Infrared and Visible Image Fusion Based on Multi-Scale Contrast Enhancement and Cross-Dimensional Interactive Attention Mechanism
-
摘要:
针对目前红外与可见光图像融合存在特征提取不足、融合图像目标区域不显著、细节信息缺失等问题，提出了一种多尺度对比度增强和跨维度交互注意力机制的红外与可见光图像融合方法。首先，设计了多尺度对比度增强模块，以增强目标区域强度信息利于互补信息的融合；其次，采用密集连接块进行特征提取，减少信息损失最大限度利用信息；接着，设计了一种跨维度交互注意力机制，有助于捕捉关键信息，从而提升网络性能；最后，设计了从融合图像到源图像的分解网络使融合图像包含更多的场景细节和更丰富的纹理细节。在TNO数据集上对提出的融合框架进行了评估实验，实验结果表明本文方法所得融合图像目标区域显著，细节纹理丰富，具有更优的融合性能和更强的泛化能力，主观性能和客观评价优于其他对比方法。
-
关键词:
- 红外与可见光图像融合 /
- 多尺度对比度增强 /
- 跨模态交互注意力机制 /
- 分解网络
Abstract:Addressing the issues of inadequate feature extraction, lack of saliency in fused image regions, and missing detailed information in infrared-visible image fusion, this paper proposes a method for infrared-visible image fusion based on multi-scale contrast enhancement and a cross-modal interactive attention mechanism. The main components of the proposed method are as follows. 1) Multi-scale contrast enhancement module: Designed to strengthen the intensity information of target regions, facilitating the fusion of complementary information from both infrared and visible images. 2) Dense connection block: Employed for feature extraction to minimize information loss and maximize information utilization. 3) Cross-modal interactive attention mechanism: Developed to capture crucial information from both modalities and enhance the performance of the network. 4) Decomposition network: Designed to decompose the fused image back into source images, incorporating more scene details and richer texture information into the fused image. The proposed fusion framework was experimentally evaluated on the TNO dataset. The results show that the fused images obtained by this method feature significant target regions, rich detailed textures, better fusion performance, and stronger generalization ability. Additionally, the proposed method outperforms other compared algorithms in both subjective performance and objective evaluation.
-
0. 引言
光电探测电路是激光模拟实兵对抗系统的重要组成部分，基于光电效应原理，实现光电转换与信号处理[1-2]。在设计中，高灵敏度、低噪声、低失真和高增益需要重点考虑，其接收灵敏度与信噪比对系统的性能具有重要影响[3]。而电路的噪声是影响信噪比的主要因素，探测器在进行光电信号转换过程中会伴随着噪声电流（电压）的存在，经放大电路放大，噪声也随之放大，从而严重影响光电探测器的效率[4-6]。
