文献综述
- 引言
图像融合是分析和处理图像的重要内容，其目的是将不同传感器获得的同一目标的图像信息融合成一幅新的图像。由于不同的图像传感器具有不同的成像特点，通过分析多源图像各自的特点，将具有互补性的图像信息融合起来，就能丰富图像信息，提高清晰度，增强人对场景的直观理解或机器对环境的感知识别[1]。
红外图像和可见光图像的融合是当前图像融合的热门研究领域。红外成像基于物体自身的红外热辐射分布成像，不依赖于环境光线，抗干扰能力强，在弱光条件下有很好的发挥。但由于其热辐射成像性质，获取的图像对比度和分辨率较低，丢失了很多细节信息[2]。可见光成像基于物体对于可见光的不同反射成像，图像易受环境光照的影响，但图像通常具有较高的对比度、分辨率和丰富的边缘纹理等细节信息。因此红外和可见光的图像融合能够有效提高对于目标的识别能力。
图像融合一般分为像素级、特征级、决策级三种不同的处理层次。
特征级融合运用形态学提取图像的特征信息，然后按照一定融合规律对特征和背景分别融合。典型的方法是hat运算及top-hat运算[3]。
决策级融合是在特征提取的基础上，通过一系列的判定和决策协调出全局最优的结果，是一种基于认知模型的方法。
像素级融合直接对图像像素进行分析处理，很大程度上保留了原图像信息。最为典型的像素级融合方法是多尺度变换（MST）[4]。
1.1基于稀疏表示的融合算法
稀疏表示是Olshausen和Field在1996年提出的，他们认为每幅图像都可以看成多个基函数的线性组合，这些基函数可以经过多幅图像的训练估计出来。稀疏表示利用过完备字典的冗余性捕捉图像的各种结构特征，有效对图像进行表示。信号的稀疏表示模型可以将信号表示为过完备字典中少数原子的线性组合，通过少数的原子反映信号的主要特征[5]。
模型求解常用的方法有基追踪(BP)算法、匹配追踪 (MP)算法、正交匹配追踪(OMP)算法等，其中，OMP算法克服了 BP算法复杂度高和MP算法原子之间不正交的问题，具有较高的计算效率，而且能达到最优收敛[6]。
