結(jié)合分數(shù)階顯著性檢測及量子煙花算法的NSST域圖像融合

林劍萍，廖一鵬

（1.陽光學(xué)院 人工智能學(xué)院，福建 福州350015；2.福州大學(xué) 物理與信息工程學(xué)院，福建 福州350108）

1 引 言

圖像融合是通過特定的算法，將兩幅或多幅圖像在時空上具有相關(guān)性或信息上具有互補性的信息提取出來，同時去除冗余的成分，綜合成一幅新的圖像，從而更全面、準(zhǔn)確地表征圖像，具有互補性和冗余性，在多個行業(yè)領(lǐng)域有著重要的應(yīng)用［1］。目前圖像融合的技術(shù)主要有基于多尺度分解、基于神經(jīng)網(wǎng)絡(luò)、基于子空間的變換以及多種融合方法的混合等方法［2］。

圖像融合算法中最常用、有效的分析方法是基于多尺度分解。多尺度分解能夠在深層結(jié)構(gòu)上分析圖像的信息，對圖像特征描述更為準(zhǔn)確。多尺度方法主要包括金字塔變換、小波變換、輪廓波變換（Contourlet Transform）、非下采樣輪廓波變換（Nonsubsampled Contourlet Transform，NSCT）及非下采樣shearlet變換等。其中金字塔算法的分解各層系數(shù)之間相關(guān)性較強，具有冗余性，采用金字塔算法融合的圖像存在圖像邊緣不夠清晰和細節(jié)不夠豐富等缺點［3］；小波變換各層系數(shù)相對獨立，能夠較好地表示圖像中的重要信息，得到了更好的應(yīng)用，但小波變換對圖像邊緣信息的提取有一定的局限性，不能有效地保留局部特征［4］；輪廓波變換的優(yōu)勢在于提取圖像邊緣的幾何形狀，但由于上下采樣和金字塔結(jié)構(gòu)，會出現(xiàn)冗余移位方差問題，導(dǎo)致吉布斯現(xiàn)象［5］；NSCT可實現(xiàn)多分辨率分解，并實現(xiàn)平移不變性，消除了頻譜混疊現(xiàn)象，同時更好地表征圖像的邊緣和紋理信息［6-7］，但其方向選擇受限，運算效率較低；NSST不僅具備NSCT的特點，且分解方向不受限制，運算效率高，得到了廣泛的應(yīng)用，如文獻［8］提出了基于NSST和對比度的圖像融合算法，保留了融合圖像的細節(jié)，并提升了對比度，但在增強的同時引入了部分不必要信息，并出現(xiàn)過增強效應(yīng)。

圖像融合的框架很重要，但是合適的融合規(guī)則同樣可以有效提高圖像融合的質(zhì)量。傳統(tǒng)融合規(guī)則包括加權(quán)平均法、絕對值取大、區(qū)域能量和、區(qū)域梯度等［9-12］。這些融合規(guī)則由于沒有從全局上考慮區(qū)域間的相關(guān)性，容易導(dǎo)致圖像中的重要信息丟失。近年來，為了提高融合圖像的質(zhì)量，提出了一些基于視覺顯著性檢測的圖像融合算法，如文獻［13］提出了一種基于NSCT和改進頻率調(diào)諧（Frequency-Tuned，F(xiàn)T）的圖像融合算法，使得融合后的圖像目標(biāo)突出，背景較為豐富，但該方法仍存在部分圖像特征丟失嚴重現(xiàn)象；文獻［14］利用改進的流形排序（Manifold Ranking，MR）算法，使得融合圖像突顯了圖像的目標(biāo)信息，圖像整體細節(jié)信息清晰度得到提升，但源圖像的優(yōu)點不夠突出；文獻［15］利用離散剪切波變換（Finite Discrete Shearlet Transform，F(xiàn)DST）對紅外和可見光圖像進行分解，采用改進的雙通道脈沖耦合神經(jīng)網(wǎng)絡(luò)（Dualchannel Pulse Coupled Neuron Network，PCNN）進行圖像融合，該方法有效增強了圖像清晰度。

