无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法

技术领域

本发明涉及一种无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法，属于图像处理、计算机视觉领域。

背景技术

无人机蜂群作战系统与传统高性能、高成本的单机作战平台相比，具有低成本、高效能、隐蔽性强、任务可靠性高和高饱和度攻击等优势，可通过“以量致胜、以廉抵耗、以智增效”的方式，满足未来复杂战场上在高对抗、高威胁环境下的机动灵活、精准智能和任务多样的作战需求，然而无人机蜂群作战环境较为复杂，战场态势瞬息万变，充分利用无人机蜂群多类型载荷协同侦察、多视角图像协同拍摄的方式快速获取大范围、全方位战场图像，深度感知战场态势，为无人机蜂群协同控制和智能规划提供辅助信息，是实现无人机蜂群取得作战胜利的关键。

无人机蜂群协同侦察下的战场图像快速镶嵌融合算法以同源图像镶嵌技术与多源图像融合技术为基础，通过在线获取无人机拍摄的多角度侦察图像，以经纬度为基准对侦察图像进行校正与镶嵌，将镶嵌后的多源图像进行配准与融合，获取多维度、全方位的战场图像。无人机蜂群协同侦察过程中，以每架无人机的光电载荷侦察为例，光电侦察载荷将获取的图像数据经链路回传，单架无人机受拍摄角度和拍摄区域的限制，所拍摄的图像具有局限性和片面性，不能充分获取战场信息，将每架无人机回传的同源图像按照经纬度信息和图像特征进行校正，并将校正后的图像依次镶嵌在底图上，如此，不仅可对同一时刻的不同架次的无人机回传图像进行图像镶嵌，还可对不同时刻的镶嵌底图进行再次镶嵌，全方位获取侦察图像。同时，受光照、气候条件和成像机理的限制，单源传感器拍摄的图像具有一定的局限性，导致目标的误判和漏判，以光电载荷获取的可见光图像与红外图像为例，采用多源图像像素级融合技术将镶嵌后的可见光图像与红外图像进行预处理、图像配准、权重计算、图像融合等一系列处理，提高融合的可靠性和精度，多维度丰富图像信息，增加图像的清晰度、对比度和目标可识别性。

然而，可见光图像与红外图像由于成像机理不同，其图像特征也有较大差异，需要针对可见光图像与红外图像进行共性处理，提取共性特征以完成可见光图像与红外图像在同一坐标系下的配准；同时，图像信息具有无序性和分布多样性的特点，包含有大量冗余信息，真正的侦察目标区域却只占少数，而且目标所占像素数不多，占整个图像比例较小，将整幅图像参与到融合处理中势必会加大算法计算量，造成融合系统运行效率低和侦察目标区域融合后的特征或对比度不明显等现象，不适用于实际侦察任务中的准确性要求。

综上所述，在无人机蜂群侦察图像处理系统中，战场图像快速获取技术目前面临以下问题：

1)多架无人机航拍侦察过程中，多架无人机所拍摄图像的视角或视场各不相同，成像区域具有较大片面性和重叠性，不利于后续处理；

2)受光照、气候条件和成像机理的限制，单源传感器拍摄的图像具有一定的局限性，不能完全体现战场目标信息；

3)多源图像的图像特征有较大差异，单一特征难以完成可见光图像与红外图像在同一坐标系下的配准；

4)镶嵌图像包含有大量冗余信息，真正的目标区域却只占少数，而且目标区域所占像素数不多，占整个图像比例较小，将整幅图像参与到融合处理中势必会加大算法计算量；

5)将整幅图像参与到融合处理中，融合算法没有目标性和针对性，融合图像中的无人机蜂群重点侦察的目标区域没有太高的区分度和可识别性。

因此，以每架无人机的光电载荷侦察为例，若是对多架无人机拍摄的可见光图像与红外图像分别进行基于地理坐标信息的镶嵌，生成大范围战场图像，采用共性特征提取技术完成可见光镶嵌图像与红外镶嵌图像的配准，对配准后的图像进行目标区域预提取，将预提取的可能包含侦察目标的区域代替整幅图像进行融合，增加图像预提取区域对比度和可识别性，完成可见光图像与红外图像融合的同时，可以减小算法运行时间，提高算法运行效率。

