本發(fā)明屬于圖像處理領域，涉及一種對紅外與可見光圖像進行融合的方法及系統(tǒng)。
背景技術(shù)：
：隨著傳感器技術(shù)的進步和各種測繪遙感技術(shù)的發(fā)展，可見光傳感器獲得的圖像僅僅只是多源圖像信息中的一種，如今我們可以用紅外、雷達等多種傳感器去獲得不同種類的圖像信息。為了更好地表達目標場景的特點，可以對不同傳感器得到的圖像進行融合，從而集成多源圖像之間的互補信息，生成完整、可靠和有效的綜合信息，以此增強目標場景的清晰度與目標辨別能力，獲得對同一場景更完整的認識。不同種類的傳感器應用于不同的領域，但都獲得了普遍的運用。通過對傳感器獲得的圖像采取一定的方法實施融合操作，就可以得到滿足特定需求的融合圖像。這樣做能夠合并各傳感器的圖像信息，使得融合圖像包含更豐富的信息，特別是細節(jié)信息，遠遠強于任何單個傳感器直接獲取的圖像。同時，多源圖像的融合能夠顯著地增強成像傳感器的系統(tǒng)機能。近些年來，國內(nèi)外的學者提出了很多圖像融合的算法，大部分算法可分為以下兩類：基于多分辨率分析的圖像融合方法與基于稀疏表示的圖像融合方法。然而，現(xiàn)有的多分辨率圖像融合算法存在低頻系數(shù)不稀疏的問題，導致了對低頻系數(shù)直接進行融合效果并不好。除此之外，基于稀疏表示的圖像融合方法都是在單尺度下對圖像的數(shù)據(jù)進行表示然后融合，無法有效地在對圖像進行稀疏表示的同時進行多分辨率的分析。技術(shù)實現(xiàn)要素：為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括圖像的多分辨率分析技術(shù)和稀疏表達技術(shù)，在這些技術(shù)的支持下，本發(fā)明能夠?qū)Σ煌瑐鞲衅鳙@得的同一場景的可見光和紅外圖像進行有效地融合。本發(fā)明技術(shù)方案提供一種基于稀疏字典的光學與紅外圖像融合方法，包括以下步驟，步驟a，對訓練圖像集中的每一幅圖像均進行nsct變換，提取低頻部分利用稀疏k-svd法得到低頻子帶的稀疏字典，記為低頻子帶字典d；所述訓練圖像集為混合了紅外圖像與可見光圖像的圖像數(shù)據(jù)集；步驟b，對待融合圖像進行nsct變換，利用步驟a所得低頻子帶字典d對待融合圖像的低頻部分進行稀疏表示，對稀疏系數(shù)融合后經(jīng)過字典重構(gòu)得到融合后的低頻系數(shù)；所述待融合圖像包括同一幅場景的紅外圖像以及可見光圖像；步驟c，引入四階相關(guān)系數(shù)計算鄰域內(nèi)多源圖像的高頻系數(shù)的匹配度，通過比較匹配度算子和閾值大小來選擇不同的高頻融合策略，得到融合后的高頻系數(shù)；步驟d，對融合后的低頻系數(shù)與高頻系數(shù)進行nsct逆變換，得到融合后的圖像。而且，步驟a實現(xiàn)方式如下，對訓練圖像集中每一幅訓練圖像it(t＝1，2，...，t)進行nsct變換，t表示參與訓練的圖像的數(shù)目，t為訓練圖像的標號；設經(jīng)過g級nsct分解后得到低頻子帶和高頻子帶，其中l(wèi)g為尺度g下的方向分解級數(shù)；對所有訓練圖像的低頻子帶lt(t＝1，2，...，t)用滑動窗口策略分解成大小為的塊，依次轉(zhuǎn)換為長度為n的列向量后拼接成矩陣ψt∈rn×l(t＝1，2，...，t)，r為實數(shù)，l表示每個低頻子帶分塊的總數(shù)；再將矩陣合并成訓練數(shù)據(jù)集ψ＝[ψ1，ψ2，...ψt]；用稀疏k-svd算法求解如下目標方程，其中，φ為基字典，而γ則是子帶分解系數(shù)的稀疏表示，aj與γi分別表示矩陣a和γ中的列向量，j和i分別代表矩陣a和γ中的列號；||·||0表示向量的零范數(shù)；在約束條件中，x和y分別代表目標原子的稀疏度和目標訓練樣本的稀疏度；根據(jù)低頻子帶字典的稀疏表示系數(shù)a，進一步得到低頻子帶字典d＝φa。