因此，本文提出了一種基于分數(shù)階微分顯著性檢測和改進量子煙花算法的NSST域圖像融合方法。首先將圖像進行NSST變換，低頻部分先利用自適應(yīng)分數(shù)階微分增強，然后進行顯著性檢測，根據(jù)檢測結(jié)果，構(gòu)造兩幅圖像的顯著性匹配度，采用基于匹配度的融合規(guī)則進行融合；接著根據(jù)圖像鄰域內(nèi)的結(jié)構(gòu)特征可根據(jù)中心與周圍像素點之間的灰度距離和梯度距離來表征這一特性，對高頻系數(shù)采用梯度變化與灰度差異加權(quán)策略融合；最后采用動態(tài)自適應(yīng)旋轉(zhuǎn)角改進量子煙花算法的位置更新策略，并對高頻及低頻融合參數(shù)進行優(yōu)化，最終得到最優(yōu)融合圖像。

2 NSST域紅外與可見光圖像融合方法

2.1 NSST變換

NSST是對Shearlet變換的優(yōu)化改進，其利用非下采樣尺度變換以及非下采樣方向濾波器進行處理，具有良好的平移不變性，同時避免了偽吉布斯現(xiàn)象的出現(xiàn)，能較好地運用于圖像融合領(lǐng)域中［16］。NSST變換的結(jié)構(gòu)如圖1所示。

圖1 NSST變換三級分解結(jié)構(gòu)圖Fig.1 Three-level decomposition structure of NSST

NSST變換可實現(xiàn)多尺度多方向分解，首先由NSLP（非下采樣金字塔濾波器組）對輸入圖像進行塔形分解，得到低頻子帶和多個帶通子帶，然后采用SF（剪切濾波器）對各個帶通子帶進行方向化，得到多個方向子帶圖像，分解得到的所有圖像分辨率都和原始圖像相同。

2.2 低頻子帶圖像融合

低頻子帶是原始圖像的最佳逼近，它包含了圖像的大部分能量，因此，其融合規(guī)則決定了對源圖像的互補信息提取的效果。鑒于人的視覺系統(tǒng)對圖像中像素的對比度比較敏感這一特點，本文提出基于分數(shù)階微分增強的顯著性檢測，并依據(jù)顯著圖匹配度進行低頻融合。

2.2.1 分數(shù)階微分顯著性檢測

FT顯著性檢測算法［17］采用的是高斯差分濾波方法，對于一幅輸入圖像，其顯著性圖計算為：

其中：Iu為輸入圖像I的L，A，B通道均值；Iwhc(x，y)為輸入圖像I經(jīng)過高斯濾波之后，在L，A，B三通道的圖像均值；‖·‖是對三通道均值和濾波得到的圖像取歐氏距離并求和。為了得到更好的邊緣保持和細節(jié)增強性能，并保證圖像的亮度，本文提出了基于自適應(yīng)分數(shù)階微分顯著性檢測。

經(jīng)典的Tiansi模板算子具有微分特性，對圖像邊緣和紋理細節(jié)的增強效果明顯，但對圖像的亮度增強效果不佳，文獻［18］提出了一種改進分數(shù)階微分算法，通過在模板中加入亮度控制參數(shù)ρi，構(gòu)造了新的微分掩模算子，如式（2）所示，其中v表示分數(shù)階微分的階數(shù)。

本文根據(jù)NSST分解前后圖像平均梯度值、低頻子帶各像素點的梯度值構(gòu)造自適應(yīng)分數(shù)階微分階次函數(shù)：

其中，G(i，j)為圖像在任 意點的梯度，Gmax，G0，GL分別為低頻子帶中梯度的最大值、原圖像的平均梯度，低頻子帶的平均梯度，T g為梯度閾值。對輪廓細節(jié)區(qū)域，即像素點的梯度大于T g而小于等于Gmax時，主要是實現(xiàn)對輪廓細節(jié)或弱邊緣的增強，具體做法是根據(jù)G(i，j)的大小在范圍動態(tài)調(diào)整微分階次，采用Tiansi模板進行卷積運算；對于平滑區(qū)域，即像素點的梯度小于或等于T g時，選擇固定的微分階次0.1，通過改進的Tiansi算子進行卷積運算，改善圖像的整體亮度。經(jīng)實驗，T g取2時效果最好。