发明内容

为了解决以上问题，本发明技术方案基于无人机蜂群侦察图像特点和国内现有技术在无人机蜂群侦察下战场图像快速获取方面的缺陷，统筹算法性能和适应性，提出了一种无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法，解决了无人机蜂群侦察系统中战场图像快速获取的诸多问题。

根据本发明技术方案，提供一种无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法，包括以下步骤：

步骤1：对可见光战场图像和多路红外战场图像进行地理位姿校正并进行图像镶嵌，得到可见光镶嵌图像和红外镶嵌图像；

步骤2：提取可见光镶嵌图像和红外镶嵌图像的共性特征进行图像配准；

步骤3：分别对可见光配准图像和红外配准图像进行侦察目标区域预提取，基于预提取区域的显著值融合预提取的侦察目标区域，形成只融合预提取的侦察目标区域融合图像。

进一步的，所述步骤1具体为：针对多路可见光战场图像和多路红外战场图像，基于多GCP校正算法进行地理位姿校正并生成对应四至底图，根据生成的对应四至底图结合地理位姿信息，分别进行图像镶嵌，得到可见光镶嵌图像和红外镶嵌图像。

进一步的，所述步骤1具体包括：

步骤11：分别接收一组无人机拍摄的具有重叠区域的多路可见光战场图像和多路红外战场图像；

步骤12：根据每幅图像的地理位置信息通过多地面控制点(Ground ControlPoint，GCP)校正算法分别对可见光战场图像和红外战场图像进行几何校正，确定每幅图像的地理位姿；

步骤13：根据校正后的所有图像的地理位姿确定所有图像的最大外接矩形，并生成对应四至底图，四至底图要求每个像素值设为0，并根据地理位姿信息，将校正后的图像镶嵌在四至底图上，完成同一时刻接收的无人机蜂群回传的具有重叠区域的子图像的镶嵌；

步骤14：重复步骤13完成下一时刻接收的无人机蜂群回传的具有重叠区域的子图像的镶嵌，并将镶嵌图像与上一时刻的镶嵌图像进行再次镶嵌，直至生成足够大的战场图像。

进一步的，所述步骤12中，通过多地面控制点校正算法分别对可见光战场图像和红外战场图像进行几何校正具体包括：

选取无人机拍摄图像上的四个顶点、图像每条边上的中心点和图像中心点共计9个点作为GCP；

将所选择的9个GCP的坐标代入以下公式：

式中a

进一步的，所述步骤2具体为：对得到的可见光镶嵌图像和红外镶嵌图像分别进行Canny边缘检测，提取边缘图像的加速稳健(Speeded Up Robust Feature， Surf)特征点，完成可见光镶嵌图像和红外镶嵌图像的配准。

进一步的，所述步骤2具体包括：

步骤21：对得到的可见光镶嵌图像和红外镶嵌图像分别进行Canny边缘检测，分别得到边缘图；

步骤22：针对边缘图像素点构建黑塞(Hessian)矩阵，进行Surf特征点检测，确定特征点的主方向；

步骤23：分别在两幅边缘图上构建Surf特征描述子，采用快速近似最近邻搜索算法完成特征点匹配，得到特征点之间的对应关系。

进一步的，所述步骤2中，Canny边缘检测具体包括：采用高斯函数的任意方向的一阶导数平滑图像；计算平滑后的图像的梯度幅值和方向，采用非极大值抑制技术来抑制局部区域的干扰值；设定高低阈值去除虚假边缘，连接真实边缘。

进一步的，所述步骤3具体为：对可见光配准图像和红外配准图像进行侦察目标区域预提取，分别计算红外/可见光配准图像预提取区域的显著值及其对应的可见光/红外配准图像区域的显著值作为融合权重并分别均匀分割，仅对分割子区域进行线性加权得到只融合预提取的侦察目标区域融合图像。

进一步的，所述步骤3具体包括：

步骤31：分别对红外配准图像和可见光配准图像进行傅里叶变换的得到频谱图；

步骤32：对红外配准图像频谱图幅频响应进行均值平滑，将平滑后的幅频响应与原始幅频响应作差，得到红外图像频谱残留；对可见光配准图像频谱图幅频响应进行均值平滑，将平滑后的幅频响应与原始幅频响应作差，得到可见光图像频谱残留；

