随着信息融合技术的发展,传感器的协同工作应用愈发广泛,红外与可见光图像的融合也是多传感器技术的一部分。图像融合技术就是将来自不同传感器的两张或两张以上的图像进行融合,增加图像信息中的完整度,从而让观察者得到更多的视觉信息。图像融合在医学图像、军用场景、遥感图像和机器视觉等方面得到了广泛地应用。本文将深度学习应用在红外和可见光图像融合汇总,提出了三种红外与可见光图像融合方法。首先,研究了基于深度学习的红外和可见光图像的融合算法流程。对图像进行去噪、增强、配准等方面的工作,对深度学习模型进行训练,然后利用本文的算法对红外与可见光图像进行融合,再利用客观评价参数对融合后的图像进行客观评价。其次,研究了基于密集卷积神经网络和视觉显著性的红外与可见光融合方法。分别将红外与可见光源图像进行分解得到低频与高频部分。利用视觉显著性检测提取红外图像的显著图,对红外图像特征进行增强,将红外图像的显著图与红外与可见光图像的低频部分融合得到低频部分融合图像。图像的高频部分在融合的过程中易丢失信息,因此利用深度学习中的密集卷积神经网络对图像的高频部分进行特征的深度处理,然后再用最大融合策略融合高频部分,最后对低频与高频部分融合图像进行重构得到最终的融合图像。再次,研究了基于尺度边缘保护与密集卷积神经网络的图像融合。利用尺度感知边缘保护滤波器迭代红外和可见光图像,4次迭代后得到了4张图像,得到的4张图像包含了不同的图像特征。然后将利用高斯滤波器进行处理第4张图像,得到包含较多特征的图像,这里将之称为基础层图像,再对基础层图像进行融合。再将基础层图像与4层滤波图像利用训练好的密集卷积神经网络进行融合,对融合得到的图像进行信息差计算,这些信息差就是图像的边缘信息,最后将计算得到的细节信息与基础层的融合图像进行融合得到最后的融合图像。最后,研究了基于DPN网络的红外与可见光图像融合方法。基于双路径网络对图像进行融合,利用非下采样剪切波对图像进行分解,对于分解得到的图像得到的低频部分利用向导滤波器改进的拉普拉斯能量和取大的融合策略进行融合,高频部分利用双路径网络融合规则进行融合。实验结果表明,相较于红外与可见光图像的传统融合方法,本文提出的三种融合算法得到的融合图像得到了很好地效果,表明了深度学习算法在红外与可见光图像融合上的优越性能。