接著根據(jù)圖像第0~64級灰度的概率分布P64，確定式中ρi為0的個數(shù)，建立關(guān)系式（4）：

si為圖像中第i級灰度的出現(xiàn)概率。因此，改進后的顯著圖輸出為：

其中，If d(x，y)為輸入圖像I經(jīng)過分數(shù)階微分增強后的輸出。

2.2.2 低頻子帶系數(shù)的融合規(guī)則

為避免融合后圖像丟失大量的細節(jié)信息，文章將兩幅源圖像的成像差異進行量化描述，引導(dǎo)低頻子帶圖像的融合。差異程度的量化以兩幅圖像的區(qū)域相似性來描述，若已知圖像a在像素點（i，j）處的顯著值為Sa(i，j)，圖像b在像素點（i，j）處的顯著值為和Sb(i，j)，則圖像a和b的區(qū)域相似性可定義為：R a，b(i，j)表示圖像a和b對應(yīng)像素點的顯著值的相似程度，其值越高，相似程度越高；反之，表明兩圖像在此區(qū)域的差異性越大。

由此，本文提出了以下低頻子帶的融合規(guī)則：

設(shè)定相似性匹配度閾值δ，當(dāng)Ra，b(i，j)小于設(shè)定的閾值δ時，選擇其中顯著值大的像素作為該像素點融合圖像的像素值；當(dāng)R a，b(i，j)大于等于閾值δ時，將此位置處的兩像素值進行加權(quán)，作為融合圖像對應(yīng)的像素值，設(shè)加權(quán)系數(shù)λ(i，j)。具體如式（8）~（10）所示。

若Ra，b(i，j)<δ，則：

若Ra，b(i，j)≥δ，則：

其中λ(i，j)為：

a(i，j)、b(i，j)分別為源圖像a、源圖像b在(i，j)處的像素值，p為圖像a，b的融合圖像。

相較于簡單加權(quán)或者取最值來確定融合圖像的方法，這種基于匹配度的融合規(guī)則顯得更科學(xué)、合理。

2.3 高頻方向子帶系數(shù)的融合規(guī)則

圖像的弱邊緣及突變紋理信息主要體現(xiàn)在高頻子帶，且圖像鄰域內(nèi)的結(jié)構(gòu)特征可通過圖像中心與周圍像素點之間的梯度變化和灰度距離表征。因此，本文高頻子帶融合采取梯度變化與灰度差異加權(quán)的策略。

設(shè)圖像的梯度G(x，y)，區(qū)域窗口的中心像素點(x，y)，相鄰像素點(i，j)，灰度值H(x，y)，則圖像鄰域間的差異性σ可定義為：

其中，λ是灰度變化、梯度距離差異性的影響因子，本文取λ=4。

令指數(shù)影響因子為：

圖像第j層k方向的高頻子帶系數(shù)W j，k(x，y)，則高頻子帶加權(quán)系數(shù)φ可定義為：

3 基于量子煙花的自適應(yīng)融合方法

融合過程中，相似性匹配度閾值δ和高頻圖像結(jié)構(gòu)差異閾值γ的選擇對融合后圖像的效果影響較大。δ一般取值在0~1.0之間，經(jīng)實驗，當(dāng)δ>1.0、γ<0.8或δ>1.0、γ>1.0時，融合的圖像效果變差，主觀上體現(xiàn)在兩源圖像的特征不能很好的體現(xiàn)，有時融合的圖像會過份依賴于其中的一個源圖像，不利于融合后圖像的整體質(zhì)量。所以本文δ取值在0~1.0之間，γ取值在0.8~1.0之間。為尋找δ及γ的最優(yōu)值，本文引入改進的量子煙花算法對這兩個參數(shù)進行優(yōu)化。

3.1 改進量子煙花算法

傳統(tǒng)最優(yōu)化算法常常受到局部極值的約束而影響最優(yōu)化效果。為了使算法跳出局部極值，許多學(xué)者對算法進行了改進和優(yōu)化，如引入量子的思想。常用的基于量子的最優(yōu)化算法有：量子遺傳算法（QGA）［19］、量子細菌覓食算法（QBFA）［20］、量子狼群算法（QWPEA）［21］等，量子思想的引入，提高了算法的收斂速度和精度。煙花算法（FWA）是2010年由譚營［22］等人提出的，具有較強的全局搜索和局部搜索能力，但在尋優(yōu)過程中容易陷入局部最優(yōu)，因此本文提出自適應(yīng)旋轉(zhuǎn)角的量子煙花算法，將量子態(tài)矢量表達引入煙花當(dāng)前位置編碼，更新煙花個體位置，利用量子旋轉(zhuǎn)門對煙花個體進行概率變異操作，提高算法的全局最優(yōu)搜索能力和保證收斂速度。

