基于雙邊濾波的可見光與紅外圖像自適應(yīng)融合

唐偉， 賈方秀， 王曉鳴

(南京理工大學(xué) 智能彈藥技術(shù)國防重點(diǎn)學(xué)科實(shí)驗(yàn)室， 江蘇 南京 210094)

0 引言

可見光圖像擁有豐富的細(xì)節(jié)紋理等信息，但當(dāng)目標(biāo)出現(xiàn)遮擋或者光線不足、雨霧等惡劣天氣時，難以捕獲其關(guān)鍵信息；而紅外圖像能在惡劣條件下清晰地探測到物體目標(biāo)，缺點(diǎn)是圖像分辨率相對較低[1]?？梢姽馀c紅外圖像融合技術(shù)能夠充分融合二者的互補(bǔ)信息，融合之后的圖像能夠更加全面地描述場景特征[2]?？梢姽馀c紅外圖像融合技術(shù)在目標(biāo)識別[3]、目標(biāo)跟蹤[4]、航空航天、國防安全等領(lǐng)域有著重要的作用。

基于多尺度變換的融合方法能夠很好地提取圖像的細(xì)節(jié)信息進(jìn)行融合，更符合人類視覺系統(tǒng)，因此這類方法能夠有良好的性能[5-6]?？梢姽鈭D像有豐富的細(xì)節(jié)特征信息，如點(diǎn)、線、邊緣等特征，紅外圖像缺少可見光圖像特有的細(xì)節(jié)信息，而傳統(tǒng)的多尺度分解方法對二者圖像采用相同的多尺度分解方式來獲得源圖像低頻和高頻部分，并沒有根據(jù)紅外圖像與可見光圖像各自的特點(diǎn)設(shè)計(jì)不同的多尺度分解方式，因此本文根據(jù)二者獨(dú)有的特性，設(shè)計(jì)了一種基于雙邊濾波的分解方式，在能夠提取可見光細(xì)節(jié)特征的同時，又能夠提取紅外圖像特有的信息。

通過多尺度變換能夠得到圖像的低頻部分和高頻部分，低頻部分包含了源圖像大部分信息，而高頻部分則包含了圖像細(xì)節(jié)等信息，因此往往需要根據(jù)高頻與低頻部分的特點(diǎn)設(shè)計(jì)不同的融合規(guī)則。高頻部分的融合，通常采用絕對值最大的融合方法，這樣的融合規(guī)則容易使得圖像之間各自的信息失衡[7]。文獻(xiàn)[8]采用區(qū)域標(biāo)準(zhǔn)差的方法來融合高頻部分，通過計(jì)算3×3窗口大小的標(biāo)準(zhǔn)差來確定融合的權(quán)值，而標(biāo)準(zhǔn)差反映了數(shù)據(jù)的離散程度，由于圖像高頻信息往往包含點(diǎn)、線、邊緣細(xì)節(jié)等信息，離散程度相對較高，標(biāo)準(zhǔn)差對圖像高頻部分不能進(jìn)行有效的度量。低頻部分的融合規(guī)則一般采用簡單的求和平均的方法，但這種融合方法會導(dǎo)致低頻部分某些信息的丟失，如紅外圖像特有的信息在平均之后會變得平滑模糊。文獻(xiàn)[7]提出了一種基于紅外圖像改進(jìn)拉普拉斯能量和的正則化參數(shù)來確定低頻部分的融合權(quán)重，但是也需要根據(jù)具體圖像場景人為設(shè)定正則化參數(shù)的值。文獻(xiàn)[9]提出了一種利用紅外信息來確定融合權(quán)重的方法，該方法雖然能更方便地選擇正則化參數(shù)值，但當(dāng)使用該方法融合可見光與紅外圖像反差較大的區(qū)域時難以調(diào)整其融合參數(shù)，不易達(dá)到理想的效果。針對以上問題，對低頻部分的融合，本文提出了一種自適應(yīng)正則化參數(shù)的融合方法，能夠根據(jù)圖像場景的不同自適應(yīng)確定融合的權(quán)值。高頻部分的融合，本文算法提取了源圖像特有細(xì)節(jié)和局部細(xì)節(jié)，為了最大程度上保留可見光與紅外圖像特有的信息，特有細(xì)節(jié)部分采用絕對值最大的融合方法，而局部細(xì)節(jié)部分包括源圖像大量的邊緣、線等細(xì)節(jié)信息，因此本文提出了一種基于邊緣能量的融合方法，通過計(jì)算其邊緣能量值來確定融合的權(quán)值。

