来自众多资源的信息协作称为融合。 红外图像无法显示面部识别所需的最精确功能。 但是，红外图像和可见图像中的信息是独立且互补的。 因此，将红外和可见信息合并为孤立图像对自动面部识别很有帮助。 本文基于对融合方法，算法和数据集以及基于小波，基于特征和基于局部二进制模式的融合工具的研究，对融合方法进行了划分，包括每种方法的优缺点和准确性。 本文还讨论了红外面部图像特征提取中的挑战。

为了提高红外与可见光图像融合的性能，提供更好的视觉效果，本文提出了一种将离散平稳小波变换（DSWT）、离散余弦变换（DCT）和局部变换相结合的红外与可见光图像混合融合方法。空间频率 (LSF)。 所提出的方法具有三个关键处理步骤。 首先，采用DSWT将源图像的重要特征分解为一系列具有不同层次和空间频率的子图像。 其次，DCT用于根据不同频率的能量分离子图像的重要细节。 第三，LSF用于增强DCT系数的区域特征，对图像特征提取有帮助和有用。 一些常用的图像融合方法和评估指标被用来评估该方法的有效性。 实验表明，所提出的方法可以达到良好的融合效果，并且比其他传统的图像融合方法更有效。

使用深度学习框架的红外和可见光图像融合 - Pytorch 实现

近五年红外与可见光图像融合实现代码合集，每个方法单独整理成文件夹，语言主要为matlab语言，部分为C语言，深度学习的模型为训练好的模型，方便学习

为了将红外图像的全局信息与可见光图像的细节信息进行有效结合,进一步提高融合后图像的质量,提出了一种同时增强图像边缘细节和对比度的非下采样剪切波变换(NSST)域红外和可见光图像融合方法.首先,通过平移不变剪切波将图像分解成为低频子带与高频子带,通过全局显著性图分析图像的对比度信息;利用改进型局部显著度图分析图像局部边缘信息.针对不同频带系数,结合边缘信息和对比度信息对频带系数进行融合,最后,利用逆变换得到最终的融合图像.大量实验结果表明,本文方法在提高图像整体对比度的同时增强了图像的边缘细节表现能力,优于现有的基于小波变换,非下采样轮廓波变换(NSCT)和显著度图等几种图像融合方法.

基于小波变换的方法，需要自己准备已严格配准好的图像，并建立几个相应的文件夹存放，可以批量处理jpg、png格式的图片

提出一种红外图像与可见光的图像融合方法。硬件光学成像系统采用共轴光路，使用拉普拉斯金字塔变换方法对采集到的红外图像与可见光图像进行融合，并使用融合后图像与红外图像相结合在YUV通道中进行信息融合伪彩色化。实验结果表明，所提出的红外图像与可见光图像的融合方法能够显著增强图像信息，突出图像中的特定目标，且对于各种外界环境条件都能得到较好的融合结果。

基于小波变换的红外和可见光图像融合算法的研究.

针对红外和可见光图像融合结果背景信息不足、对比度较低的问题，提出一种结合引导滤波和快速共现滤波的融合方法。首先，以高斯滤波将源图像分解为细节层和基础层。然后以去除值域滤波器、全局统计共现信息的方式简化共现滤波，形成快速共现滤波，再用其融合细节层；此外，引入窗口因子，用图像大小与窗口因子比值确定引导滤波窗口值，再用其融合基础层。实验结果表明该算法增加了图像背景细节，提高了人物与背景的对比度。主观和客观的实验分析验证了该算法的有效性。

完整代码，可直接运行