3.1.1 煙花位置量子編碼

量子個體P的每個量子位的狀態(tài)|φ〉的幅度表示為概率幅形式，即|φ〉=?α，β」，利用概率幅作為煙花當(dāng)前位置的編碼，則量子個體位置表示為：

其中：θjk=2πrand()，j=1，2，…，m，k=1，2，…，n，m為煙花個數(shù)；n為空間個數(shù)。

3.1.2 煙花位置量子旋轉(zhuǎn)門更新

對煙花個體的位置采用量子旋轉(zhuǎn)門進行更新，更新公式為：

3.1.3 煙花個體變異操作

煙花個體在進行量子旋轉(zhuǎn)門位置更新后，有一定的概率Pn進入量子非門變異操作，其變異操作為：

即將量子個體中每一維的概率幅αi與βi進行交換，如下式所示：

為變異的概率幅。

3.1.4 適應(yīng)度函數(shù)

融合圖像性能客觀評價指標(biāo)中，目前覆蓋較廣泛的有信息熵（IE）、平均梯度（AG）、交叉熵（CE）、空間頻率（SF）及結(jié)構(gòu)相似性（SSIM）等。信息熵、平均梯度、空間頻率、結(jié)構(gòu)相似性的值越大，圖像的融合效果越好，交叉熵的值越小，圖像融合效果越好。設(shè)信息熵、平均梯度、空間頻率、結(jié)構(gòu)相似性及交叉熵分別為：fIE，fAG，fSF，fSSIM，fCE，則為了得到最佳融合圖像，構(gòu)造以下適應(yīng)度函數(shù)：

3.2 自適應(yīng)融合方法及步驟

本文提出的融合方法步驟如下：

Step1利用NSST變換分別對已配準(zhǔn)并預(yù)處理后的源圖像進行分解，得到低頻子帶系數(shù)和高頻子帶系數(shù)；

Step2對低頻子帶，先利用分數(shù)階微分增強后進行顯著性檢測，并依據(jù)顯著圖匹配度規(guī)則，將紅外與可見光圖像的低頻子帶系數(shù)執(zhí)行融合操作，得到低頻子帶融合圖像；

Step3對高頻子帶系數(shù)，按照梯度變化和灰度差異加權(quán)策略進行融合；

Step4對融合處理后的高頻方向子帶系數(shù)及低頻子帶系數(shù)執(zhí)行NSST逆變換，利用改進的量子煙花算法對高低頻融合參數(shù)δ和γ進行最優(yōu)化處理。

Step5輸出最佳的融合圖像。

融合流程如圖2所示。

圖2 自適應(yīng)融合算法流程圖Fig.2 Flow chart of adaptive fusion algorithm

4 實驗結(jié)果與分析

為了驗證所提算法的有效性與先進性，本文選用了3組紅外與可見光圖像進行實驗，這3組圖像均為FEL攝像機系統(tǒng)注冊的標(biāo)準(zhǔn)圖庫圖像，且均已經(jīng)過嚴格配準(zhǔn)。實驗硬件平臺為：Windows 10操作系統(tǒng)、CPU：Pentium、RAM：8 GB；軟件運行環(huán)境是Matlab R2016a。

4.1 分數(shù)階微分顯著性檢測性能測試

為了驗證本文所提視覺顯著性檢測方法的有效性，將本文檢測方法與譜殘余（SR）顯著性檢測、基于圖流形排序（MR）顯著性檢測、頻率調(diào)諧（FT）顯著性檢測等方法進行比較，圖3為紅外圖像經(jīng)過不同視覺顯著性檢測方法得到的結(jié)果圖，PR曲線如圖4所示，其中Precision表示查準(zhǔn)率，Recall為查全率。通過視覺顯著圖的結(jié)果可以看出，SR方法受復(fù)雜邊緣的影響，檢測效果不太理想；MR方法檢測結(jié)果中存在較多的背景信息；FT方法目標(biāo)突出，但邊緣細節(jié)還不夠豐富；本文方法克服了上述幾種方法的不足，檢測結(jié)果紅外的目標(biāo)信息突出，邊緣細節(jié)得到保持，背景信息在一定程度上得到抑制。