1 基于融合的雙邊濾波

經(jīng)典的雙邊濾波算法能夠很好地保留圖像的邊緣細(xì)節(jié)信息，當(dāng)使用雙邊濾波提取圖像某個尺度信息時，不能很好地提取紅外圖像中的人物信息，如 圖1(a) 和圖1(c)的人物目標(biāo)，雙邊濾波之后紅外圖像特有的人物目標(biāo)沒有明顯的變化，不易于提取人物目標(biāo)。因此本節(jié)針對可見光與紅外圖像融合的特性，設(shè)計(jì)了一種適用于可見光與紅外圖像融合的雙邊濾波算法。

圖1 兩種濾波算法濾波后的圖像對比

1.1 經(jīng)典的雙邊濾波方法

雙邊濾波是一種能夠保留圖像邊緣細(xì)節(jié)的非線性濾波[10]，對于明顯的邊緣細(xì)節(jié)信息能夠較好地保留，對于局部弱小的紋理細(xì)節(jié)有一定的平滑作用。傳統(tǒng)的高斯濾波只考慮圖像像素點(diǎn)在空間上的位置關(guān)系，容易丟失圖像的強(qiáng)邊緣信息，雙邊濾波不光考慮了圖像像素點(diǎn)之間的空間位置關(guān)系，還考慮了圖像像素點(diǎn)與其鄰域像素點(diǎn)的像素大小之間的關(guān)系。圖像I在像素點(diǎn)I(x,y)的雙邊濾波Ib(x,y)可表示為

(1)

(2)

(3)

(4)

式中：Gσs、Gσr分別表示空間位置的濾波核、像素大小的濾波核，s、r分別為區(qū)分空間位置和像素部分的高斯標(biāo)準(zhǔn)差；σs、σr分別表示空間位置和像素大小的高斯標(biāo)準(zhǔn)差；I(i,j)表示像素點(diǎn)I(x,y)的鄰域像素；Ω表示圖像I的濾波窗口。

在原始圖像像素變化較小的區(qū)域，I(x,y)與I(i,j)基本一致，即Gσr近似為1，雙邊濾波的效果與高斯濾波的結(jié)果基本一致，因此該濾波方法不能有效地保留局部弱小紋理細(xì)節(jié)部分。當(dāng)原始圖像像素大小變化明顯時Gσr不能近似為1，雙邊濾波算法考慮到了該像素點(diǎn)鄰域內(nèi)像素值的差異，能夠很好地保留圖像的邊緣信息。因此取原圖像與濾波后的圖像的差值表示為圖像的局部細(xì)節(jié)信息，該信息是源圖像被經(jīng)典雙邊濾波平滑掉的噪聲、弱小紋理細(xì)節(jié)信息，但如果對可見光和紅外圖像采用相同的雙邊濾波算法，濾波后的圖像保留了原始圖像的邊緣輪廓等信息，不能通過計(jì)算原圖像與濾波后圖像差值的方式來獲取圖像特有細(xì)節(jié)信息。該信息包括紅外圖像相對于可見光圖像特有的邊緣輪廓等信息或可見光圖像相對于紅外圖像特有的邊緣輪廓等信息，如紅外圖像的人物顯著邊緣輪廓信息。

1.2 可見光與紅外圖像融合的雙邊濾波算法

基于傳統(tǒng)雙邊濾波的融合算法對源圖像采用相同的分解方式，雖然該方法能夠提取源圖像大部分局部弱小細(xì)節(jié)信息，但是不能提取紅外圖像和可見光圖像特有的細(xì)節(jié)信息。后續(xù)的融合過程會丟失紅外圖像和可見光圖像特有的細(xì)節(jié)信息部分，所以本文提出了一種改進(jìn)的雙邊濾波算法來提取可見光或紅外圖像特有的細(xì)節(jié)信息，經(jīng)典雙邊濾波算法中像素域原本只有單一圖像的像素值，改進(jìn)的算法同時引入了可見光圖像和紅外圖像的像素值，該方法能充分提取圖像的局部細(xì)節(jié)信息和特有細(xì)節(jié)信息，具體的表示方法如(5)式、(6)式所示。