而且，步驟b實現(xiàn)方式如下，首先，設step指滑窗每次移動的距離，k表示待融合圖像的數(shù)目，p、q為圖像的行數(shù)和列數(shù)，pq代表整幅圖像能劃分出的圖像塊的數(shù)量；對第k幅待融合圖像經(jīng)過nsct變換，得到低頻子帶；對待融合圖像ik∈rp×q的低頻子帶系數(shù)lk(k＝1，2，...，k)以步長為大小為從左上到右下依次分塊，轉(zhuǎn)換成為列向量，依次橫向拼接為矩陣其中第k幅待融合圖像ik中第i塊的列向量記為并對各個待融合圖像第i塊的低頻子帶的稀疏表示系數(shù)按照下式進行求解；其中，ψ(ik)是由第k幅待融合圖像經(jīng)過nsct變換后得到的低頻子帶組成的矩陣；ε表示容許誤；γ表示圖像分解出的所有圖像塊的稀疏表示系數(shù)；其次，融合圖像的第i塊低頻子帶稀疏表示系數(shù)為所有待融合圖像第i塊相應系數(shù)中活動性最大的系數(shù)如下，其中，表示第k幅待融合圖像ik中第i塊低頻子帶的稀疏表示系數(shù)活動性，，其中，k*代表符合約束條件的待融合圖像標號；遍歷所有待融合圖像經(jīng)nsct變換后的低頻子帶，得到融合圖像低頻子帶稀疏表示系數(shù)的集合融合圖像的低頻子帶系數(shù)向量集為ψf＝d×γf，其中ψf∈rn×pq；最后，將ψf中的每一向量恢復成原始的矩陣塊，相應得到融合圖像的低頻系數(shù)。本發(fā)明相應提供一種基于稀疏字典的光學與紅外圖像融合系統(tǒng)，包括以下模塊，第一模塊，用于對訓練圖像集中的每一幅圖像均進行nsct變換，提取低頻部分利用稀疏k-svd法得到低頻子帶的稀疏字典，記為低頻子帶字典d；所述訓練圖像集為混合了紅外圖像與可見光圖像的圖像數(shù)據(jù)集；第二模塊，用于對待融合圖像進行nsct變換，利用第一模塊所得低頻子帶字典d對待融合圖像的低頻部分進行稀疏表示，對稀疏系數(shù)融合后經(jīng)過字典重構(gòu)得到融合后的低頻系數(shù)；所述待融合圖像包括同一幅場景的紅外圖像以及可見光圖像；第三模塊，用于引入四階相關(guān)系數(shù)計算鄰域內(nèi)多源圖像的高頻系數(shù)的匹配度，通過比較匹配度算子和閾值大小來選擇不同的高頻融合策略，得到融合后的高頻系數(shù)；第四模塊，用于對融合后的低頻系數(shù)與高頻系數(shù)進行nsct逆變換，得到融合后的圖像。而且，第一模塊工作實現(xiàn)方式如下，對訓練圖像集中每一幅訓練圖像，it(t＝1，2，...，t)進行nsct變換，t表示參與訓練的圖像的數(shù)目，t為訓練圖像的標號；設經(jīng)過g級nsct分解后得到低頻子帶和高頻子帶，其中l(wèi)g為尺度g下的方向分解級數(shù)；對所有訓練圖像的低頻子帶lt(t＝1，2，...，t)用滑動窗口策略分解成大小為的塊，依次轉(zhuǎn)換為長度為n的列向量后拼接成矩陣ψt∈rn×l(t＝1，2，...，t)，r為實數(shù)，l表示每個低頻子帶分塊的總數(shù)；再將矩陣合并成訓練數(shù)據(jù)集ψ＝[ψ1，ψ2，...ψt]；用稀疏k-svd算法求解如下目標方程，其中，φ為基字典，而γ則是子帶分解系數(shù)的稀疏表示，aj與γi分別表示矩陣a和γ中的列向量，j和i分別代表矩陣a和γ中的列號；||·||0表示向量的零范數(shù)；在約束條件中，x和y分別代表目標原子的稀疏度和目標訓練樣本的稀疏度；根據(jù)低頻子帶字典的稀疏表示系數(shù)a，進一步得到低頻子帶字典d＝φa。而且，第二模塊工作實現(xiàn)方式如下，首先，設step指滑窗每次移動的距離，k表示待融合圖像的數(shù)目，p、q為圖像的行數(shù)和列數(shù)，pq代表整幅圖像能劃分出的圖像塊的數(shù)量；對第k幅待融合圖像經(jīng)過nsct變換，得到低頻子帶；對待融合圖像ik∈rp×q的低頻子帶系數(shù)lk(k＝1，2，...