基于一维引导滤波与跨模态权重感知的红外与可见光图像融合方法及其在生物医学成像中的潜力

　　本刊推荐：该研究提出了一种基于一维引导滤波（1DGF）与跨模态权重感知的红外-可见光图像融合新方法。通过方向性纹理分解、跨模态显著性加权（CSW）和边缘感知加权（CEAW）机制，有效解决了目标模糊、细节丢失及噪声干扰等问题。该方法在多项场景测试中均表现出优越的视觉效果与量化指标，为多模态医学影像融合（如红外热成像与可见光组织成像）提供了重要技术参考。

　　

亮点（Highlights）

• •

  （1）图像分解是图像融合中的关键任务，能够从源图像中更合理地分离有用信息。与传统二维引导滤波（2DGF）分解方法不同，本研究引入一维引导滤波（1DGF）沿行和列方向分解源图像，从而在分解图像的同时合理刻画细节的方向性。

• •

  （2）以往研究中使用平均策略直接融合基频层，导致融合图像严重退化，无法继承源图像中的显著性信息，不利于人类视觉分析。本文提出一种鲁棒的跨模态显著性加权（Cross-Modal Saliency Weighting, CSW）用于基频层融合，使得显著性信息更有效地传递至融合图像中。

• •

  （3）传统用于细节层融合的“最大绝对值操作”容易放大噪声像素并模糊细节。本文开发了一种有效的跨模态边缘感知加权（Cross-Modal Edge Aware Weighting, CEAW），并结合噪声判别规则融合细节层，不仅能够突出显著边缘并保护弱纹理，还可防止噪声成分被过度放大。

• •

  （4）实验结果表明，所提出的红外与可见光图像融合方法在不同场景中的视觉与量化比较中均优于其他方法。

结论（Conclusions）

我们提出了一种基于一维引导滤波（1DGF）与跨模态权重感知的有效图像融合方法，能够处理目标不清晰、对比度低、视觉效果差及细节丢失等问题。其核心思想是将1DGF引入图像分解，并构建CSW与CEAW分别优化基频层与细节层的融合。由于成功实施，该方法不仅突出了显著红外目标并提高了融合图像的对比度，还增强了纹理细节并抑制了噪声干扰。与现有先进方法相比，该算法在主观视觉和客观指标方面均表现出更好的性能。此外，该方法计算效率高，易于在普通平台上实现，在军事监视、航空侦察和生物医学成像等领域具有广泛的应用潜力。

未来的工作将集中于进一步提高算法的实时性能，并将其扩展至其他模态的图像融合任务，如多聚焦图像、医学图像（如MRI与CT）以及遥感图像融合等。