改進(jìn)后的雙邊濾波可以表示為

(5)

(6)

式中：Ie表示與I相對應(yīng)的另一種源圖像。通過設(shè)定合適的σr值，由(5)式可以得到濾波后的圖像Ib,e，其中圖像I與圖像Ie相同的細(xì)節(jié)信息將會被模糊平滑，不同于圖像Ie的獨(dú)特信息會被保留下來，因此通過這種濾波算法可以得到圖像I獨(dú)特的細(xì)節(jié)信息。對比圖1(c)和圖1(d)可以看出：紅外圖像的局部弱小紋理細(xì)節(jié)均被平滑模糊，圖1(c)中的紅外特有人物目標(biāo)信息與有原圖像中的人物基本一致，不便于提取目標(biāo)信息；圖1(d)中的紅外特有人物目標(biāo)信息被過濾掉絕大部分，因此后續(xù)的方法能夠輕松地提取紅外圖像特有的人物目標(biāo)信息。

2 基于雙邊濾波的可見光與紅外圖像融合

本節(jié)針對傳統(tǒng)的分解方法不能充分提取圖像特有細(xì)節(jié)信息的問題，提出了一種基于雙邊濾波多尺度分解算法來提取可見光或紅外圖像特有的細(xì)節(jié)信息。同時在圖像融合階段，針對目前基于正則化參數(shù)的融合方法需要人為調(diào)整參數(shù)的問題，提出了一種完全自適應(yīng)控制融合權(quán)值的方法，該方法不需要人為調(diào)整參數(shù)，同時融合后的圖像細(xì)節(jié)更加豐富、圖像整體更加自然。

本節(jié)所提出的圖像融合方法主要由圖像分解，分解之后的融合以及圖像重建三個部分組成。圖像分解部分主要是通過雙邊濾波和改進(jìn)的雙邊濾波將源圖像分解為高頻細(xì)節(jié)和低頻近似兩個部分，高頻細(xì)節(jié)部分包括圖像局部細(xì)節(jié)部分和特有細(xì)節(jié)部分，低頻近似部分包括圖像的基礎(chǔ)部分；然后采用不同的融合規(guī)則對這三部分進(jìn)行融合；最后通過融合之后的基礎(chǔ)、局部細(xì)節(jié)、特有細(xì)節(jié)三個部分重建融合后的圖像。

本節(jié)提出的可見光與紅外圖像的融合框架如 圖2 所示，假設(shè)在進(jìn)行可見光與紅外圖像融合之前，所使用的紅外與可見光圖像均進(jìn)行了配準(zhǔn)，圖像融合的具體步驟如下。

圖2 融合算法流程圖

2.1 基于雙邊濾波的多尺度分解

源圖像經(jīng)過經(jīng)典的雙邊濾波可以得到濾波后的圖像Ib，Ib保留了源圖像明顯的邊緣輪廓等信息，圖像的噪聲、弱小的紋理細(xì)節(jié)被平滑模糊，因此可以取原圖像與濾波后的圖像的差值表示圖像的局部細(xì)節(jié)信息E；而源圖像通過改進(jìn)的雙邊濾波可以得到濾波后的圖像Ib,e，Ib,e中所包含的局部細(xì)節(jié)信息同樣被平滑模糊，同時平滑模糊掉了源圖像獨(dú)特的特有細(xì)節(jié)信息，因此可以得到源圖像所包含的特有細(xì)節(jié)信息D；Ib,e表示源圖像的基礎(chǔ)部分B。根據(jù)雙邊濾波算法可以將圖像分解為B、D和E三部分，具體的計(jì)算方法可以表示為

B=Ib,e
D=Ib-Ib,e
E=I-Ib

(7)

圖3 本文提出的多尺度分解算法流程

Ij=Bj+Dj+Ej

(8)

(9)

(10)

2.2 低頻部分融合規(guī)則

為了充分保留可見光圖像和紅外圖像各自獨(dú)特的信息，本文針對圖像分解后的不同信息設(shè)計(jì)了不同的像素級融合算法。根據(jù)低頻部分的特點(diǎn)，引入了自適應(yīng)的正則化參數(shù)來控制兩種圖像特征信息之間的權(quán)重值，既能保留可見光圖像的細(xì)節(jié)信息，又能保留紅外圖像特有的信息；對于高頻部分的融合，局部細(xì)節(jié)部分本文提出了一種基于邊緣能量的融合算法，特有細(xì)節(jié)部分采用絕對值最大的融合規(guī)則。