步骤33：对频谱残留作逆傅里叶变换得到显著图，提取红外配准图像和可见光配准图像可能包含侦察目标的区域作为预提取区域；

步骤34：分别计算红外配准图像预提取区域的显著值及其对应的可见光图像区域的显著值作为融合权重；分别计算可见光配准图像预提取区域的显著值及其对应的红外图像区域的显著值作为融合权重；

步骤35：将提取得到的红外配准图像目标区域与对应可见光配准图像区域均匀分割成M块；将提取得到的可见光图像目标区域与对应红外配准图像区域均匀分割成M块，M为正整数且取值范围为；

步骤36：对分割子区域进行线性加权得到只融合预提取的侦察目标区域融合图像。

本发明与现有技术相比具有如下优点：

1)本发明引入基于多GCP校正算法的对无人机蜂群回传图像进行地理位姿校正，解决了每架无人机回传图像在底图上镶嵌位置问题；

2)本发明采用镶嵌算法对无人机蜂群回传图像在底图上进行镶嵌，获取较为完整的战场图像，解决了多架无人机所拍摄图像的视角或视场各不相同造成的成像区域具有较大片面性和重叠性问题；

3)本发明以Canny边缘信息和Surf关键点的复合特征为基础，解决了红外镶嵌图像与可见光镶嵌图像的配准问题；

4)本发明引入预提取算法对红外图像和可见光图像进行侦察目标预提取，避免了对整幅图像的融合运算，降低了算法计算量。

5)本发明引入自适应权重目标区域融合算法，在不对图像进行分解变换的前提下，将提取到的目标区域进行均匀分割，以预提取区域的显著性为基础分别计算各分割子区域的融合权重的方式更具科学性，融合结果更具真实性。

6)本发明对无人机红外图像与可见光图像进行目标预提取，对预提取的可能包含侦察目标的区域进行针对性地融合，有效提高了可能包含侦察目标的区域的对比度和可识别性。

附图说明

图1为本发明无人机蜂群协同侦察下的战场图像快速镶嵌融合算法总体流程图；

图2为本发明多路无人机图像镶嵌算法流程图；

图3为计算四路回传图像的四至图像的过程图；

图4为本发明基于频谱残留的无人机红外与可见光图像侦察目标区域预提取算法流程图；

图5为本发明无人机红外与可见光图像目标区域自适应权重融合算法流程图。

具体实施方式

本发明采用一种无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法来快速获取大范围、多信息量的战场图像。以无人机光电载荷拍摄的可见光图像与红外图像为例，首先，采用同源图像镶嵌算法完成对无人机蜂群回传图像地理位姿进行校正，将校正图像进行镶嵌得到完整图像；然后，采用基于Canny边缘信息和Surf关键点的共性复合特征匹配方法完成见光镶嵌图像与红外镶嵌图像在同一坐标系下的配准；最后，多源图像融合采用基于频谱残留的目标预提取算法与自适应权重目标区域融合算法对配准后的红外镶嵌图像和可见光镶嵌图像的预提取区域进行融合。

本发明的技术解决方案：一种无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法，主要包含同源图像镶嵌和多源图像配准和多源图像融合三部分内容。其中同源图像镶嵌部分采用校正算法对无人机蜂群回传图像地理位姿进行校正，将校正图像进行镶嵌得到完整图像；多源图像配准采用提取可见光镶嵌图像与红外镶嵌图像的Canny边缘信息和Surf关键点的共性复合特征，完成在同一坐标系下的配准；多源图像融合采用基于频谱残留的目标预提取算法与自适应权重目标区域融合算法对配准后的红外镶嵌图像和可见光镶嵌图像的预提取区域进行融合。

所述同源图像镶嵌算法首先在同一时刻接收无人机蜂群回传的具有重叠区域的战场子图像，然后创建四至底图后通过多GCP(地面控制点)校正算法对子图像进行地理位姿校正，并将校正后子图像在四至图像上进行镶嵌，最后将镶嵌得到的大图再与下一时刻接收的无人机蜂群回传的具有重叠区域的战场子图像进行再次镶嵌，如此迭代得到完整的战场图像。

所述多源图像配准采用提取可见光图像与红外图像的Canny边缘信息和 Surf关键点的共性复合特征为基础，通过Canny边缘检测算法提取可见光图像与红外图像的边缘信息，利用可见光边缘图像与红外边缘图像中的物体轮廓结构一致的特点，提取可见光边缘图像与红外边缘图像的共性Surf特征点，进行可见光边缘图像与红外边缘图像Surf特征点匹配，进而完成可见光图像与红外图像的配准。