，k)以步長為大小為從左上到右下依次分塊，轉(zhuǎn)換成為列向量，依次橫向拼接為矩陣其中第k幅待融合圖像ik中第i塊的列向量記為并對各個待融合圖像第i塊的低頻子帶的稀疏表示系數(shù)按照下式進行求解；其中，ψ(ik)是由第k幅待融合圖像經(jīng)過nsct變換后得到的低頻子帶組成的矩陣；ε表示容許誤；γ表示圖像分解出的所有圖像塊的稀疏表示系數(shù)；其次，融合圖像的第i塊低頻子帶稀疏表示系數(shù)為所有待融合圖像第i塊相應系數(shù)中活動性最大的系數(shù)如下，其中，表示第k幅待融合圖像ik中第i塊低頻子帶的稀疏表示系數(shù)活動性，，其中，k*代表符合約束條件的待融合圖像標號；遍歷所有待融合圖像經(jīng)nsct變換后的低頻子帶，得到融合圖像低頻子帶稀疏表示系數(shù)的集合融合圖像的低頻子帶系數(shù)向量集為ψf＝d×γf，其中ψf∈rn×pq；最后，將ψf中的每一向量恢復成原始的矩陣塊，相應得到融合圖像的低頻系數(shù)。本發(fā)明結(jié)合兩種圖像融合方法的優(yōu)勢，設計了一種基于nsct與稀疏k-svd字典的基于稀疏字典的光學與紅外圖像融合方法和系統(tǒng)。通過多分辨分析方法中的nsct變換(nonsubsampledcontourlettransform)得到源圖像在不同尺度上的表達來展現(xiàn)圖像的細節(jié)，結(jié)合稀疏k-svd(sparsek-meanssingularvaluedecomposition)字典對不稀疏的低頻部分進行更稀疏的表示來提取圖像顯著的特征，利用高頻系數(shù)的四階相關(guān)系數(shù)充分考慮鄰域的相關(guān)性以對高頻部分進行更好地融合。因此，本發(fā)明提供了一種紅外與可見光圖像的融合方法，可以對不同傳感器得到的圖像進行融合，從而集成不同源圖像之間的互補信息，生成完整、可靠和有效的綜合信息，以此增強目標場景的清晰度與目標辨別能力，獲得對同一場景更完整的認識。本發(fā)明有廣泛地應用前景，具有重要的技術(shù)價值。附圖說明圖1為本發(fā)明實施例的流程圖。具體實施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明了，下面結(jié)合具體實例并參照附圖，對本發(fā)明進一步詳細說明。本發(fā)明的實施例采用紅外與可見光圖像?？梢姽鈭D像具備高清晰度低噪聲，細節(jié)信息豐富的特點，但其傳感器易受天氣的影響，使成像效果不穩(wěn)定。紅外圖像能夠反映場景中的熱輻射差異，其傳感器具備一定的穿透力，并且能夠?qū)崿F(xiàn)全天候成像。因此，將同一場景下的可見光與紅外圖像進行融合，可以獲得更清晰豐富的場景信息和更透徹的熱目標信息，提高目標的辨識度。應該理解，這些描述只是示例性的，而并非要限制本發(fā)明的范圍。如圖1，本發(fā)明優(yōu)選實施例的多源圖像融合方法包括：步驟a，低頻子帶字典的學習：對訓練圖像集中的每一幅圖像均進行nsct變換，提取其低頻部分利用稀疏k-svd法得到低頻子帶的稀疏字典。由于本發(fā)明中的方法涉及到圖像的多尺度變換，并且僅對圖像變換后的不稀疏的低頻部分進行稀疏表示，因此需要訓練適應低頻特征的字典。訓練圖像時，使用的是混合了紅外與可見光圖像的圖像數(shù)據(jù)集，可取多個場景的紅外圖像和可見光圖像。實施例提出采用以下方式實現(xiàn)訓練：1)對每一幅訓練圖像it(t＝1，2，...，t)進行nsct變換，t表示參與訓練的圖像的數(shù)目，t為訓練圖像的標號。經(jīng)過g級nsct分解后每幅訓練圖像可得到1個低頻子帶和個高頻子帶，其中l(wèi)g為尺度g下的方向分解級數(shù)。)具體實施時，本領域技術(shù)人員可以預設g的取值。2)在進行字典的訓練之前，需要對基字典φ初始化。