圖像的基礎(chǔ)部分包含了源圖像大量的低頻能量，代表了源圖像平滑的區(qū)域，傳統(tǒng)的融合方法是基于像素平均的方法，這種融合方式會丟失源圖像的能量信息。文獻(xiàn)[11]和文獻(xiàn)[12]提出了通過正則化參數(shù)調(diào)整圖像融合的權(quán)重值，但是需要手工根據(jù)源圖像的不同來調(diào)整參數(shù)值，本文提出了一種基于正則化參數(shù)的自適應(yīng)融合方法，通過像素點(diǎn)鄰域內(nèi)的局部能量值來間接確定融合的權(quán)重值，該方法不用人為調(diào)整參數(shù)，融合效率更高。首先，求得紅外圖像低頻部分的局部能量值REVis和可見光圖像低頻部分的局部能量值REIR：

(11)

(12)

式中：wr(·)表示(x,y)鄰域窗口ψ的權(quán)值；(m，n)表示鄰域窗口內(nèi)的坐標(biāo)位置，本文中ψ選用5×5大小的窗口；BVis、BIR分別表示由多尺度分解所得的可見光圖像和紅外圖像的基礎(chǔ)部分。

基于非線性函數(shù)的權(quán)重C可以表示為

(13)

Bf=CBIR+(1-C)BVis

(14)

式中：C表示紅外圖像基礎(chǔ)部分的權(quán)重值，通過(13)式求得；BIR和BVis分別表示為由本文分解算法得到紅外基礎(chǔ)部分和可見光基礎(chǔ)部分，通過(7)式求得。

2.3 高頻部分融合規(guī)則

2.3.1 局部細(xì)節(jié)部分融合規(guī)則

高頻部分包含了源圖像大量的邊緣細(xì)節(jié)信息，如果采用傳統(tǒng)的絕對值最大的方法對高頻部分進(jìn)行融合，則會丟失源圖像所包含的細(xì)節(jié)信息，不能最大化地保留源圖像的信息，也會在一定程度上降低圖像的對比度。因此本節(jié)提出了一種基于邊緣能量(EOE)[13]的改進(jìn)融合方法。改進(jìn)的邊緣能量定義為

(15)

式中：we(·)表示像素點(diǎn)(i,j)鄰域窗口φ的權(quán)值，本文中φ選用3×3大小的窗口；EE(i,j)的計(jì)算公式如下：

EE(i,j)=|E1*D(i,j)|+|E2*D(i,j)|+
|E3*D(i,j)|+|E4*D(i,j)|

(16)

式中：|*|表示卷積運(yùn)算；E1、E2、E3、E4分別表示0°、45°、90°、135°方向上的方向?yàn)V波算子。

(17)

通過這4個濾波算子可以得到圖像4個方向上的邊緣細(xì)節(jié)信息，從而通過邊緣能量的方法來確定紅外圖像與可見光圖像局部細(xì)節(jié)部分融合的權(quán)重值；然后對兩種圖像的權(quán)重值進(jìn)行歸一化處理，使權(quán)重值分布在0～1之間，從而可以確定紅外圖像局部細(xì)節(jié)部分的權(quán)重值wIR為

(18)

式中：gσe表示高斯函數(shù)，能夠減少圖像的噪聲，同時起著平滑權(quán)重值的作用；EOEIR和EOEVis可以通過(15)式求得；|*|表示卷積運(yùn)算；k是一個可以調(diào)整融合權(quán)重值的參數(shù)，能夠根據(jù)紅外圖像的強(qiáng)弱進(jìn)行相應(yīng)的調(diào)整，本文中k=1。融合后的局部細(xì)節(jié)部分Df可以表示為

Df=(1-wIR)DVis+wIRDIR

(19)

2.3.2 特有細(xì)節(jié)部分融合規(guī)則

對于特有細(xì)節(jié)部分的融合，為了最大程度上保留可見光圖像與紅外圖像各自特有的信息，本文采用絕對值最大的融合規(guī)則，融合后的特有細(xì)節(jié)部分Ef可以表示為

Ef=βVisEVis+βIREIR

(20)

(21)

βIR=1-βVis

最終融合后的圖像F可以表示為

(22)