所述多源图像融合算法包含基于频谱残留的镶嵌图像目标预提取算法和基于自适应权重目标区域融合算法。基于频谱残留的目标预提取算法主要以视觉显著理论中的频谱残留模型为基础，将镶嵌图像转换到频域得到频谱图，通过对频谱图进行一系列非线性变换，抑制图像冗余信息，实现对可能包含侦察目标区域的有效预提取。基于自适应权重目标区域融合算法是从像素级融合的层次出发，将预提取的侦察目标区域均匀分布成若干个子块区域，通过计算红外图像侦察目标区域与可见光图像对应区域(或可见光图像侦察目标区域与红外图像对应区域)的各子块区域融合权重，进而对红外图像侦察目标区域与可见光图像对应区域(或可见光图像侦察目标区域与红外图像对应区域)进行线性加权得到只融合侦察目标区域的融合图像。其中，红外图像与可见光图像的侦察目标区域融合权重可以通过计算该区域的频谱残留值来获得。

基于以上方案，以每架无人机的光电载荷侦察为例，解决了以下技术问题：

1)多架无人机航拍侦察过程中，多架无人机所拍摄图像的视角或视场各不相同造成的成像区域具有较大片面性和重叠性问题。

2)受光照、气候条件和成像机理的限制，无人机单源传感器拍摄的图像具有局限性，不能完全体现战场目标信息问题；

3)多源图像的图像特征有较大差异，单一特征难以完成可见光图像与红外图像在同一坐标系下的配准的问题；

4)镶嵌的红外图像与可见光图像冗余较多，完整的可见光图像与红外图像参与融合运算的计算量较大，融合效率不高的问题；

5)当目标对比度与可识别性较差时，采取目标预提取策略，对预提取的可能包含侦察目标的区域进行针对性地融合问题。

实施例

根据本发明实施例的总体流程如图1所示，算法可归纳为以下步骤：

1)分别接收一组无人机拍摄的具有重叠区域的多路可见光战场图像和红外战场图像；

2)根据每幅图像的地理位置信息通过多GCP校正算法分别对可见光图像和红外图像进行几何校正，确定每幅图像的地理位姿；

3)根据校正后的所有图像的地理位姿确定所有图像的最大外接矩形，并生成对应四至底图，四至底图要求每个像素值设为0，并根据地理位姿信息，将校正后的图像镶嵌在四至底图上，完成同一时刻接收的无人机蜂群回传的具有重叠区域的子图像的镶嵌；

4)重复步骤3)完成下一时刻接收的无人机蜂群回传的具有重叠区域的子图像的镶嵌，并镶嵌图像与上一时刻的镶嵌图像进行再次镶嵌，直至生成足够大的的战场图像；

5)对获取的红外镶嵌图像与可见光镶嵌图像分别进行Canny边缘检测，提取边缘图像的Surf特征点，完成红外镶嵌图像与可见光镶嵌图像的配准；

6)分别对红外配准图像和可见光配准图像进行傅里叶变换的得到频谱图；

7)对红外配准图像频谱图幅频响应进行均值平滑，将平滑后的幅频响应与原始幅频响应作差，得到红外图像频谱残留。对可见光配准图像频谱图幅频响应进行均值平滑，将平滑后的幅频响应与原始幅频响应作差，得到可见光图像频谱残留；

8)对频谱残留作逆傅里叶变换得到显著图，提取红外配准图像和可见光配准图像可能包含侦察目标的区域作为预提取区域；

9)分别计算红外配准图像预提取区域的显著值及其对应的可见光图像区域的显著值作为融合权重，同样，分别计算可见光配准图像预提取区域的显著值及其对应的红外图像区域的显著值作为融合权重；