優(yōu)選地，初始化為dct字典(離散余弦變換字典。3)由于源圖像的局部信息在像素級圖像融合中發(fā)揮了重要的作用，同時為了保持圖像融合中較好的平移不變性。因此引入了滑動窗口策略將源圖像轉(zhuǎn)化為一個個圖像塊，向量化后再進行處理。對所有訓練圖像的低頻子帶lt(t＝1，2，...，t)用滑動窗口策略分解成大小為的塊；并依次轉(zhuǎn)換為長度為n的列向量后拼接成矩陣ψt∈rn×l(t＝1，2，...，t)，r為實數(shù)，l表示每個低頻子帶分塊的總數(shù)；再將這些矩陣合并成訓練數(shù)據(jù)集ψ＝[ψ1，ψ2，...ψt]。4)最后用稀疏k-svd算法求解式(4)的目標方程：其中，φ為基字典，a是低頻子帶字典的稀疏表示系數(shù)，而γ則是子帶分解系數(shù)的稀疏表示，aj與γi分別表示矩陣a和γ中的列向量，j和i分別代表矩陣a和γ中的列號。||·||0表示向量的零范數(shù)，即向量中的非零元素個數(shù)。在約束條件中，x和y分別代表目標原子的稀疏度和目標訓練樣本的稀疏度。根據(jù)低頻子帶字典的稀疏表示系數(shù)a，進一步可得到低頻子帶字典d＝φa。步驟b，對待融合圖像同樣進行nsct變換，利用步驟a中訓練得到的字典對待融合圖像的低頻部分進行稀疏系數(shù)，對稀疏系數(shù)融合后經(jīng)過字典重構(gòu)即可得到融合后的低頻系數(shù)：待融合圖像是同一幅場景的不同數(shù)據(jù)源影像，至少包括一幅紅外圖像以及一幅可見光圖像，具體實施時還可以包括更多不同數(shù)據(jù)源影像，例如遠紅外圖像。利用步驟a中得到的nsct低頻子帶字典d，待融合圖像nsct低頻子帶的稀疏表示系數(shù)可由式(5)得到：其中，ψ(ik)是由第k幅待融合圖像經(jīng)過nsct變換后得到的低頻子帶組成的矩陣。ε表示容許誤差，是一個正的極小的常數(shù)，具體實施時本領域技術(shù)人員可預設取值。||·||f表示矩陣的frobenius范數(shù)，式(5)中涉及2范數(shù)。γ表示該幅圖像分解出的所有圖像塊的稀疏表示系數(shù)。矩陣ψ(ik)的提取方式為，首先，對第k幅待融合圖像經(jīng)過nsct變換，同樣采用g級nsct分解，得到低頻子帶和高頻子帶；對待融合圖像ik∈rp×q的低頻子帶系數(shù)lk(k＝1，2，...，k)以步長為大小為的塊，從左上到右下依次分塊，再將這些塊拉直轉(zhuǎn)換成為列向量，依次橫向拼接為矩陣其中第k幅待融合圖像ik中第i塊的列向量記為并對各個待融合圖像第i塊的低頻子帶的稀疏表示系數(shù)按照式(5)進行求解。其中，step指滑窗每次移動的距離，k表示待融合圖像的數(shù)目，采用一幅紅外圖像以及一幅可見光圖像時k＝2，具體實施時可以采用更多不同數(shù)據(jù)源影像。其中，p、q為圖像的行數(shù)和列數(shù)。p、q代表按行或者按列最多能分出的圖像塊的數(shù)目，因此相乘即可得到整幅圖像能劃分出的圖像塊的數(shù)量。其次，融合圖像的第i塊低頻子帶稀疏表示系數(shù)為所有源圖像(待融合圖像)第i塊相應系數(shù)中活動性最大的系數(shù)如式(6)所示：其中，表示第k幅待融合圖像ik中第i塊低頻子帶的稀疏表示系數(shù)活動性，其能夠反映該區(qū)域中圖像顯著特征的強弱。為了能在融合圖像中繼承更多的源圖像顯著特征，對于稀疏系數(shù)的融合策略采取目前較為常用的活動性最大原則。其中，k*代表符合約束條件的待融合圖像標號，則代表各個待融合圖像第i塊的低頻子帶的稀疏表示系數(shù)和第k*個稀疏表示系數(shù)。遍歷所有待融合圖像經(jīng)nsct變換后的低頻子帶，得到融合圖像低頻子帶稀疏表示系數(shù)的集合則融合圖像的低頻子帶系數(shù)向量集為ψf＝d×γf，其中ψf∈rn×pq。