圖3 視覺顯著性檢測結(jié)果及比較Fig.3 Results and comparison of visual saliency detection

圖4 顯著性檢測PR曲線圖Fig.4 PR curve of saliency detection

4.2 改進的量子煙花算法性能測試

為求得本文提出的動態(tài)自適應(yīng)旋轉(zhuǎn)角函數(shù)中λ的最佳值，利用測試函數(shù)matyas進行性能測試，如式（23）所示，該函數(shù)最小值在（0，0）點取為0，最大迭代次數(shù)設(shè)為200。實驗中，算法的參數(shù)設(shè)置如下：煙花個數(shù)N=10，爆炸火花個數(shù)Si=80、爆炸半徑，高斯變異火花數(shù)GM=35、非門變異概率Pn=0.2。每組實驗進行100次，在不同的λ值下，實驗達到的最優(yōu)值的概率和迭代次數(shù)的平均結(jié)果如表1所示。當(dāng)取λ=1.4時，算法的尋優(yōu)能力和尋優(yōu)速度達到最佳，并將此結(jié)果當(dāng)作本文方法的最佳參數(shù)。

表1 量子煙花算法在不同λ值得到的平均最優(yōu)值的概率（%）和迭代次數(shù)Tab.1 Probability（%）and iterations of the average optimal value of QFWA in differentλ

另外，為了驗證所提改進量子煙花算法的有效性，本文將所提算法與另外幾種基于量子的優(yōu)化算法進行對比實驗，用matyas測試函數(shù)進行測試，實驗結(jié)果如表2所示，幾種智能算法求解的迭代過程如圖5所示。

表2 量子煙花與其他幾種智能算法尋優(yōu)測試對比Tab.2 Comparison between QFWA and other intelligent algorithms

圖5 五種基于量子的智能算法求解matyas的迭代過程Fig.5 Iterative process of five intelligent algorithms based on quantum for Matyas

由實驗結(jié)果可知，量子煙花算法在最優(yōu)值、平均值及方差上的表現(xiàn)均優(yōu)于其他幾種算法。量子煙花算法由于在煙花算法的基礎(chǔ)上進行量子旋轉(zhuǎn)門和非門變異操作，使得算法能夠跳出局部最優(yōu)，一定程度上加快了算法收斂速度。

4.3 圖像融合效果及比較分析

將本文所提算法與基于小波變換、輪廓波變換、NSCT變換的融合算法以及文獻［8］、［13］、［14］和［15］所提算法進行比較分析，以驗證本文所提融合方法的有效性與先進性。其中，小波變換采用“db4”濾波器進4層分解，Contourlet及NSCT變換采用“9-7”金字塔濾波器、“dmaxflat”方向濾波器進行3級分解，本文NSST分解層數(shù)為3，每層方向數(shù)為2i，i∈[1，2，3，4]。

圖6 ~圖8為三組圖像不同方法的融合結(jié)果。其中：（a）圖是采用小波變換，4層分解，低頻子帶系數(shù)按能量取平均，高頻部分取能量最大的作為融合的高頻系數(shù)；（b）圖采用Contourlet變換，3層分解，同（a）圖一樣，低頻取平均，高頻能量取最大的融合方法；（c）圖采用高、低頻能量取平均值的NSCT變換融合方法；（d）圖先對圖像進行NSSCT變換，然后高頻部分利用信息互補的方式進行融合，低頻部分采用顯著性增強方法進行融合；（e）圖采用多尺度變換NSCT和改進FT的融合方法；（f）圖利用改進的MR算法對圖像進行視覺顯著性檢測，以指導(dǎo)低頻子帶的融合，高頻則以兩圖中局部標(biāo)準(zhǔn)差的較大值作為融合的高頻系數(shù)；（g）圖采用FDST和PCNN的融合方法。