10)将提取得到的红外配准图像目标区域与对应可见光配准图像区域均匀分割成N块；同样，将提取得到的可见光图像目标区域与对应红外配准图像区域均匀分割成N块；

11)对分割子区域进行线性加权得到只融合预提取的侦察目标区域融合图像。下面结合流程图对算法实施过程中涉及的关键技术进行详细说明。

1、同源图像镶嵌：

本发明提出大的同源图像镶嵌算法首先在同一时刻接收无人机蜂群回传的具有重叠区域的战场子图像，然后创建四至底图后通过多地面控制点(GCP)校正算法对子图像进行地理位姿校正，并将校正后子图像在四至图像上进行镶嵌，最后将镶嵌得到的大图再与下一时刻接收的无人机蜂群回传的具有重叠区域的战场子图像进行再次镶嵌，如此迭代得到完整的战场图像，镶嵌过程如图2所示。

GCP校正模型

单架无人机通过链路回传的数据包含图像与复接数据，复接数据包含该图像成像区域所对应的地理位置信息，以无人机拍摄图像像元地理位置信息为基础，采用多个GCP(Ground Control Point)解算多项式校正模型的方式建立像方空间像元点坐标与物方空间对应地面实物坐标之间数学转换模型。多项式模型是对地理遥感影像进行几何校正时采用的最为普遍的一种通用成像模型，它与传感器具体类型无关，并且其几何校正的原理比较简单，计算方式较为容易，不需要知道遥感传感器成像时具体位置及姿态角变化，其基本原理是计算地面实物是一个平面时，理想无几何畸变的地理影像到实际情况下地面实物是一个曲面时的投影矩阵。

假设产生几何畸变的无人机拍摄图像，即传感器投影成像是一个曲面，其像方坐标用(x,y)坐标系表示；理想无几何畸变的无人机拍摄图像，即地面实物是一个平面，其地面实物点坐标用(u,v)坐标系表示，(i,j)为图像上某个像素点坐标。多项式方程可以用来描述任何一个曲面，图像校正前后相应像元点之间的坐标转换关系也必然可以找到适合的多项式来描述。若不考虑地形起伏造成的误差，其坐标对应关系可用二维多项式来表示。

式中a

从上式可得，一阶、二阶、三阶二维多项式模型系数个数分别为3、6、10个，模型系数的确定可通过选取GCP点对代入模型方程解算获得，理论上一阶、二阶、三阶模型所需GCP点数目也应至少是3、6、10，但在实际校正过程中，使用最少控制点个数校正效果往往很差，故选取合适的地面控制点数目至关重要，

本文选取无人机拍摄图像上的四个顶点、图像每条边上的中心点和图像中心点等共计9个点作为GCP进行校正。

几何校正

通过建立无人机图像多项式坐标转换模型并选取适当数量的GCP，可以完成坐标转换模型，并且通过选取地面控制点完成模型中多项式的解算，这样存在几何畸变的图像像元点就可以与无几何畸变的图像像元点一一对应，通常像元点几何位置的变换有直接变换和间接变换两种，本发明实验采用直接变换的方式。

以原始影像为基础，通过建立的多项式模型，即坐标转换模型，逐个求得校正后对应像元点位置，如下式所示。

x＝F

上式(u,v)为原始图像像元点坐标，(x,y)为校正后图像像元点坐标，F

计算四至图像

无人机蜂群协同侦察，单架无人机的拍摄区域、拍摄角度及飞行高度各不相同，其结果是校正后图像所代表的实际区域与像元分辨率各不相同。以某个无人机蜂群子群某时刻回传四路图像为例，算法接收四路图像后，分别经GCP多点校正并得到校正后的四路图像及对应地理位置信息，由于校正后的图像对应物方空间的地理位置分布，计算四至图像的过程本质是计算四路校正图像的最小外接矩形，并以矩形为镶嵌底图，同时以四路图像的经度最小像元分辨率和纬度最小像元分辨率为镶嵌底图的经度像元分辨率和纬度像元分辨率。计算四至图像的过程如图3所示。

2、多源图像配准：

可见光图像与红外图像由于成像机理不同，其图像特征也有较大差异，需要针对可见光图像与红外图像进行共性处理，因此，本发明通过对可见光镶嵌图像与红外镶嵌图像计算边缘信息，将异源图像转到边缘域，在保留异源图像边缘图基本内部轮廓的前提下，提取Surf特征点进行匹配计算，完成可见光镶嵌图像与红外镶嵌图像的配准。

