

最后，通過Canny 算子對IIR進行邊緣紋理提取，得到邊緣強化圖像最后通過線性重構(gòu)，得到增強后的紅外圖像：

部分實驗結(jié)果如圖3 所示。從圖3 可看出，經(jīng)過紅外目標(biāo)邊緣強化模塊處理后的圖像與原圖像相比，目標(biāo)人物對比度更加顯著，樹木、河流的輪廓更加清晰。

圖3 紅外圖像增強實驗結(jié)果Fig.3 Experimental results of infrared image enhancement

2.4 基于FPDE-PCA 的偽影去除

為解決融合結(jié)果中存在的偽影問題，首先，利用FPDE 對可見光增強圖像與紅外增強圖像分別進行邊緣平滑，以減少融合結(jié)果中的偽影；然后，采用PCA 對細節(jié)層進行融合，最大限度地保留細節(jié)圖像中的邊緣、線條和輪廓信息，進一步解決融合圖像中存在的偽影問題。

2.4.1 FPDE 圖像分解

采用梯度下降法對偏微分方程進行求解，得到：式中：?u?t是對圖像強度函數(shù)u進行FPDE 的過程；?2為拉普拉斯算子；c( ?)為擴散系數(shù)；s為變量，則用迭代法得到式

（18）中偏微分方程的解近似為：

從原圖像中減去基礎(chǔ)圖像得到細節(jié)圖像：

2.4.2 基于PCA 的細節(jié)層融合

求出Crr的特征值λ1，λ2和特征向量?1=并找出最大特征值λmax=max(λ1，λ2)；λmax對應(yīng)的最大特征向量為?max，則其對應(yīng)的主成分P1和P2的計算公式如下：

將P1和P2作為權(quán)重來融合細節(jié)圖像ID，得到：

2.4.3 基于區(qū)域特性量測的基礎(chǔ)層融合

局部區(qū)域的匹配度M(i，j)可表示如下：

若M(i，j)≥T，則：

2.5 基于蝴蝶優(yōu)化的圖像重建

為有效保持和平衡紅外與可見光圖像中的固有信息，設(shè)計了一種基于蝴蝶優(yōu)化的圖像重建模塊，通過蝴蝶優(yōu)化尋找重構(gòu)權(quán)重系數(shù)x，生成最終融合圖像，即：

重構(gòu)權(quán)重系數(shù)的確定主要包括兩個部分：目標(biāo)函數(shù)構(gòu)建和基于BOA 的自適應(yīng)優(yōu)化。

2.5.1 目標(biāo)函數(shù)構(gòu)建

為使融合圖像清晰、質(zhì)量高，融合結(jié)果保留更多的原圖像信息，選取空間頻率、平均梯度和像素特征互信息3 個圖像評價指標(biāo)構(gòu)建目標(biāo)函數(shù)，設(shè)M和N分別代表融合圖像的高度和寬度，目標(biāo)函數(shù)表達式如下：

式中QSF為空間頻率，反映圖像灰度的變化率，其定義為：

其中：FR和FC分別為圖像的行頻率和列頻率。

QAG為平均梯度，用于衡量融合圖像的清晰度。其計算公式如下：

QPMI_pixel為像素特征互信息，是基于互信息的圖像融合質(zhì)量評價指標(biāo)，定義如下：

式中：HIIR，HIVIS和HF分別表示基于直方圖圖像IIR，IVIS和F的熵。

式中：PF(i，j)為融合圖像F梯度對應(yīng)的邊緣分布，同理可計算出PIIR(i，j)和PIVIS(i，j)。提取融合圖像F與原圖像（IIR或IVIS）的聯(lián)合分布如下：

F包含的關(guān)于IIR和IVIS的特征信息量IFIIR，IFIVIS如下：

2.5.2 基于BOA 的自適應(yīng)優(yōu)化

針對本文構(gòu)建的目標(biāo)函數(shù)即式（33），通過模擬蝴蝶覓食行為和信息共享策略（蝴蝶根據(jù)散發(fā)香味的濃度相互吸引，濃度越高就會吸引越多的蝴蝶）［21］，以此求解最優(yōu)重構(gòu)權(quán)重系數(shù)x。本文設(shè)置的蝴蝶數(shù)量為40，最大迭代次數(shù)為30 次。在BOA 中，蝴蝶感知到香味大小f的數(shù)學(xué)表達式如下：

式中：c為感覺模態(tài)；I為刺激強度；a為激勵指數(shù)，反映吸收程度的變化。c與a可取[0，1]。在搜索階段中，蝴蝶向最優(yōu)解x前進，表示為：

圖4 融合結(jié)果Fig.4 Fusion results

由圖4（c）可看出，通過最優(yōu)權(quán)重系數(shù)融合出的圖像無偽影、目標(biāo)清晰、細節(jié)紋理豐富，如紅框標(biāo)注區(qū)域所示。