最后，將ψf中的每一向量恢復成原始的矩陣塊，再將矩陣塊按照一開始的順序依次放回并進行累加。最終融合圖像的低頻子帶系數(shù)中每個位置的系數(shù)值為對應位置處的各個矩陣塊累加后系數(shù)值的平均值。步驟c，引入四階相關(guān)系數(shù)計算鄰域內(nèi)多源圖像的高頻系數(shù)的匹配度，通過比較匹配度算子和閾值大小來選擇不同的高頻融合策略，得到融合后的高頻系數(shù)：對第k幅待融合圖像經(jīng)過nsct變換，同樣采用g級nsct分解，每幅圖像可以得到1個低頻子帶和個高頻子帶，其中l(wèi)g為尺度g下的方向分解級數(shù)。由于高頻系數(shù)表示的是圖像的細節(jié)特征，因此常見的融合方式是對像素點系數(shù)取模值并取其較大的一邊的融合策略。但該方法忽略了鄰域間的相關(guān)性，融合圖像會有一定程度的模糊度。為了獲得更好的融合效果，引入四階相關(guān)系數(shù)計算圖像鄰域內(nèi)高頻系數(shù)的匹配度，通過比較匹配度算子和閾值大小來選擇不同的高頻融合策略，其中匹配度算子f的計算式如式(7)：式中和表示鄰域窗口內(nèi)子帶系數(shù)的值，μinf、μvis分別代表和的均值，m′×n′為鄰域大小，(m+m′，n+n′)表示以像素(m，n)為中心的滑動窗口內(nèi)的任意一點。具體實施時，本領域技術(shù)人員可預設鄰域大小，例如區(qū)域窗口大小為3×3。。計算出區(qū)域匹配度f，然后設定一個閾值th，比較兩者的大小。具體實施時本領域技術(shù)人員可預設th取值。當f＜th時，說明兩者的匹配度低，需同時保留兩者的有用信息。為更好的綜合圖像的冗余信息和互補信息，引入加權(quán)系數(shù)r，來選擇合適的高頻系數(shù)，計算式如式(8)：其中，和表示紅外與可見光圖像子帶系數(shù)的值，表示融合圖像子帶系數(shù)的值，而當f≥th時，說明兩者的匹配度高，采用絕對值值取大法的策略選取融合后高頻系數(shù)，其計算式如公式(9)所示：式中分別表示紅外與可見光圖像相應的高頻系數(shù)的絕對值。步驟d，對融合后的低頻系數(shù)與高頻系數(shù)進行nsct逆變換，即可得到融合后的圖像：經(jīng)過步驟b與步驟c分別可以得到融合后的低頻系數(shù)與高頻系數(shù)，對這兩者進行nsct逆變換，即可得到融合后的圖像。綜上所述，本發(fā)明提出的基于nsct與稀疏k-svd字典的圖像融合方法，首先通過nsct變換得到圖像的一個低頻子帶和若干個高頻子帶，然后根據(jù)訓練圖像用稀疏k-svd方法訓練出能夠表現(xiàn)低頻子帶系數(shù)特征的稀疏字典，對待融合圖像的低頻部分進行稀疏表示，通過融合稀疏系數(shù)來得到融合后的低頻子帶系數(shù)。四階相關(guān)系數(shù)計算圖像鄰域內(nèi)高頻子帶系數(shù)的匹配度，通過比較匹配度算子和閾值大小來選擇不同的高頻融合策略。最后對融合后的低頻子帶和高頻子帶使用nsct逆變換即可得到融合后的圖像。具體實施時，可由本領域技術(shù)人員采用計算機軟件技術(shù)實現(xiàn)以上流程的自動運行。具體實施時，還可以采用模塊化方式提供相應系統(tǒng)。本發(fā)明實施例提供一種基于稀疏字典的光學與紅外圖像融合系統(tǒng)，包括以下模塊，第一模塊，用于對訓練圖像集中的每一幅圖像均進行nsct變換，提取低頻部分利用稀疏k-svd法得到低頻子帶的稀疏字典，記為低頻子帶字典d；所述訓練圖像集為混合了紅外圖像與可見光圖像的圖像數(shù)據(jù)集；第二模塊，用于對待融合圖像進行nsct變換，利用第一模塊所得低頻子帶字典d對待融合圖像的低頻部分進行稀疏表示，對稀疏系數(shù)融合后經(jīng)過字典重構(gòu)得到融合后的低頻系數(shù)；所述待融合圖像包括同一幅場景的紅外圖像以及可見光圖像；第三模塊，用于引入四階相關(guān)系數(shù)計算鄰域內(nèi)多源圖像的高頻系數(shù)的匹配度，通過比較匹配度算子和閾值大小來選擇不同的高頻融合策略，得到融合后的高頻系數(shù)；第四模塊，用于對融合后的低頻系數(shù)與高頻系數(shù)進行nsct逆變換，得到融合后的圖像。