融合频率信息与大气散射模型的高质量红外与可见光图像融合

目的红外与可见光图像融合（infrared and visible image fusion，IVIF）旨在融合多源图像中的互补信息，生成包含丰富纹理细节和明显热辐射特征的融合图像。然而，现有的融合方法未能充分考虑大气传输过程中的光能损失和散射效应，这对图像质量产生了不利影响，尤其是在光照变化显著的复杂场景中。方法为克服这一问题，提出一种创新的IVIF框架，将大气散射物理模型与频域特征组件相结合，精确预测并估计大气散射模型中的关键物理参数——传输图和大气光。通过这一框架，增强可见光图像，减轻散射和能量衰减的影响。此外，结合傅里叶变换与空间通道注意力机制，选择性地增强频域中的幅度和相位特征，有效提升融合图像的纹理保真度和细节表现。结果在RoadScene、TNO（TNO multiband image data collection）、M3FD（multi-modal fusion face detection）和VT5000（RGB-T salient object detection dataset VT5000） 4个公开数据集以及1个极端场景有雾数据集AWMM-100K（all-weather multi-modality image fusion 100K benchmark）上的实验评估显示，本文方法在复杂场景中的融合效果优于现有方法，融合图像具有清晰的目标轮廓和高视觉质量。在定量评估中，与其他深度学习方法相比，本文方法在信息熵、标准差、空间频率、平均梯度、峰值信噪比和相关系数6项指标上均值分别提升7.44%、44.22%、97.89%、91.01%、59.15%和83.68%，表明该方法在目标检测等高层次视觉任务中具有显著优势。结论本研究将传统大气散射模型引入IVIF领域，并结合傅里叶变换与空间通道注意力机制，提升了图像融合的精度和细节保真度，具有重要的实际应用价值。该方法能够有效减轻大气散射带来的负面影响，提升图像质量，适用于复杂动态环境中的实际应用，如目标识别、自动驾驶、遥感监测和安防监控等任务，在实际应用中展现出强大的潜力。