本文提出的TEBOFuse 融合算法主要由4個步驟構(gòu)成，其偽代碼如下：

3 實驗及結(jié)果分析

3.1 實驗條件

本文算法實驗平臺如表1 所示。為了驗證所提TEBOFuse 融合算法的優(yōu)勢，實驗在4 個公共數(shù)據(jù)集上進行，即TNO 數(shù)據(jù)集［22］、INO 數(shù)據(jù)集、多場景多模態(tài)數(shù)據(jù)集M3FD［23］以及RoadScene 數(shù)據(jù)集［24］，并在相同的實驗環(huán)境下與6 種經(jīng)典紅外與可見光圖像融合方法進行比較，包括：基于高斯和雙邊濾波器的混合多尺度分解實現(xiàn)紅外和可見光圖像的融合算法（HMSD）［25］、基于卷積神經(jīng)網(wǎng)絡(luò)的算法（CNN）［26］、基于卷積神經(jīng)網(wǎng)絡(luò)的圖像融合方法（IFCNN）［27］、紅外與可見光圖像的端到端殘差融合網(wǎng)絡(luò)（RFN-Nest）［28］、基于自編碼網(wǎng)絡(luò)的融合方法（DenseFuse）［29］，以及基于嵌套連接的融合算法（NestFuse）［30］。

表1 實驗平臺Tab.1 Experimental platform

實驗中，采用信息熵（Entropy， EN）、空間頻率（Spatial frequency， SF）、均方差（Standard deviation， SD）、聯(lián)合熵（Joint entropy， JE）、視覺信息保真度（Visual information fidelity， VIF）和自然圖像統(tǒng)計（Natural scene statistics， NSS）作為圖像質(zhì)量評估指標(biāo)［31］。其中，EN 可測量融合圖像所包含信息量的豐富程度；SF 反映圖像的灰度變化率，可用于測量圖像的整體活動水平，其值越大表示融合圖像越清晰；SD 通過計算像素值的色散程度來反映其對比度；JE 用于計算圖像的信息量，其值越大表明融合圖像與原圖像的關(guān)聯(lián)性越強；VIF 通過計算融合圖像與原圖像之間的互信息來衡量融合圖像的質(zhì)量優(yōu)劣；NSS 用于計算原圖像與融合圖像之間交互信息的多少。

3.2 消融實驗

由于TEBOFuse 算法中包含4 個模塊，為了驗證各模塊的有效性，進行了消融實驗。實驗一：去除MSRCR 可見光增強模塊；實驗二：去除TEE 紅外圖像增強模塊；實驗三：去除FPDEPCA 偽影去除模塊；實驗四：去除蝴蝶優(yōu)化圖像重建模塊。通過對選取的105 組圖像進行不同模塊獨立的融合實驗，分別得出EN，SF，SD，JE，VIF 和NSS 評價指標(biāo)數(shù)據(jù)，計算其平均值以進行客觀分析，對比結(jié)果如表2 所示，其中最優(yōu)值用粗體表示。消融實驗的主觀對比結(jié)果如圖5 所示。

表2 消融實驗的客觀對比結(jié)果Tab.2 Objective comparison of ablation experimental results

圖5 消融實驗的主觀對比結(jié)果Fig.5 Subjective comparison results of ablation experiments

從圖5 可以看出：首先，與TEBOFuse 相比，實驗一得到的融合圖像所包含的可見光細節(jié)信息量減少，磚塊與樹叢輪廓模糊；其次，雖然實驗二的融合方法可以保持融合圖像的整體亮度，但在融合過程中人與背景區(qū)域之間的明暗比有一定程度的損失，對比度降低；第三，通過實驗三得到的融合圖像路燈處存在偽影問題，無法較好保留原圖像中豐富的紋理信息；最后，實驗四的融合結(jié)果中存在亮度信息和細節(jié)信息的不平衡，原圖像中的固有信息有所丟失。與上述4 種消融實驗相比，本文提出的TEBOFuse 在保證信息豐富、目標(biāo)突出的同時，能有效平衡融合圖像中的亮度和細節(jié)信息，提高了融合質(zhì)量。

從表2 可以看出，TEBOFuse 6 個指標(biāo)的平均值最優(yōu)。由此可知：EN 與SD 值最優(yōu)，表明基于MSRCR 的可見光增強模塊與基于TEE 的紅外圖像增強模塊能有效增強原始圖像中的對比度以及紋理信息；SF 與VIF 值最優(yōu)，表明基于FPDE-PCA 的偽影去除模塊能有效提取原圖像的特征信息，融合圖像清晰；NSS 值最優(yōu)，表明基于蝴蝶優(yōu)化的圖像重建模塊使得最終融合圖像與原圖像之間的相關(guān)性增強，融合結(jié)果充分保留了原始圖像信息，且具有良好的視覺效果。

3.3 對比實驗

為了驗證BOA 的優(yōu)勢，在相同的實驗條件下與4 種經(jīng)典優(yōu)化算法進行比較，包括：差異進化（Differential Evolution， DE）［32］、螢火蟲算法（Firefly Algorithm， FA）［33］、遺傳算法（Genetic Algorithm， GA）［34］以及粒子群優(yōu)化（Particle Swarm Optimization， PSO）［35］。對比結(jié)果如表3所示，其中粗體表示最優(yōu)值。