各模塊實現(xiàn)可參見相應步驟，本發(fā)明不予贅述。以下通過實驗來驗證本發(fā)明的有效性。以紅外與可見光圖像為實驗對象，為證明本發(fā)明方法(nsct_sk_svd)在紅外與可見光圖像上的增強效果，實驗采用基于nsct和基于稀疏表示的圖像融合算法進行對比，同時也比較了不同字典對融合效果的影響。這些方法是：(1)利用nsct進行的圖像融合(nsct)；(2)利用dct固定字典進行稀疏表示的圖像融合(dct_sr)；(3)利用k-svd方法訓練得到的字典進行的圖像融合(k_svd_sr)；(4)利用稀疏k-svd方法訓練得到的字典進行的圖像融合(sk_svd_sr)；(5)利用nsct和dct固定字典進行的圖像融合(nsct_dct)；(6)利用nsct和k-svd方法得到的字典進行的圖像融合(nsct_k_svd)。實驗中nsct方法分解層數(shù)為4，其中nsct域的方向分解級數(shù)g分別為“1，2，3，4”，拉普拉斯濾波器選擇“9-7”塔形分解，方向濾波器選用“pkva”濾波器。進行圖像的稀疏表示時用到的字典由隨機從50幅圖像中選取50000個圖像塊訓練得到。圖像塊大小和字典大小分別采用目前較為常見的大小8×8和64×256，基字典初始化為dct字典。目標原子的稀疏度和目標訓練樣本的稀疏度分別為10和20，容許誤差為ε＝0.1，滑窗移動步距step＝1，區(qū)域匹配度閾值th＝0.9，區(qū)域窗口大小為3×3。為了更加客觀評價本方法相比于其他方法具有的優(yōu)越性，實驗主要采用qw、qe、平均梯度(ag)和空間頻率(sf)等4種常用的融合質(zhì)量評價指標對融合后的圖像進行質(zhì)量評價。其中，qw是源圖像與融合圖像窗口加權(quán)的融合質(zhì)量評價，qe從局部反映了融合圖像融合源圖像邊緣的情況，這兩個指標的值均在[0，1]之間，越接近1表明融合質(zhì)量越好。平均梯度ag能夠描述圖像質(zhì)量改善的大小，它可以較好描述圖像的清晰程度，還說明了圖像的細節(jié)與紋理之間的變換特征?？臻g頻率sf能夠說明了圖像在空間域的總體活躍程度，也是一種細節(jié)對比特征。ag和sf的值越大，說明融合結(jié)果越好。實驗結(jié)果：(1)實驗結(jié)果客觀評價結(jié)果如下：表1基于稀疏字典的光學與紅外圖像融合客觀質(zhì)量評價結(jié)果融合方法qwqeagsfnsct0.71730.28802.86938.1097dct_sr0.61670.22831.91956.7989k_svd_sr0.61830.21171.92966.7354s_ksvd_sr0.61430.23221.91806.6627nsct_dct0.71720.28902.87048.1130nsct_k_svd0.71910.24972.88608.1311nsct_sk_svd0.72090.29632.90648.1459從融合圖像的客觀質(zhì)量評價結(jié)果上分析：表1中本發(fā)明的方法在四項指標上均超過對比的三種方法。說明本發(fā)明方法得到的融合圖像細節(jié)信息明顯、邊緣信息豐富，并較好地保留了源圖像的邊緣信息。(2)按照所述實驗內(nèi)容的實驗結(jié)果主觀評價如下：從視覺上分析，nsct方法得到的融合圖像雖然整合了源圖像各自的清晰部分，但是整體效果不佳?；谙∈璞硎镜姆椒ǖ玫降慕Y(jié)果平滑了源圖像的邊緣與紋理，導致了部分信息的損失。相比于其他方法，本發(fā)明的方法進一步保留了源圖像的顯著特征，并將圖像中的船只與行人清晰地顯示出來。當前第1頁12