0 引言

伴随多媒体技术的不断发展，近年来红外与可见光图像的融合算法也得到快速的发展，凭借良好的多图像信息融合效果，弥补了单一波段图像信息量少的缺陷，被广泛地应用于军事、医疗等领域[1-2]。针对不同传感器所获得同一场景的图像存在的信号冗余问题，人们提出过许多融合算法。其中根据不同层次的处理方式，可以将现有的图像融合算法大致分为像素级融合算法、特征级融合算法和决策级融合算法[3-6]。像素级融合算法为特征级融合算法和决策级融合算法的基础类，该算法所生成的图像能够提供更多的信息，可以更容易地识别潜在目标。因此，一直以来都备受研究者的关注，是图像处理方面的研究热点。特征级的融合算法是通过综合处理，使算法处理的数据大量减少，其效率相比像素级高出许多；而决策级的融合算法则是对图像信号进行直接的判定并给出决策。

研究发现，目前尽管根据特征分析的融合算法很多[7-8]，但却很少能系统、全面地从红外与可见光不同信号分布的特征进行分类融合，导致融合后的图像依然存在对比度低与细节模糊等问题。本文针对这一不足，通过采用边缘检测算法进行图像的轮廓提取，而对于图像的信号域则是采用区域间相似度进行提取，在此基础上，对提取到的边缘轮廓信号进行基于能量的加权融合处理，并对提取的信号域根据图像的相关信号强度进行融合处理。来保证图像融合后边缘与背景的清晰度，同时也减少可见光图像中的干扰信号对目标信号进行干扰。

所谓过腔的依附性，首先是说没有字腔，也就没有过腔存在的必要。其次是说，既存的过腔位置必定在字腔之后，这是为了与后一个字腔相连接而存在的音调，所有的过腔都是如此，这就是过腔的依附性。

1 本文算法

根据红外与可见光图像的轮廓与区域有效信号的分布特点，本文先通过采用边缘检测算法与区域间的相似度对图像信号进行预分类。通过研究可以发现，所提取的轮廓信号与区域信号便是我们所要的，但其中包含着较多的冗余信号与干扰信号。为此，本文为了得到精确的目标图像，分别对所提取的信号进行特征性的融合处理，其方法如下所示。

1.1 边缘信号的处理

边缘轮廓的保持对于图像的融合至关重要，其直接影响到了融合后图像的视觉效果，为此，本文在传统的边缘检测算法的基础上，针对图像的融合特性，采用边缘信号的模值比对图像，进行边缘处理，其方法如下。

1.1.1 边缘信号的模值比

采用传统的边缘模糊检查算法，对图像进行边缘特征提取[9-10]，在定义尺度2j时，函数f(x, y)小波变换小波系数模与幅角表示函数如下。

对图像A与图像B的边缘信号进行边缘检测，设与为图像 A、B的边缘信号模值，Mf(x, y)为图像的边缘模值，则有；

图像A的边缘模值：

 

对于图像的区域信息，本文针对红外图像与可见光图像的融合特点，根据图像区域间的相关性[11-12]，对图像进行区域分类处理，其方法如下所示。

 

即可得边缘信号的模值比：

n=7a-b）。知道这个规律、解决相应的问题远不是这节课的目的，而这样的规律，学生自己是不是可以发现？他们是怎么发现和解决问题的？

 

1.1.2 边缘处理

为了提高算法对边缘信号的处理速度，对其进行分类，即引入判断边缘强度的阈值λ1，其中λ1∈(0, 1)；通过对检测后所得图像边缘信号的模值比进行判断，来获得融合后的边缘信号，其具体形式如下：

当λ1＜E时，可以判定当前信号为图像的边缘信号，则采用基于能量的加权融合处理；

当EA(x, y)≥EB(x, y)时，融合的小波系数：；当 EA(x, y)＜EB(x, y)时，融合的小波系数：。

其中：

 

根据图像A的能量：；

实验选取宜昌地区高坝州水电站坝肩右岸边坡(A)、清江水布垭三友坪公路边坡(B)、三峡大学信息技术楼侧边坡(C)为研究坡地，研究样地描述如表1所示，三处均为岩质边坡，均采用植被混凝土生态防护施工工艺，边坡初始条件及后期管理养护条件等无较大差异。

 