当射击距离较长，激光脉冲信号到达光电探测器时变得微弱，甚至被噪声完全埋没，从而使得探测器对光信号的探测本领受到限制。因此有效抑制环境光产生的噪声干扰成为光电探测电路设计中一个非常重要的挑战[7-8]。系统保持接收信号强度稳定是实现高通信速率、低误码率的必要条件[9-10]。为了确保输出信号稳定，方便后续处理，需要信号处理电路能够相应的改变放大器增益，提高信噪比与对微弱信号检测的能力[11-14]。
Li等人[15]利用对数放大器和积分放大器的功能，有效地提取信号，设计了一种微弱光信号检测系统。He等人[16]基于LabVIEW设计了一种微弱光电信号采集与处理系统。Wu等人[17]提出了一种锁相放大技术来检测微弱信号，具有一定应用价值。
实兵交战系统中的光电探测属于微弱信号探测领域，所需放大倍数高，对电路低噪声要求高。为解决环境光以及噪声对系统探测性能的影响，本研究基于信号差分和自动增益控制原理设计了一种性能优良的光电探测电路。采用对称跨阻放大回路结构消除暗电流噪声与环境光引起的直流偏移；通过自动增益控制电路对信号进行自适应放大，使信号幅值在正常范围内保持稳定，提高信号采集效率；采用多次滤波的方式去除信号的直流分量并能够较好地抑制背景噪声；借助主控芯片的ADC模块对信号进行采集，提取信号中的信息。
1. 方案设计
在激光模拟实兵对抗系统中，光电探测器采用光伏特性PIN光电二极管，为准确获取激光传递的信息，需设计与之相匹配的检测电路，达到信号高效检测的目的[18-20]。整体结构如图 1所示，首先，光电探测器接收激光信号，并将其转换为电流信号，通过跨阻放大器将光电探测器输出的电流信号转换为电压信号同时进行放大；其次，为了扩大系统增益，在跨阻放大电路后增加一级放大电路对信号进行放大；随后将放大后的电压信号接入带通滤波电路进行降噪；最后，经单片机将带通滤波电路输出的模拟信号转换为数字信号做采样处理。
![]()
图 1 光电探测电路系统总体结构Figure 1. Overall structure of the photoelectric detection circuit system为消除光电探测器的暗电流噪声与环境光引起的直流偏移，系统采用两路对称的跨阻放大器，一路接光电探测器正极，另一路接光电探测器负极，将两路信号通过差分放大电路进行叠加得到脉冲电压信号，从而实现对光电探测器噪声与跨阻放大器噪声抑制；采用自动增益控制（automatic gain control，AGC）电路解决由于射击距离不同导致接收到信号强弱不一致的问题，在输入信号幅值变化很大的情况下，使输出信号仅在较小范围内变化，保证了信号输出的稳定性；采用带通滤波器可以滤除所需频率范围之外的干扰，提高信噪比。
2. 光电探测器选型
光电探测器的探测模式主要有两种，光电导模式和光伏模式。光电导式需外加偏置电压，适合于高速光电转换的应用。光电压式存在入射光时才会产生光电流，适合精确测量[21-22]。本文采用光伏式，可有效降低噪声的影响，从而实现对微弱信号的精确探测。光电探测器是根据光电转换定律将光辐射量转化为光电流量。其光电转化模型如下：
$$ i(t)=\frac{e \eta}{h \nu} P(t) $$ (1) 式中；i(t)为产生的光电流；P(t)为光功率；hν为光子能量；η为探测器量子效率；e是电子电荷；可以看出，光电流主要受光功率与探测器的量子效率的影响，当探测器确定时，探测器的量子效率是一个常值，故光电流只与光功率有关。
不同光电探测器性能不同，因此选择一个合适的光电探测器是实现光电检测的前提[23]。光电探测器选型要充分考虑灵敏度、光谱利用率系数、频率等，同时还应考虑无规则噪声的影响。这里选用深圳市诚强光电数码有限公司生产的CHQ0038L型PIN光电探测器接收激光信号并实现光电转化。该光电探测器具有接收角度宽、距离长、可靠性高、抗干扰能力强、光功率转化效率显著的特点。对噪声或干扰信号引起的杂散输出脉冲具有一定的抑制作用。其性能参数如表 1所示。
表 1 光电探测器性能参数Table 1. Performance parameters of photoelectric detectorType CHQ0038L Spectral response/nm 500-1100 Central wavelength λp/nm 960 Short circuit current/μA 63 Dark current/nA 1 Operating voltage/V 2.7-5.5 Sensitivity@980 nm /(A/W) 0.59 Angle of arrival/° ±45 3. 光电探测电路设计
由于激光在传输过程中受环境天气等各种因素影响，能量在大气中的衰减严重，此时光电探测器接收到的光功率微弱，容易受其他信号的干扰[24-26]。因此，设计合理的信号处理电路，选择匹配的电气参数是提高电路抗干扰能力与稳定性的关键[27-29]。
3.1 前置放大电路设计
为使光电探测器的输出信号易于检测，首先需要考虑如何将光电探测器输出的电流信号转换为易于检测的电压信号。这里采用TI公司生产的OPA380型运算放大器实现光电信号的I-V转换，该放大器具有低噪声、低偏置电流和高速特性，是宽带跨阻抗和电压放大器应用的理想解决方案，其电路如图 2所示。
