红外与可见光图像融合中的快速配准方 法

图像融合、论文复现、MATLAB代码

使用潜在的低秩表示法进行红外和可见图像融合 吴小军* 使用潜在的低秩表示法进行红外和可见图像融合。 潜在的低排名表示 融合方法框架 抽象的 我们提出了一种基于潜在低秩表示（LatLRR）的新颖图像融合方法，该方法简单有效。 首先，通过LatLRR将源图像分解为低阶部分和显着部分。 全局结构信息由低阶部分保留，局部结构信息由显着性部分提取。 然后，将低阶部分通过加权平均策略融合，而显着部分则简单地通过求和策略融合。 最后，通过融合融合的低秩部分和融合的显着性部分获得融合的图像。 源代码 1 Fusion_latlrr.m -----我们的方法 2 latlent_lrr.m -------潜在的低秩表示方法 潜在LRR Thr Latent LRR方法由Liu Guangcan Liu在2011年提出。 “ Liu G，Yan S.用于子空间分割和特征提取的潜在低秩表示[C]国际

提出了一种基于深度学习的红外与可见光决策级融合跟踪方法。通过建立参数传递模型，从现有基于深度学习的检测模型中抽取指定对象的可见光检测模型，作为红外检测的预训练模型，在采集的红外图像数据集上进行微调训练，得到基于深度学习的红外检测模型。在此基础上，建立了基于深度学习的红外与可见光决策级融合跟踪模型，进行了单波段跟踪与双波段融合跟踪对比实验。结果表明，所提方法跟踪精度和成功率比单波段跟踪均有所提升，具有较好的稳健性。

为进一步提高红外与可见光融合图像的细节信息,并降低伪影和噪声,提出一种基于ResNet152深度学习模型的红外与可见光图像融合算法。首先,将红外与可见光图像分解成低频部分和高频部分;然后,运用平均权重策略对低频部分进行融合,生成新的低频部分,使用ResNet152网络对高频部分进行特征提取,得到多个特征层,对特征层分别进行L1正则化、卷积运算、双线性插值上采样和最大选择策略得到最大权重层,由最大权重层和高频部分相乘得到新的高频部分;最后,由新的低频部分和高频部分对图像进行重建,获得融合后的红外与可见光图像。实验结果表明,该算法在保留图像显著特征的同时使融合图像获得了更多的细节纹理信息,且有效地降低了伪影和噪声,其主观评价和客观评价都优于对比算法。

：红外与可见光图像配准作为一类重要的多传感器图像配准方法，在自动控制、机器人、遥感及 军事应用等领域发挥着重要作用。介绍了红外与可见光图像配准问题的本质及难点，从原理上总结了 大部分配准算法的基本步骤，并将现有的配准方法分为两类：基于区域的配准方法和基于特征的配准 方法。从算法的可行性角度出发，分析了几种具有代表性的配准方法及其优缺点，最后对其未来的发 展进行了展望。

红外与可见光图像融合基于区域的深度学习方法

非下采样剪切波算法（NSST）。内含多组测试的红外与可见光图像（灰度图像），以及质量评价指标，可直接调试。

这是一些采集好的经过矫正与配准的红外与可见光的数据集，有长波红外，短波红外，热成像仪与可见光的图像，内容有坦克，人物，树木，建筑等，从外面下载的，和大家分享一下

针对低可见光图像和红外图像的特点,提出一种基于 DT-CWT的自适应图像融合算法.该算法具有好的平移不变性和方向选择性,更适合于人类视觉.先对源图像作双树复小波变换,充分考虑各尺度分解层的系数 特征,对低通子带引入免疫克隆选择,根据统计评价准则定义亲和度函数,自适应获得最优融合权值;对高通子带则根据人类视觉特性定义局部方向对比度,并作为 融合准则,突出和增强了