即，图像A的能量：；

式中：阈值λ1通过多次实验，将其值定义为0.65所获得的效果最为理想。

为了获得视觉特性更佳、细节更丰富的融合效果，定义R(x, y)为以图像变换系数(x, y)位置为中心领域的匹配度，其函数表达式如下：

黄酮类化合物母核中具有2-苯基色原酮结构，该类化合物种类繁多，在植物体内多与糖结合以苷的形式存在，是柳属植物主要的活性成分之一。柳属植物中共分离得到61个黄酮，其中有5种为从该属植物中分离得到的新化合物，具体化合物名称见表1[2-21]。

 

当λ1≥E时，可以判断当前信号为非边缘点时，则采用基于能量的融合算法；

1.2.6大叶芥蓝头 植株生长势较强。叶片长圆形，叶多而密，叶片厚而大，深绿色，有蜡粉。球茎扁圆形，皮青绿色，具蜡粉，皮较粗厚坚硬，肉质纤维多，主要用于加工。该品种具有晚熟、耐热、丰产、耐贮运等优点，从定植到收获约120天。单株球茎重达1～1.25公斤。

根据小波变换的区域能量计算公式：

没有规矩，不成方圆。因此，要加强实验室的制度建设，健全各项管理制度，如仪器设备的管理制度、低值易耗品的申报和管理制度、计量标准器具的使用和管理制度、鲜活材料的申报和采购制度、实验室安全规程、实验员职责等规章制度。实行规范化管理，集约管理，提高仪器使用率；本着高效节约的原则，既要保证工作人员的实验需求，又要节约实验耗材，保证各实验正常、有序、高效的进行[2]。

图像B的能量：；

则比较图像A与图像B间的能量大小进行融合，当图像A的能量大于图像B时，则边缘信息A更为显著；相反，则是图像B更为显著，其方法如下：

 

图像B的能量：；

1.2 区域信号的处理

图像B的边缘模值：

1.2.1 区域相似度

通过结合红外与可见光图像区域间的分布特性与区域间的相似度计算法，本文采用图像的平均梯度特征对区域间的相似度函数进行改进，进而更好的保存图像的有效信号，其函数如下：

本文通过计算图像的相关信号强度，反映源图像窗口中的区域信号强度特征，其函数表达式为：

 

式中：wt,A、wt,B分别表示的是红外图像A与可见光图像B中的区域小波系数；wt,A″为wt,A的均值；C1、C2为较小的常数系数。

 

当Sim(wt,A, wt,B)≥λ2时，此时区域间的相似度较大，为了在相似度较大的区间内更好地融合处理，本文根据区域信号强度进行融合处理，其方法如下：

Exclusion criteria:case reports,experts'experience,reviews,animal studies,systematic reviews,and meta-analysis were excluded.

 

式中：GA(i, j)、GB(i, j)分别为图像A与图像B在低频系数区域C（m×n）中的平均梯度，Δfx(i, j)、Δfy(i, j)分别为图像在水平方向与垂直方向上的差分值。

1.2.2 区域处理

GA(i, j)、GB(i, j)分别代表当前块的平均梯度特征值，平均梯度特征能够快速准确地描绘图像的微弱变化细节，表征图像的相对清晰程度，这一性质对于图像的融合具有较大的意义。针对红外图像与可见光图像的特性，本文对其进行了重新定义，其函数式如下：

区域相似度：

 

式中：分别为图像A与图像B在(i,j)处的细节分量；C为当前检测的区域，其大小为 m×n；P(i, j)为掩模矩阵，用于对与的线性滤波。

 

当Sim(wt,A, wt,B)＜λ2时，此时区域间的相似性较小，则采用基于能量的融合算法进行融合处理。即比较图像A与图像B间的能量大小进行融合，当图像A的能量大于图像B时，则边缘信息A更为显著；相反，则是图像B更显著；

教学评价是利用可行的评价方法和技术对教学过程及预期效果进行价值判断，是研究教师的教和学生的学的价值过程[4]。教学评价对教学活动具有引导、调控、完善作用，有利于推进教学改革，完善教学体系，提高教学质量。做好组织学与胚胎学的教学评价工作，能够及时反映出课堂教学中存在的问题，利于教师改进教学方法和学生正确认识自己的学习效果。教学中采用形成性评价与终结性评价相结合的评价方式，进行终结性评价的同时兼顾形成性评价环节，因为终结性评价只是对成绩进行最终的考核，不能有效反映出学生的真实能力，尤其是对于期末采用突击复习的学生来说，评价不够客观。