通過以上圖6~8所示的融合效果可見：小波變換的融合算法可以獲得一定的特征信息，如圖6（a）中的行人、道路及屋頂帽檐，圖8（a）中的汽車和探照燈等重要特征基本能突顯出來，但融合圖像還存在虛影，圖像中的部分特征信息較為模糊，層次感不強，不能有效地保留局部特征，即存在偽吉布斯效應(yīng)；相較于小波變換，基于輪廓波變換融合算法的融合效果得到一定提升，但融合后圖像的細節(jié)信息不夠豐富，畫質(zhì)比較粗糙，效果不明顯，如圖6（b）~7和8（b）所示；與基于輪廓波變換的融合算法相比，基于NSCT的融合效果比較顯著，融合后圖像的邊緣、輪廓更加清晰，融合圖像的紋理細節(jié)更為豐富，層次感更好，如圖7（c）中的石頭顯得更加突出，圖8（c）中的行人、探照燈、護欄等的層次感更強，畫質(zhì)也更加清晰，但部分輪廓連貫性表現(xiàn)不足，即部分邊緣、輪廓信息丟失，如圖8（c）中的車輛信息、山體的凹凸面輪廓、屋頂?shù)容喞粔蜻B貫；參考文獻［9］采用的融合算法融合后圖像的對比度有所提升，細節(jié)更為豐富，但同時引入了部分不必要信息，如圖8（d）中的探照燈等，即出現(xiàn)過增強效應(yīng)；參考文獻［13］、［14］、［15］采用的融合算法更為先進，融合效果較好，整體的畫質(zhì)和輪廓邊緣更加清晰，紋理細節(jié)更為豐富，圖像目標(biāo)信息與與背景層次感更強，如圖中行人與背景的層次；本文采用的融合方法融合效果與實際場景更相符，整體效果更佳，特別是對角區(qū)域和中軸線區(qū)域，紋理清晰、明朗，層次感強。

圖6 第1組融合效果圖Fig.6 Fusion effects of group 1

圖7 第2組融合效果圖Fig.7 Fusion effects of group 2

圖8 第3組融合效果圖Fig.8 Fusion effects of group 3

為進一步驗證本文算法的融合效果，文章從信息熵（IE）、平均梯度（AG）、空間頻率（SF）及結(jié)構(gòu)相似度（SSIM）、交叉熵（CE）、運行時間幾個方面對融合效果進行客觀評價。通過實驗，六個參數(shù)的統(tǒng)計結(jié)果如表3所示。從統(tǒng)計結(jié)果可見：3組數(shù)據(jù)6個指標(biāo)中，本文所提方法需要的運行時間較長，與參考文獻［15］的時間相當(dāng)，這是因為本文所提方法在運行過程中要不斷迭代尋優(yōu)，耗費了較長的時間。但本文算法的其它5個指標(biāo)均是最優(yōu)的，除了第1組中在結(jié)構(gòu)相似度上文獻［14］比文獻［13］略低，第2組數(shù)據(jù)中，平均梯度和空間頻上文獻［14］比文獻［13］略低外，幾個指標(biāo)基本上呈逐漸遞增趨勢，剛好與主觀人眼視覺分析相吻合。幾種比較算法中，文獻［15］所得到的參數(shù)值是最佳的，與效果較佳的文獻［15］相比，本文算法在信息熵、平均梯度、空間頻率和結(jié)構(gòu)相似度幾個參數(shù)上，第1組分別提高了4.3%，0.9%，1.0%，2.2%，第2組分別提高了4.4%，2.3%，1.2%，5.6%，第3組分別提高了4.1%，1.7%，0.6%，2.2%，交叉熵三組分別降低了2.8%，3.1%和2.6%，這與主觀人眼視覺看到的融合效果一致，體現(xiàn)了本文所提算法的先進性與有效性。

表3 三組利用不同融合方法的客觀指標(biāo)評價結(jié)果Tab.3 T hree groups evaluation results of objective index with different fusion methods

5 結(jié) 論

針對傳統(tǒng)紅外與可見光圖像融合算法中存在的細節(jié)紋理信息不夠清晰，邊緣信息保留不夠充分等問題，提出一種基于分數(shù)階顯著性檢測及改進量子煙花算法的NSST域圖像融合方法。圖像的低頻部分，結(jié)合分數(shù)階微分增強后進行顯著性檢測，該檢測方法突出了圖像的目標(biāo)信息，保持了邊緣細節(jié)，同時一定程度上抑制了背景信息，為后續(xù)結(jié)合顯著圖匹配度的融合提供了較好的指導(dǎo)。梯度變化與灰度差異加權(quán)的高頻融合規(guī)則，使得融合后圖像邊緣細節(jié)豐富，紋理清晰。改進的量子煙花算法有效地提升了算法的尋優(yōu)能力和收斂效率。實驗結(jié)果表明：所提方法得到的融合圖像有效地綜合了源圖像中的細節(jié)信息，從人眼視覺感知和5個客觀數(shù)據(jù)分析函數(shù)驗證了本文方法的有效性，與現(xiàn)有方法相比具有較好的融合效果，且自適應(yīng)能力強、無需人工干預(yù)。