表3 優(yōu)化算法的客觀對比結(jié)果Tab.3 Objective comparison results of optimization algorithms

從表3 可以看出，與4 種經(jīng)典優(yōu)化算法相比，BOA 的EN，SF，SD，JE 和VIF 值均為最優(yōu)。EN和JE 值最大，說明通過BOA 得到的融合圖像信息含量最豐富，圖像融合性能最高。SF，SD 和VIF 值優(yōu)于其他優(yōu)化算法，從而證明經(jīng)過BOA優(yōu)化可以獲得最清晰的融合圖像，具有更好的視覺觀測效果。NSS 值雖然沒有達到最優(yōu)值，仍取得次優(yōu)值。

3.4 主觀分析

為了驗證TEBOFuse 算法的優(yōu)越性，從TNO，INO，M3FD 以及RoadScene 數(shù)據(jù)集中隨機選取5 組紅外和可見光圖像（第一組和第二組圖像選自TNO 數(shù)據(jù)集，第三組圖像選自INO 數(shù)據(jù)集，第四組圖像選自M3FD 數(shù)據(jù)集，第五組圖像選自RoadScene 數(shù)據(jù)集），并與6 種經(jīng)典融合算法進行比較，對比結(jié)果如圖6 所示。為了便于后續(xù)的觀察與分析，融合結(jié)果的局部細節(jié)用方框進行標(biāo)注。

圖6 主觀對比實驗結(jié)果Fig.6 Subjective comparison of experimental results

圖6 中，HMSD 算法較好地保存了紅外目標(biāo)信息，但丟失了部分可見光信息，如第二組融合結(jié)果中的廣告牌、第四組實驗中的車牌號以及第五組中的路牌信息。CNN 和IFCNN 更加注重提取紅外圖像的特征，丟失了少量細節(jié)信息，如第一組的灌木叢輪廓和磚塊紋理以及第三組與第五組實驗中的樹枝紋理。RFNNest 和NestFuse 算法能夠有效保存樹木紋理等局部特征，但存在目標(biāo)邊緣輪廓模糊的問題，如第三組與第四組實驗中人的輪廓。此外，DenseFuse 算法雖然融合效果較好，但目標(biāo)邊緣輪廓存在偽影，且高亮區(qū)域未突出顯示，如第二組實驗結(jié)果中的人。與6 種經(jīng)典融合算法相比，本文算法突出了紅外目標(biāo)，保留了大量的紋理細節(jié)，減少了融合結(jié)果中存在的偽影，在方框標(biāo)記處具有最高的圖像對比度以及最佳的視覺效果。

3.5 客觀分析

為了客觀評價所提算法的優(yōu)勢，在4 種數(shù)據(jù)集中隨機選取的105 組圖像進行客觀評價。其中，在TNO 數(shù)據(jù)集中隨機選取21 組圖像，INO數(shù)據(jù)集中隨機選取20 組圖像，M3FD 數(shù)據(jù)集中隨機選取14 組圖像，RoadScene 數(shù)據(jù)集中隨機選取50 組圖像。采用EN，SF，SD，JE，VIF 和NSS 等客觀評價指標(biāo)對最終融合結(jié)果進行分析，上述6個評價指標(biāo)值越大，融合效果越好，實驗結(jié)果如表4 所示，最優(yōu)值用粗體表示。

從表4 可以看出，TEBOFuse 算法在6 個評價指標(biāo)上均為最優(yōu)，EN，SF，SD，JE，VIF 和NSS分別平均提高了9.24%，38.88%，51.11%，4.65%，35.44%，19.36%。SD 值最大，說明通過TEBOFuse 融合的圖像具有最高的對比度和清晰度。由EN 和NSS 可知，TEBOFuse 算法的融合結(jié)果能夠更好地保留原始圖像信息。由SF，JE 和VIF 可知，TEBOFuse 算法生成的融合圖像細節(jié)表達能力最強。

4 結(jié) 論

本文提出了一種基于TEBOFuse 的紅外與可見光圖像融合算法，該方法通過設(shè)計圖像增強模塊來減少因原始圖像質(zhì)量較低而產(chǎn)生的不利影響，有效解決了融合結(jié)果中出現(xiàn)的目標(biāo)邊緣模糊、紋理細節(jié)丟失問題。利用FPDEPCA 模塊可在一定程度上去除偽影，增強圖像的結(jié)構(gòu)和紋理信息表達能力。通過蝴蝶優(yōu)化計算重構(gòu)權(quán)重系數(shù)并進行自適應(yīng)分配，能夠有效保持和平衡原始圖像中的固有信息。在4 個公開數(shù)據(jù)集上與6 種經(jīng)典算法進行對比實驗，結(jié)果表明，TEBOFuse 算法能夠較好地解決偽影以及融合圖像難以兼顧目標(biāo)清晰與紋理細節(jié)豐富的問題。 然而，由于引入了BOA，TEBOFuse 算法的實時性不高，后續(xù)將在保證圖像融合質(zhì)量的基礎(chǔ)上針對算法的實時性展開進一步研究。