Um die Probleme des Informationsverlusts und der Redundanz von Daten durch die Werkzeuge der Multiskalenzerlegung bei der Fusion von thermischen und sichtbaren Bildern zu lösen, was zu Problemen mit der Beschädigung von Kantendetails führt, schlägt dieser Artikel einen Algorithmus zur Fusion von thermischen und sichtbaren Bildern vor, der das hybride Multi-Scale Decomposition Model (HMSD) und das verbesserte Pulse Coupled Neural Network (PCNN) verwendet. Zunächst wird aufgrund der gemeinsamen Merkmale des schnellen alternativen geführten Filters (FAGF) und des Gauss-Filters (GF) ein neues Modell für die hybride Multiskalenzerlegung (HMSD) vorgeschlagen, bei dem das Quellbild mit dem HMSD-Modell in eine Grundschicht und drei Merkmalskarten zerlegt wird, wobei jede Merkmalskarte eine feine und grobe Doppelstruktur enthält. Anschließend verwendet die Fusion der Grundschicht die Kernnorm-Minimierungsregel (NNM) und die Zonentenergiezerlegungsregel wird für jede Merkmalskarte angewendet. Die experimentellen Ergebnisse zeigen, dass die in diesem Artikel vorgeschlagene Methode im Durchschnitt mehrere objektive Bewertungskriterien wie räumliche Frequenz, Informationsentropie, Fusionsqualität, Spitzen-Signal-Rausch-Verhältnis, visuelle Treue und Standardabweichung um 47,6 %, 5,2 %, 6,4 %, 9,4 %, 5,3 %, 27,3 % erhöht, nicht nur die Rand- und Strukturdetails des Quellbildes gut erhalten, sondern auch seine visuelle Wirkung verbessern.

image fusion;infrared and visible;mixed multi-scale decomposition;fast alternating guided filtering;pulse coupled neural network