该前置放大电路由3部分构成，分别是前面两个对称的跨阻放大电路和将两个跨阻放大电路信号进行叠加的差值电路。两个跨阻放大电路的输出通过积分器反馈给正输入端，可有效补偿由于太阳光或其他外部光源引起的直流输出偏移。采用差分配置更好地抑制由于耦合干扰引起的噪声，抵消共模干扰信号，达到提高电路信噪比与探测精度的目的。
为了补偿光电二极管的内部结电容带来的振荡问题以及RC滤波后导致的相位迟滞问题，电路采用补偿电容C3，C18与反馈电阻R并联用于滤除信号中的高频噪声以防止电路自激振荡。电路中并联两个相反方向的肖特基二极管D1, D2改变跨阻放大器不同方向的反馈量，起到施密特效果。为了提高电路的灵敏度，降低噪声，反馈电阻采用T型网络布局，通过减小寄生电容来实现更大的跨阻增益。
3.2 自动增益控制电路
系统为了扩展入射光强的范围，在前置放大电路后加入自动增益控制电路，使电路增益随信号强弱自适应调整，放大电路输出信号经滤波器滤除截止频率为33 kHz的低频调制分量和噪声后，产生用以控制增益受控放大器的电压。使得在射击距离近，激光能量强时，放大电路增益减小；射击距离远，激光能量弱时，放大电路增益增大。始终将信号保持在0.5~5 V之间，便于后续采集与处理。STC15F2K60S2主控芯片通过脉冲峰值的大小来判断放大电路的增益是否处于合适档位，继而控制放大电路改变增益，从而实现自增益控制。
电路选用TI公司的一款可变增益芯片VCA810，这是一款高增益，可调范围宽带的压控放大器，具有很好的带宽和噪声特性，是精密AGC应用的理想选择，电路如图 3所示。AGC的环路部分采用OPA820作为电压比较器，AD8307用于幅值检测构成对数检波环路。比较器将VCA810输出与DAC输入的电压进行比较，输出线性电压，经过电容滤除直流分量再输入至AD8307检波环路，对VCA810增益进行自动控制。电压比较模块中电阻R7避免高频时产生的自激震荡，电容C15作为相位补偿构成AGC反馈回路。当输入信号小的时候提高VCA810的增益，在信号大的时候降低增益，但不改变响应的基本对数性质。其增益与控制电压的关系可表示为：
$$ G_{\mathrm{dB}}=-40 \times\left(V_{\mathrm{c}}+1\right) $$ (2) 式中：Vc为检波器AD8307的输出电压，通过单片机控制电压Vc从－2~0 V变化，从而改变放大器增益GdB在－40~40 dB范围内线性变化。当VCA810的输出大于DAC输入引脚的电压时，OPA820输出正向摆动，电压保持电容上的电压随之上升，VCA810的增益控制引脚电压随之上升，从而降低VCA810的增益。当VCA810的输出小于DAC输入引脚的电压时，OPA820输出负向摆动，VCA810的增益控制引脚电压随之下降，从而升高VCA810的增益。由此种负反馈机制的电路，完成了自动增益控制功能，以满足信号处理对距离衰减效应的补偿的要求，保持很好的线性输出。
3.3 选频滤波电路设计
系统信号中心频率为38 kHz，低于或高于这个频率都会对信号产生影响，为了提高信噪比消除噪声的干扰，这里对信号进行选频滤波使得信号的质量更佳。其电路如图 4所示，采用双运放LM324芯片组成多路反馈拓扑结构的四阶巴特沃斯带通滤波电路滤除通频带以外的噪声信号，方便后续对信号进行采集处理。
确定选频滤波电路中心频率为38 kHz，增益为0 dB，经仿真软件TINA-TI对信号与噪声进行分析可知通频带Δf越小，电路的输出噪声越小。但减小通频带，会影响信号的波形。综合考虑这两方面因素，最终确定滤波电路－3 dB通频带带宽为10 kHz，取C1＝C2＝C3＝C4＝C＝10 nF。根据文献[30]计算得到元器件R1, R2, R3, R4, R5, R6的值。确定好各元器件参数后仿真得到带通滤波电路的频率响应曲线如图 5所示，结果显示该滤波器在38 kHz附近增益曲线平坦，滤波效果优良，性能稳定，能够很好地保持信号波形，抑制噪声。
3.4 控制电路设计
整个激光模拟对抗光电探测系统采用STC公司的STC15F2K60S2型号单片机作为控制单元，具有高速、高可靠、低功耗、超强抗干扰等优点。通过单片机内置的A/D转换模块把检测到的模拟信号转换为计算机能够识别的数字量，并通过高低电平时间的长短对信号进行解码获得激光传输的信息，然后通过D/A转换变为电压或电流信号，驱动执行元件。
3.5 软件设计
主控芯片STC15F2K60S2的控制程序采用keil uVision5软件编写实现，系统程序采用C语言编写。单片机控制部分主要包括系统初始化、信号采集、DA输出、与上位机通信等，主要流程如图 6所示。
系统在运行前初始化，比较输入信号幅值的强弱来确定DA输出的电压值，进一步对自动增益控制环路的增益进行控制，保证输入单片机的信号幅值在规定范围内，便于对信号进行采集。将采集到的信号经过A/D转换之后进行解码获得信号传输的信息，将信息经D/A转化为电压信号驱动执行元件响应。
