论文阅读-图像融合：Bayesian fusion for infrared and visible images（红外图像和可见光图像的贝叶斯融合）

摘要

1-利用可见光图像的梯度及详细纹理信息和红外图像的热辐射得到高亮目标的融合图像。
2-图像融合过程转化为回归问题
3-层次贝叶斯方法建立模型以测量变量的不确定性
4-引入了全变差惩罚，期望最大化算法（对模型进行有效判断）
5-融合图像具有高光目标，以及丰富的纹理细节。提高了目标自动检测和识别系统的可靠性。
#多模态融合两个及以上的不同类的图像融合！贝叶斯融合：图像内的特征融合？
#全变差惩罚？？？

贝叶斯融合模型

1，可见光图像：含有更多的高频信息，但对干扰敏感
2，红外图像：失去了部分纹理信息，但对干扰鲁棒性
3，融合图像：需要对轮廓建模，需要考虑图像纹理，对融合特征进行稀疏正则化，可以使得模型更专注于重要的特征（比如纹理）。

融合公式

贝叶斯图模型

算法及其实现细节

实验

评价指标：

1. EN(熵)
2. MI(互信息)
3. SD(标准差) ；
4. SSIM)(结构相似指数测量)
5. Q AB/F

其中1和4测量图像中包含多少信息，2测量源图像与融合图像之间的一致性，4测量融合图像与源图像之间的结构相似性，5反映了图像中保留的边缘信息。