Canny边缘检测

Canny边缘检测是从不同视觉对象中提取有用的结构信息并大大减少要处理的数据量的一种边缘检测方法，在检测边缘时，可满足信噪比、定位精度和单边响应3个最优准则，并具有较好的实时性。算法的基本思想是：首先，采用高斯函数的任意方向的一阶导数平滑图像；然后，计算平滑后的图像的梯度幅值和方向，采用非极大值抑制技术来抑制局部区域的干扰值；最后，设定高低阈值去除虚假边缘，连接真实边缘。

Surf特征匹配

可见光图像与红外图像在进行Canny边缘检测后生成边缘图，可通过提取可见光图像与红外图像的边缘图的共性特征完成图像匹配。Surf特征是图像配准过程中效性较好的匹配特征。该特征首先根据Hessian矩阵进行特征点检测，并利用Haar小波和积分图像完成Hessian矩阵的快速近似计算，然后在特征点的局部邻域内统计Haar小波响应值得到特征描述。设图像I(x,y)上一点p，该点的 Hessian矩阵定义为：

在检测的特征点位置构建特征描述之前，首先需要估计特征主方向，即在特征点半径6s的邻域内，统计60度扇形内所有点的水平Haar和垂直Haar小波特征总和，假设Haar小波的尺寸变长为4s，得到了扇形的值后，将60度扇形以一定间隔旋转，最后将最大值的扇形方向作为该特征点的主方向。分别在两幅待配准图像上构建Surf特征描述子，然后采用快速近似最近邻搜索算法完成特征点匹配，得到特征点之间的对应关系。根据匹配的特征点对，采用RANSAC算法解算单应性变换模型，如下所示。

3、多源图像融合：

目标预提取

自然图像具有统计特性变换不变性，大多数自然图像在幅度谱上遵循1/f的原则，即某频率的幅频响应与该频率的倒数近似成正比，如下式所示：

E{A(f)}∞1/f (6)

其中E{A(f)}表示傅里叶频谱的平均幅频响应，f表示某频率。对于公式 (6)，大量实验表明取对数后的幅频响应与频率f近似成线性关系，但曲线并不是平滑的，对数幅频响应随频率的增加会有小幅度的异常尖峰出现，这些变化的异常尖峰代表图像的显著信息，平滑部分代表图像的冗余信息。显著信息反映了图像中视觉较为显著的部分，多为边缘和纹理信息较为丰富的区域，而这些区域极有可能是包含目标的区域；冗余信息多为图像的背景，视觉效果不显著，像素分布也较为均匀。由此得出，抑制图像冗余的背景信息，保留显著的目标信息，可以对可能包含目标的区域进行有效地提取。

当用多张图像取平均后，其对数幅频响应与频率关系曲线变得平滑，这些异常尖峰被消除。由此得出，将单幅图像的幅频响应与多张图像取平均后的幅频响应做差可以有效地抑制冗余信息，保留显著信息。做差后的差值叫做频谱残留，它代表图像中的显著信息，将频谱残留进行逆傅里叶变换得到的区域即为图像中可能包含目标的区域。

本发明假设输入的配准图像为I，令FFT和FFT

A(f)＝Amp{FFT(I)} (7)

P(f)＝Pha{FFT(I)} (8)

其中，A(f)为I幅频响应，P(f)为I相频响应。然后利用3*3的均值滤波器h

R(f)＝log(A(f))-h

最后对R(f)进行逆傅里叶变换求得空间域的显著图，再利用标准差为8的高斯低通滤波器g

S＝g

threshod＝E(S)*3 (12)

对显著图O进行形态学和连通域分析后，求取连通域的最小外接矩形，即完成对显著图O中目标区域的预提取，算法总体流程如图4所示。

目标区域自适应权重融合

目标区域自适应权重融合是将预提取的侦察目标区域均匀分布成若干个子块，通过计算红外配准图像侦察目标区域与可见光配准图像对应区域的各子块融合权重，进而对红外图像侦察目标区域与可见光图像对应区域进行融合。同样，也可计算可见光配准图像侦察目标区域与红外配准图像对应区域的各子块融合权重来完成对可见光配准图像侦察目标区域与红外配准图像对应区域的融合。算法总体流程如图5所示。

在分别对红外配准图像和可见光配准图像进行基于频谱残留模型的侦察目标预提取后，得到红外配准图像的显著图和可见光配准图像的显著图，显著图为图像显著值的直观体现。设红外配准图像个侦察目标区域的的某个子块显著值为feature

weight

weight

设S(x，y)

S(x，y)

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。