4. 实验结果与分析
在完成各个子模块的设计后，为提高实验结果的准确性与说服力，信号处理模块采用PCB来实现，所设计的PCB如图 7(a)所示，将设计好的PCB进行制板焊接搭建实验平台，如图 7(c)所示。图 7(b)为激光发射端实物图，所采用的激光波长为980 nm。
![]()
图 7 实验平台。(a)信号处理模块PCB图，(b)发射端实物图，(c)实验平台实物图Figure 7. Experiment platform. (a) Signal processing module PCB diagram, (b) Transmitter diagram, (c) Experimental platform physical map为了验证激光接收电路对接收信号的处理效果，对电路性能进行实验分析，图 8为电路的波形图，其中图 8(a)为本研究输入输出波形，图 8(b)为传统系统输入输出波形。由图 8(a)看到输入输出波形具有很好的保持，说明系统性能稳定可靠。对比图 8(a), (b)电路优化前后系统噪声抑制效果明显，输出信号稳定，误码率降低30%，信号的传输效果得到改善。
![]()
图 8 波形图(a)本系统输入输出波形，(b)传统系统输入输出波形Figure 8. Waveform (a) Input and output waveform of this system, (b) Input and output waveform of traditional system理想情况下，增益自适应控制电路输出信号的幅度应在不同输入信号强度下保持不变。为了验证电路增益的自适应性能，通过改变激光管的驱动电压（或是改变发射与接收端之间的距离）观察输出波形，并测量光电接收电路输出信号幅值，与无自动增益光电检测电路进行对比如图 9所示。从图上可以看到移动距离在1~10 m范围内，采用固定增益，不同移动距离下输出信号的幅度变化很大，且存在距离过小输出信号饱和，距离过大输出信号弱，从而导致后续信号处理时高低电平出现误判的现象。而采用增益自适应控制电路输出信号幅度基本保持恒定，可有效解决固定增益存在的信号误判问题。
![]()
图 9 移动距离与输出电压幅度关系Figure 9. Relationship between moving distance and output voltage amplitude利用TINA-TI仿真测试光电探测电路在增益最大时的频率特性曲线如图 10所示，可以看出电路在38 kHz频率附近曲线平坦，说明在此范围内电路性能稳定。幅频特性曲线的通频带增益大小与输入信号强度有关，但是其曲线形状、上限截止频率却与信号强弱无关，输入信号越弱，幅频特性曲线增益越大。
由于整个光电探测电路中光电探测器和前置放大电路的噪声影响比较大，为了验证前置放大电路的降噪效果，采用TINA-TI软件对前置放大电路进行仿真分析，得到该电路与传统前置放大电路的输出噪声曲线与信噪比曲线如图 11、12所示，可以看到在频率为38 kHz处电路噪声为3.46 μV，信噪比为109 dB，相较于传统前置放大电路输出噪声降低效果显著，系统噪声得到明显抑制，纹波干扰得到消除，电路信噪比得到提高，方便信号的进一步处理，对微弱信号的探测性能得到提升。
为验证电路的选频滤波效果，通过TINA-TI软件的扫频功能改变输入信号的频率，测得电路在不同频率下的输出特性曲线如图 13所示，从图中可以看到频率越接近中心频率38 kHz，其波形保持的越完整，证明该电路具有很好的选频滤波效果，可有效滤除低频与高频噪声，保证信号的输出质量。
5. 结论
本文依据信号叠加原理与自动增益控制理论设计并实现了一种增益自适应光电探测电路，采用两个对称的跨阻放大电路叠加的结构，有效抑制了系统噪声与暗电流，采用自动增益控制电路对信号进行放大，避免因距离太近导致信号饱和，实现对光电信号的高增益、低噪声放大。通过实验分析与TINA-TI仿真结果表明：系统可实现对激光脉冲信号进行采集、转换和放大，设计能够保证输出信号幅值基本稳定在2 V左右，提高探测系统的信噪比，具有良好的稳定性和噪声抑制效果，电路的最低噪声为3.46 μV，信噪比为109 dB。探测能力得到大幅提升，满足实际应用需求，为光电检测技术的研究提供了参考。下一步设想在激光模拟实兵对抗系统中得到应用。
-
![]()
图 1 多尺度对比度增强和跨维度交互注意力机制网络整体框架
Figure 1. Overall network framework of multi-scale contrast enhancement and cross-dimensional interactive attention mechanisms
![]()
图 9 不同方法的7种客观指标对比
Figure 9. Comparison of 7 objective metrics for different algorithms
表 1 10组场景消融实验客观评价指标均值
Table 1 Mean values of objective evaluation indexes in 10 groups of ablation experiment scenes
