一、核心方法代码
1. 加权平均法（Weighted Average Fusion）
原理：通过调整红外与可见光图像的权重系数，生成融合图像。
代码：
function fused = weighted_average_fusion(vis_img, ir_img, alpha)% 转换为灰度图vis_gray = rgb2gray(vis_img);ir_gray = rgb2gray(ir_img);% 加权融合fused = alpha * double(ir_gray) + (1 - alpha) * double(vis_gray);fused = uint8(clamp(fused, 0, 255));
end% 示例调用
vis_img = imread('visible.jpg');
ir_img = imread('infrared.jpg');
alpha = 0.6; % 红外权重
fused_img = weighted_average_fusion(vis_img, ir_img, alpha);
imshow(fused_img);
特点：简单快速，适合初步融合。
2. 小波变换融合（Wavelet Transform Fusion）
原理：利用小波分解将图像分为低频和高频分量，分别融合。
代码：
function fused = wavelet_fusion(vis_img, ir_img, wavelet)% 小波分解[c_vis, s_vis] = wavedec2(im2double(vis_img), 3, wavelet);[c_ir, s_ir] = wavedec2(im2double(ir_img), 3, wavelet);% 低频取平均，高频取绝对值最大c_low = (c_vis(1,:) + c_ir(1,:)) / 2;c_high = cell(1,3);for i = 1:3c_high{i} = max(abs(c_vis(i+1,:)), abs(c_ir(i+1,:)));end% 重构图像fused = waverec2([c_low; c_high], s_vis, wavelet);fused = uint8(clamp(fused, 0, 255));
end% 示例调用
wavelet = 'db4'; % Daubechies小波
fused_img = wavelet_fusion(vis_img, ir_img, wavelet);
imshow(fused_img);
特点：保留细节能力强，适合复杂场景。
3. 主成分分析（PCA）融合
原理：通过PCA降维提取主要特征，融合后重建。
代码：
function fused = pca_fusion(vis_img, ir_img)% 转换为灰度图并展平vis_gray = im2double(rgb2gray(vis_img));ir_gray = im2double(rgb2gray(ir_img));data = [vis_gray(:), ir_gray(:)];% PCA降维[coeff, score, ~] = pca(data);fused_data = score(:,1) * coeff(:,1)';fused = reshape(fused_data, size(vis_gray));fused = uint8(clamp(fused, 0, 255));
end% 示例调用
fused_img = pca_fusion(vis_img, ir_img);
imshow(fused_img);
特点：保留主要信息，适合高维数据。
4. 拉普拉斯金字塔融合（Laplacian Pyramid Fusion）
原理：构建图像金字塔，在每层进行特征融合。
代码：
function fused = laplacian_pyramid_fusion(vis_img, ir_img, levels)% 构建高斯金字塔G_vis = cell(levels,1);G_ir = cell(levels,1);G_vis{1} = im2double(vis_img);G_ir{1} = im2double(ir_img);for l = 2:levelsG_vis{l} = imresize(imfilter(G_vis{l-1}, fspecial('gaussian', [5 5], 1)), 0.5);G_ir{l} = imresize(imfilter(G_ir{l-1}, fspecial('gaussian', [5 5], 1)), 0.5);end% 构建拉普拉斯金字塔LP_vis = cell(levels,1);LP_ir = cell(levels,1);for l = levels:-1:1if l == levelsLP_vis{l} = G_vis{l};LP_ir{l} = G_ir{l};elseup_vis = imresize(G_vis{l+1}, size(G_vis{l}));up_ir = imresize(G_ir{l+1}, size(G_ir{l}));LP_vis{l} = G_vis{l} - up_vis;LP_ir{l} = G_ir{l} - up_ir;endend% 融合规则：绝对值最大LP_fused = cell(levels,1);for l = 1:levelsmask = abs(LP_vis{l}) > abs(LP_ir{l});LP_fused{l} = mask .* LP_vis{l} + ~mask .* LP_ir{l};end% 重构图像fused = LP_fused{1};for l = 2:levelsfused = imresize(fused, size(LP_fused{l})) + LP_fused{l};endfused = uint8(clamp(fused, 0, 255));
end% 示例调用
levels = 4;
fused_img = laplacian_pyramid_fusion(vis_img, ir_img, levels);
imshow(fused_img);
特点：多尺度融合，细节保留更优。
二、进阶方法代码
5. 导向滤波融合（Guided Filter Fusion）
原理：利用可见光图像作为引导图，保留其结构信息。
代码：
function fused = guided_filter_fusion(vis_img, ir_img, radius, eps)% 转换为灰度图vis_gray = rgb2gray(vis_img);ir_gray = rgb2gray(ir_img);% 导向滤波fused = imguidedfilter(double(vis_gray), double(ir_gray), radius, eps);fused = uint8(clamp(fused, 0, 255));
end% 示例调用
radius = 15;
eps = 0.01;
fused_img = guided_filter_fusion(vis_img, ir_img, radius, eps);
imshow(fused_img);
特点：保持边缘清晰，抑制噪声。
6. 显著性检测引导融合（Significance-Guided Fusion）
原理：基于显著性检测提取重要区域，增强目标对比度。
代码：
function fused = saliency_guided_fusion(vis_img, ir_img)% 转换为灰度图vis_gray = rgb2gray(vis_img);ir_gray = rgb2gray(ir_img);% 显著性检测（基于局部对比度）saliency_vis = local_contrast(vis_gray);saliency_ir = local_contrast(ir_gray);% 融合权重weight_vis = saliency_vis ./ (saliency_vis + saliency_ir + eps);weight_ir = 1 - weight_vis;% 加权融合fused = im2uint8(weight_vis .* double(vis_gray) + weight_ir .* double(ir_gray));
endfunction saliency = local_contrast(img)% 计算局部对比度kernel = fspecial('gaussian', [5 5], 1);smooth = imfilter(img, kernel, 'same');saliency = abs(img - smooth);
end% 示例调用
fused_img = saliency_guided_fusion(vis_img, ir_img);
imshow(fused_img);
特点：突出目标区域，抑制背景噪声。
参考代码 用于进行红外、可见光的图像融合的代码 www.youwenfan.com/contentcnq/52438.html
三、应用场景与选择建议
| 方法 | 适用场景 | 优势 | 局限性 |
|---|---|---|---|
| 加权平均法 | 实时处理、简单场景 | 计算快，实现简单 | 细节丢失明显 |
| 小波变换 | 多尺度特征保留 | 细节丰富，抗噪性好 | 分解层数影响性能 |
| PCA | 高维数据压缩 | 保留主要信息 | 依赖数据分布 |
| 拉普拉斯金字塔 | 高分辨率融合 | 多尺度细节保留 | 计算复杂度高 |
| 导向滤波 | 结构保持 | 边缘清晰，噪声抑制 | 需调整参数 |
| 显著性检测 | 目标突出 | 增强关键区域 | 显著性图质量依赖算法 |
四、扩展与优化方向
-
多传感器融合：结合雷达、激光雷达数据，提升目标识别能力。
-
深度学习辅助：使用卷积神经网络（CNN）自动学习融合规则。
-
硬件加速：利用GPU并行计算加速分解与重构过程。
参考文献：
基于PCA与NSST的红外与可见光图像融合
双树复小波变换在图像融合中的应用
小波变换与TMSST融合方法
多尺度分解与自适应权重优化
交叉双边滤波器融合
显著性检测引导的双尺度融合
对比度增强与多尺度边缘保持分解
基于显著性检测的融合方法