式中：n=2。

3 實(shí)驗(yàn)結(jié)果分析與討論

為了驗(yàn)證所提出算法的有效性，本文從主觀上和客觀上來評價提出算法的融合效果。對比分析了其他5種經(jīng)典的融合算法，分別是拉普拉斯金字塔的方法(LP)[14]、低通比率金字塔(RP)[15]、曲波變換(CVT)[16]、多分辨率奇異值分解(MSVD)[17]、梯度轉(zhuǎn)移的融合方法(GTF)[18]。這5種經(jīng)典的融合算法都是基于公開的代碼實(shí)現(xiàn)的，其中參數(shù)的設(shè)置與原文一致。本文實(shí)驗(yàn)用的紅外與可見光圖像均進(jìn)行了配準(zhǔn)，實(shí)驗(yàn)平臺為MATLAB 2020b，Intel core 3.6 GHz，16 GB內(nèi)存。所使用的圖像數(shù)據(jù)均來源于文獻(xiàn)[19]。

為了從客觀上評價本文的可見光紅外圖像算法的融合效果，本文通過均值(Mean)[20]、標(biāo)準(zhǔn)偏差(SD)[20]、互信息(MI)[21]、邊緣保持度(QAB/F)[22]、特征互信息(FMI)[23]、信息熵(EN)[24]等6種定量指標(biāo)來對融合結(jié)果進(jìn)行客觀的評價。圖像的均值反映圖像的明亮程度，其值越大，圖像視覺效果越好；標(biāo)準(zhǔn)偏差能夠描述圖像的對比度特征，其值越大，圖像的對比度越大；互信息代表了圖像之間的相關(guān)程度，MI值越大，融合后的圖像與源圖像之間相關(guān)程度越大，融合效果越好。邊緣保持度代表了融合后的圖像邊緣信息量的多少，能夠反映融合后的圖像質(zhì)量。特征互信息代表了融合后的圖像特征保留的完整度；信息熵反映了融合圖像的信息豐富程度，其值越大，圖像所包含的信息越豐富。在本文仿真實(shí)驗(yàn)中，一些參數(shù)的初始值如下：σs=3，σr=4；為方便計(jì)算，wr用窗口大小為5×5的歸一化高斯模板代替，同時we用窗口大小為3×3的歸一化高斯模板代替。

圖4對比分析了本文算法與其他5種算法的融合效果，源圖像為Trees4917。從圖4中可以看出，除了本文算法外，其他5種算法融合的圖像對比度相對較差，在可見光圖像中原本明亮的區(qū)域相對較暗，而基于MSVD方法融合結(jié)果的圖像中人物不夠突出；通過圖4中的紅色矩形部分可以看出，本文的算法能夠清晰地看見樹的邊緣，輪廓細(xì)節(jié)更加的明顯，接近可見光圖像的視覺效果，其他5種方法保留了太多紅外圖像得特性，導(dǎo)致圖像的細(xì)節(jié)信息存在一定程度的丟失。

圖4 不同融合方法融合結(jié)果細(xì)節(jié)對比

本文選取5組不同場景下的圖像，更加直觀地展現(xiàn)了本文算法與其他融合算法的融合效果。本文算法與其他5種融合算法融合結(jié)果如表1所示。通過綜合對比不同場景下的其他融合算法可以看出，本文算法能夠最大程度地保留紅外圖像信息和可見光圖像信息，融合圖像看起來更加自然，細(xì)節(jié)信息保留更好；本文算法能夠更好地融合可見光與紅外圖像各自的特性，能夠最大程度地保留紅外圖像特有的人物目標(biāo)，也能夠保留可見光圖像的細(xì)節(jié)信息，融合后的圖像更加自然；通過RP算法融合后的圖像存在偽吉布斯現(xiàn)象，輪廓細(xì)節(jié)的表現(xiàn)沒有本文算法自然。CVT方法丟失了較多可見光圖像的細(xì)節(jié)信息；MSVD方法對比度相對較弱，人物目標(biāo)突出不夠充分；LP方法不能夠充分的表現(xiàn)圖像的細(xì)節(jié)信息，如表1中的營地圖像；GTF方法對于圖像細(xì)節(jié)的表現(xiàn)不足，如表1中的坦克圖像中，樹葉沒有完全表現(xiàn)出來。而本文的方法能夠很好地展現(xiàn)人物輪廓、細(xì)節(jié)等信息，融合后圖像的對比度也較強(qiáng)，視覺效果更加自然。