Experiments Index AG SF QAB/F Experiment 1 3.8619 16.9474 0.3435 Experiment 2 5.2188 19.4560 0.4054 Experiment 3 5.0563 18.0114 0.4096 Experiment 4 3.9564 17.5561 0.3078 Proposed 5.4976 19.7360 0.4288 
下载: 导出CSV
表 2 6组图像的客观评价指标均值
Table 2 Mean value of objective evaluation index for 6 groups of images
Methods Evaluation indicators AG EN CC MS-SSIM SD VIFF SF ResNet 3.5661 5.9922 0.5708 0.8681 4.3923 0.2375 9.2758 Nest Fusion 5.8888 6.9124 0.5982 0.8529 6.3274 0.4076 16.8701 IVIFBF 4.3408 6.1802 0.6755 0.8676 4.7672 0.1780 11.2212 AUIF 6.2377 6.6338 0.6576 0.9201 5.7228 0.5296 17.1550 RFN-Nest 4.2341 6.9792 0.6744 0.9177 6.1445 0.5784 11.4769 FL fusion 3.3678 5.9282 0.4349 0.7823 4.2301 0.2926 9.1551 CCFL 6.1237 6.7197 0.4392 0.8857 5.6265 0.3542 16.9962 PIAF 5.6041 6.6416 0.6891 0.8681 5.7763 0.6056 15.4443 Proposed 7.3095 6.8959 0.7972 0.9207 6.0486 0.6501 20.2498
下载: 导出CSV
表 3 20组图像不同方法的平均运行时间
Table 3 Average running time of different algorithms for 20 sets of images
Methods ResNet NestFuse IVIFBF AUIF RFN-Nest FL fusion CCFL PIAF Proposed Time/s 0.1845 0.2512 0.4121 1.1456 0.1789 1.2514 0.6584 0.2816 0.1245 Calculated amount /GFLOPs 2.8741 3.2456 3.8970 4.1257 3.4578 4.2125 3.8974 3.2141 3.1242
下载: 导出CSV
-
[1] 唐霖峰, 张浩, 徐涵, 等. 基于深度学习的图像融合方法综述[J]. 中国图象图形学报, 2023, 28(1): 3-36. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGTB202301002.htm TANG Linfeng, ZHANG Hao, XU Han, et al. A review of image fusion methods based on deep learning[J]. Journal of Image and Graphics, 2023, 28(1): 3-36. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGTB202301002.htm
[2] SUN Haijiang, LIU Qiaoyuan, WANG Jiacheng, et al. Fusion of infrared and visible images for remote detection of low-altitude slow-speed small targets[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 2971-2983.
[3] SHUAI Xincheng, JING Zhongliang, TUO Hongya. SAFuseNet: integration of fusion and detection for infrared and visible images[J]. Aerospace Systems, 2022, 5(4): 655-661.
[4] LI H, WU X J. CrossFuse: A novel cross attention mechanism based infrared and visible image fusion approach[J]. Information Fusion, 2024, 103: 102147.