老吾老以及人之老，幼吾幼以及人之幼。这是中华民族的传统美德。一个人从他呱呱坠地的那一刻起，就开始了奇妙的人生之旅。从年少无知到青年成才，中年奋斗，再到年老退休，也不过几十年的光景。如果按现行的标准，男60周岁、女55周岁退休的话，中国显然正在以非常快的速度步入老年社会。中国是一个拥有十几亿人口的大国，一旦步入老年化社会，整个社会的养老成本将会成几何级数的增长，那给社会经济带来的压力将是十分沉重的。如果解决不好老年人的养老问题，将来不仅会带来各种各样的社会问题，而且会影响到整个国家的经济发展。所以说，养老问题即是家事更是国事。

转换为函数表达式：

 

2 仿真实验

为检验算法对红外图像与可见光图像融合处理的效果，本文采用MATLAB 2014a对算法进行仿真，通过分别选用两种不同复杂度类型的图像组进行仿真实验。其中，对比实验中采用的对比算法则是采用比较有代表性的融合算法，分别为基于小波变换的图像融合算法[13]、文献[14]算法以及文献[15]算法。

2.1 效果对比

实验一：简单烟雾测试

我心说是这么回事呀，难怪皮副乡长能到我这个老鳏夫家里来。我就对皮副乡长说，开发那是好事，可是人总得有点念想，你看咱们这里都城市化了，能不能也留点农村的景，也许我是上了年纪，我就是觉得有点农村的味道挺好。不是有都市里的乡村一说吗，为啥要盖那么多的楼，能不能留些空地长点庄稼，长点花呀草的。皮副乡长见我这样说，就打了个哈哈说，老李，今天我就谈到这里，关于开发的意义不用多说了，你瞧那些高楼看着多气派，建起生态渡假村，能带动多少人就业，能带来多少税收，这些你想过没有。

选用相对复杂度较低但存在目标遮盖的可见光与红外图像，检查算法的红外目标提取与背景去干扰效果。通过采用上述算法，得各算法融合效果图，如图1所示。

通过观察各算法的融合效果图可以看到，本文算法在红外目标提取与背景去干扰方面均优于其他算法。文献[14]算法虽然能够较好地保留可见光与红外图像的有效信号，但所得的融合效果图中，红外图像中的目标人物被烟雾所遮挡，不利于观察。文献[15]算法虽然能够较好地消除可见光的烟雾，但背景的建筑与树的融合效果并不理想。与之相比，通过采用本文算法所得的融合图像，其融合图像中的烟雾被完成去除，且红外图像中的人物目标图像被有效地提取出来了。

实验二：路人识别测试

选用背景较为复杂的红外与可见光图像，来检验算法的融合效果与背景保持度。通过采用上述几种算法，得到融合效果图，如图2所示。

  

图1 各算法融合效果图 Fig.1 Fusion effect of each algorithms

  

图2 各算法融合效果图Fig.2 Fusion effect of each algorithms

通过观察上述各算法的融合效果图可以看到，本文算法在融合效果与背景保持度依然优于其他算法。文献[14]算法所得的融合图像的背景，较大程度被红外图像所干扰。文献[15]算法虽然能够获得较好的背景融合图像，但其目标人物却与背景对比度较小，这给目标的进一步分析带来一定的难度。

2.2 数据分析

为了进一步对算法进行分析，本文选用图像的信息熵函数与平均梯度函数对融合图像进行数据分析。信息熵能够较好地衡量融合图像的整体信息，熵值越大则融合效果越好。平均梯度则能够较好地放映图像的融合清晰度，数值越大则表明融合图像越清晰。其数据如表1和表2所示。

再一次，她试图靠近他。伸出手掌贴在玻璃上，穿越一层冰冷坚硬的隔膜，抚摸他的脸，他的嘴唇。他的眼睛亮光闪闪。呵，那是味奎亭雨后的月光之下的男子面容。她跪在他身下，抬头看见他。他的脸上有温柔的怅惘，淡淡的感伤，容忍担当她对他的探索和幻觉。即吏秉烛夜游，也无法延续欢愉的幻觉，消灭虚空的破碎。他们在那一刻已彼此告别。

 

表1 实验1各算法所得数据表 Table 1 Data Tables Obtained by Experiment 1

 

 

表2 实验2各算法所得数据表Table 2 Data table obtained from experiment 2

 

通过对比上述各算法的信号熵与平均梯度值可以看到，其数值与上述所得的实验结果基本相符，本文算法所得的数据均大于其他算法。在实验一中，本文算法相比文献[14]算法与文献[15]算法，其信息熵分别提升了0.29与0.20；而平均梯度值则分别提升了1.72与0.89。这与上述目标被烟雾遮挡以及背景模糊的分析结果相符；在实验二中，本文算法相比文献[14]算法与文献[15]算法，本文算法的数值依然大于其他算法，而其中文献[15]算法的平均梯度相比文献[14]算法低了 0.37，这与文献[15]算法目标与背景对比度较小有关。该现象在下面图3与图4中各实验中目标局部放大图中可以进一步得到验证。