表1 不同融合方法對不同圖像的融合結(jié)果

為定量分析本文融合算法與其他融合算法的融合效果，實(shí)驗(yàn)對比了兩組圖像序列的融合效果，圖像序列分別是Trees和Duines，實(shí)驗(yàn)結(jié)果如表2所示。由表2可見：本文算法的SD、FMI、EN、MI、Mean值最大，相比于對比算法的融合效果，通過本文算法融合后的圖像與源圖像相關(guān)程度最高，圖像對比度越好，視覺特征越明顯，細(xì)節(jié)特征更豐富；QAB/F評價指標(biāo)僅次于RP算法，但是RP算法融合的圖像存在偽吉布斯現(xiàn)象，對于細(xì)節(jié)部分的融合不夠自然。綜上所述，本文提出的融合算法融合效果更好，源圖像的細(xì)節(jié)表現(xiàn)能力更強(qiáng)，融合后的圖像更加的自然。

表2 不同融合算法下Trees和Duine圖像序列融合結(jié)果的6種評價指標(biāo)對比

表3和表4分別為圖像序列Trees和Duine通過6種方法融合后的6種客觀評價指標(biāo)。通過表3和表4能夠看出：本文所提方法的MI、EN、FMI、SD指標(biāo)都最大，表明融合效果相對較好；與其他5種方法效果最好的相比，表3和表4中的MI、EN、FMI、SD4種指標(biāo)分別提高了13.6%、1.1%、0.7%、4.4%和22.6%、5.7%、0.1%、30.4%。QAB/F指標(biāo)相對于其他5種方法的平均值提升了14.2%和9.7%，僅次于基于RP方法融合的結(jié)果，但從主觀視覺效果分析，RP的方法存在偽吉布斯現(xiàn)象。Mean評價指標(biāo)在Duine圖像序列中值相對較小，在Trees圖像序列中比最好的方法提升了18.4%。本文提出的融合方法對圖像進(jìn)行多尺度分解，但與傳統(tǒng)非下采樣金字塔濾波器組多尺度分解算法相比，雙邊濾波器結(jié)構(gòu)單一，使得多尺度分解更加高效。以Road圖像為例，從表5中可以看出，本文融合方法所運(yùn)行的時間比LP、RP和MSVD方法高，比CVT和GTF方法運(yùn)行時間少。

表3 Trees圖像序列在不同融合方法下融合結(jié)果的客觀評價指標(biāo)

表4 Duine圖像序列在不同融合方法下融合結(jié)果的客觀評價指標(biāo)

表5 不同融合方法的運(yùn)行時間比較

4 結(jié)論

本文提出了一種基于雙邊濾波的紅外與可見光自適應(yīng)融合的算法，針對傳統(tǒng)融合方法會導(dǎo)致融合后圖像細(xì)節(jié)信息缺失、不能充分保留源圖像特有細(xì)節(jié)信息等問題，通過改進(jìn)的雙邊濾波算法進(jìn)行圖像分解，得到了紅外與可見光圖像特有的信息以及局部的細(xì)節(jié)信息。在融合過程中，引入了局部能量值和邊緣能量值來計(jì)算融合的權(quán)重值，同時引入了正則化參數(shù)來控制紅外與可見光的權(quán)重值。實(shí)驗(yàn)結(jié)果表明，通過該方法融合的圖像在具備良好的視覺效果外，還充分保留了源圖像的細(xì)節(jié)特征；相對于本文對比的其他方法，通過本文提出的方法融合的圖像能夠包含豐富的特征信息。對比客觀數(shù)據(jù)可知，本文融合方法的MI、EN、FMI、SD、QAB/F、Mean4種指標(biāo)相對于其他方法綜合提升了22.6%、5.7%、0.7%、30.4%、14.2%、18.4%。在主觀視覺上和客觀評價指標(biāo)中，本文所提的算法均具備更優(yōu)的融合效果。

本文的融合算法綜合性能相對較好，但目前還難以在小型的機(jī)載平臺中對圖像進(jìn)行實(shí)時處理，因此后續(xù)的研究需要關(guān)注如何提升算法的實(shí)時性，特別是對大尺寸圖像的實(shí)時融合處理的研究。