[5] ZHOU Tao, LI Qi, LU Huiling, et al. GAN review: models and medical image fusion applications[J]. Information Fusion, 2023, 91: 134-148. DOI: 10.1016/j.inffus.2022.10.017
[6] HU Ke, SUN Wenhao, NIE Zhongbo, et al. Real-time infrared small target detection network and accelerator design[J]. Integration, 2022, 87: 241-252. DOI: 10.1016/j.vlsi.2022.07.008
[7] 孙彬, 诸葛吴为, 高云翔, 等. 基于潜在低秩表示的红外和可见光图像融合[J]. 红外技术, 2022, 44(8): 853-862. http://hwjs.nvir.cn/cn/article/id/7fc3a60d-61bb-454f-ad00-e925eeb54576 SUN Bin, ZHUGE Wuwei, GAO Yunxiang, et al. Infrared and visible image fusion based on potential low-rank representation[J]. Infrared Technology, 2022, 44(8): 853-862. http://hwjs.nvir.cn/cn/article/id/7fc3a60d-61bb-454f-ad00-e925eeb54576
[8] TAN W, ZHOU H, SONG J, et al. Infrared and visible image perceptive fusion through multi-level Gaussian curvature filtering image decomposition[J]. Applied Optics, 2019, 58(12): 3064-3073.
[9] Archana R, Jeevaraj P S E. Deep learning models for digital image processing: a review[J]. Artificial Intelligence Review, 2024, 57(1): 11. DOI: 10.1007/s10462-023-10631-z
[10] WANG Chang, WU Yang, YU Yi, et al. Joint patch clustering-based adaptive dictionary and sparse representation for multi-modality image fusion[J]. Machine Vision and Applications, 2022, 33(5): 69. DOI: 10.1007/s00138-022-01322-w
[11] CHEN Yudan, WANG Yuanbo, HUANG Fuyu, et al. Infrared and Visible Images Fusion base on Wavelet Transform[J]. Sixth Symposium on Novel Optoelectronic Detection Technology and Applications, 2020, 11455: 875-882.
[12] LI Hui, WU Xiaojun, Kittler Josef. MDLatLRR: A novel decomposition method for infrared and visible image fusion. [J]. IEEE Transactions on Image Processing, 2020, 29: 4733-4746. DOI: 10.1109/TIP.2020.2975984
[13] LIU Yu, CHEN Xun, CHENG Juan, et al. Infrared and visible image fusion with convolutional neural networks[J]. International Journal of Wavelets, Multiresolution and Information Processing, 2018, 16(3): 1850018.
[14] ZHAO Z, XU S, ZHANG J, et al. Efficient and model-based infrared and visible image fusion via algorithm unrolling[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2021, 32(3): 1186-1196.
[15] LI Hui, WU Xiaojun, Kittler Josef. RFN-Nest: An end-to-end residual fusion network for infrared and visible images[J]. Information Fusion, 2021, 73: 72-86. DOI: 10.1016/j.inffus.2021.02.023
[16] TANG Linfeng, YUAN Jiteng, ZHANG Hao, et al. PIAFusion: a progressive infrared and visible image fusion network based on illumination aware[J]. Information Fusion, 2022, 83: 79-92.
[17] TANG Linfeng, XIANG Xinyu, ZHANG Hao, et al. DIVFusion: Darkness-free infrared and visible image fusion[J]. Information Fusion, 2023, 91: 477-493. http://www.nstl.gov.cn/paper_detail.html?id=c2c499247ee68b7a6ee8622c95b62724
[18] Kayadibi İsmail, Güraksın Gür Emre. An explainable fully dense fusion neural network with deep support vector machine for retinal disease determination[J]. International Journal of Computational Intelligence Systems, 2023, 16(1): 28. DOI: 10.1007/s44196-023-00210-z
[19] LI H, WU X J, DURRANI T S. Infrared and visible image fusion with ResNet and zero-phase component analysis[J]. Infrared Physics & Technology, 2019, 102: 103039.
[20] LI Hui, WU Xiaojun, Tariq Durrani. NestFuse: an infrared and visible image fusion architecture based on nest connection and spatial/channel attention models[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(12): 9645-9656.
[21] ZHAO Zixiang, XU Shuang, ZHANG Chunxia, et al. Bayesian fusion for infrared and visible images[J]. Signal Processing, 2020, 177: 107734. DOI: 10.1016/j.sigpro.2020.107734
[22] XUE Weimin, WANG Anhong, ZHAO Lijun. FLFuse-Net: A fast and lightweight infrared and visible image fusion network via feature flow and edge compensation for salient information[J]. Infrared Physics and Technology, 2022, 127: 104383.
[23] Veshki Farshad G, Ouzir Nora, Vorobyov Sergiy A, et al. Multimodal image fusion via coupled feature learning[J]. Signal Processing, 2022, 200: 108637.
计量
- 文章访问数: 144
- HTML全文浏览量: 30
- PDF下载量: 63