  

图3 目标局部放大图 Fig.3 Local multiplied images of the target

  

图4 目标局部放大图 Fig.3 Local multiplied images of the target

3 结束语

提出了一种基于图像信号特征分布的红外与可见光图像融合算法，该算法首先根据边缘检查算法与区域相关特性函数，将图像信号进行边缘轮廓与信号域的分类；然后根据边缘轮廓与信号域将不同的有效信息分布特点进行再分类处理；最后将提取出来的图像特征进行融合处理；经实验，其实验结果与预期效果基本相符，能够获得清晰背景与凸显目标的同时，降低可见光图像中的干扰信号。但算法在处理效率方面依然存在较大的改善空间，这将作为以后的研究重点进一步对其进行研究。

参考文献：

[1]Raza SEA, Sanchez V, Prince G,etc. Registration of thermal and visible light images of diseased plants using silhouette extraction in the wavelet domain[J]. Pattern Recognition. 2015, 48(7): 2119-2128.

[2]Sissinto P, Ladeji-Osias J. Bio-empirical mode decomposition: visible and infrared fusion using biologically inspired empirical mode decomposition[J]. Optical Engineering, 2013, 52(7): 110-117.

[3]CUI GM, FENG HJ, Xu ZH,etc. Detail preserved fusion of visible and infrared images using regional saliency extraction and multi-scale image decomposition[J]. Optics Communications, 2015, 341: 199-209.

[4]XIANG TZ, YAN L, GAO RR. A fusion algorithm for infrared and visible images based on adaptive dual-channel unit-linking PCNN in NSCT domain[J]. Infrared Physics & Technology. 2015, 69: 53-61.

[5]LU Y, WANG FX, LUO XY, et al. Novel infrared and visible image fusion method based on independent component analysis[J]. Frontiers of Computer Science, 2014, 8(2): 243-254.

[6]SHEN Y, DANG JW, FENG X, et al. Infrared and and Visible Images Fusion Based on Tetrolet Transform[J]. Spectroscopy & Spectral Analysis, 2013, 33(6): 1506-1511.

[7]WANG J, PENG JY, FENG XY, et al. method for infrared and visible images by using non-negative sparse representation[J]. Infrared Physics& Technology, 2014, 67: 477-489.

[8]YAN X, QIN HL, LI J, et al. Infrared and visible image fusion using multiscale directional nonlocal means filter[J]. Applied Optics. 2015,54(13): 4299-4308.

[9]CUI GM, FENG HJ, XU ZH, et al. Detail preserved fusion of visible and infrared images using regional saliency extraction and multi-scale image decomposition[J]. Optics Communications, 2015, 341: 199-209.

[10]袁修贵, 龚正, 孟正中. 基于边缘方向性的小波边缘检测算法[J]. 计算机工程与科学, 2010, 32(3): 49-51.YUAN Xiugui, GONG Zheng, MENG Zhengzhong. Wavelet edge detection algorithm based on edge directionality[J]. Computer Engineering and Science, 2010, 32(3): 49-51.

[11]CHEN Y, XIONG J, LIU HL, et al. Fusion method of infrared and visible images based on neighborhood characteristic and regionalization in NSCT domain[J]. OPTIK, 2014, 125(7): 4980-4984.

[12]CHEN Y, XIONG J, LIU HL, et al. Fusion method of infrared and visible images based on neighborhood characteristic and regionalization in NSCT domain[J]. Optik - International Journal for Light and Electron Optics, 2014, 125(17): 4980-4984.

[13]Shah P, Merchant SN, Desai UB. Fusion of Surveillance Images In Infrared And Visible Band Using Curvelet, Wavelet And Wavelet Packet Transform[J]. International Journal of Wavelets Multiresolution and Information Processing, 2010, 8(2): 271-292.

[14]YANG X H, JIN H Y, JIAO L C. Adaptive image fusion algorithm for infrared and visible light images based on DT-CWT[J]. Journal Of Infrared And Millimeter Waves, 2007, 26(6): 419-424

[15]BAI X Z, CHEN X W, ZHOU F G, et al. Multiscale top-hat selection transform based infrared and visual image fusion with emphasis on extracting regions of interest[J]. Infrared Physics & Technology. 2013,60: 81-93.