1.一种雾霾环境下多源图像融合方法，其特征在于，按照以下步骤进行：步骤1，将可见光图像去雾霾，得到去雾霾图像；

步骤2，进行图像配准；

步骤3，将待融合的图像进行融合，获得视觉效果好的可见光目标且突出了红外目标的图像；

所述步骤3按照以下步骤进行：步骤3‑1，将配准图像求反；

步骤3‑2，将求反后的灰度图像进行灰度变换；

步骤3‑3，根据各待融合图像的不同特征区域的信息量，基于信息互补原则，自适应地选取加权系数α、β；

步骤3‑4，将加权系数α、β代入下式对待融合图像进行融合；

F(x,y)＝αA(x,y)+βB(x,y)其中F为融合图像，A、B分别为待融合源图；(x,y)为像素点坐标；α和β分别为图像A和图像B的加权系数，α+β＝1，当α＝β＝0.5时，为平均融合；

所述步骤3‑3按照以下步骤进行：

1)将输入的待融合可见光去雾霾图像转换成灰度图，并利用Sobel算子计算灰度图的梯度值；

2)定义梯度阈值t和通过迭代法求得灰度直方图阈值T；

3)将图像按列由上往下扫描，计算像素点梯度值gradmag(y,x)和灰度值image(y,x)，并分别与阈值t和阈值T进行比较，这样得到一个边界；

4)通过不断的调整梯度阈值t，可以得到不同的边界；然后，通过计算所有边界的能量函数来得到最优边界；

5)定义一个能量函数J，每次得到一个边界后，图像上的区域被分成天空区域和建筑目标区域，当能量函数最大时，此时天空区域和建筑目标区域内的像素相似度最高，此时的边界被称为最优边界；

Σs、Σg分别为天空区域和建筑目标区域像素点的协方差矩阵，它们都是3×3矩阵，定义如下：

其中：Ns、Ng分别为天空区域和建筑目标区域的像素数；(y,x)∈s代表天空区域像素点位置；(y,x)∈g代表建筑目标区域像素点位置；

s g

I(y,x)和I(y,x)为3×1矩阵，定义如下：其中： 分别为天空区域和建筑目标区域内像素点的红颜色通道值；

分别为天空区域和建筑目标区域内像素点的绿颜色通道值； 分别为天空区域和建筑目标区域内像素点的蓝颜色通道值；

s g

μ、μ分别表示为天空区域和建筑目标区域内像素点值的均值，定义如下：其中i＝{1,2,3}，分别为矩阵Σs、Σg的特征值，|λ1|＞＞|λ2|≈|λ3|≈0，能量函数重新定义为：

γ是为了强调天空区域，γ＝2；

6)确定待融合可见光去雾霾图像的天空区域边界后，对于建筑目标区域，为了在融合图像中有突出，则对应的加权系数应较大；反之，对应的加权系数较小，即加权系数随着不同目标区域自适应的变换。

2.根据权利要求1所述的雾霾环境下多源图像融合方法，其特征在于，所述步骤1按照以下步骤进行：

步骤1‑1，获得暗原色图像，进行全局大气光A的估计；

步骤1‑2，采用双边滤波器对原始灰度图进行处理获得引导图；

步骤1‑3，使用引导滤波器对获得的透射率估计图 进行优化，获得透射率t(x)；

步骤1‑4，将求得的全局大气光A的估计值和透射率t(x)带入大气光散射模型中求解出去雾霾图像。

3.根据权利要求2所述的雾霾环境下多源图像融合方法，其特征在于，所述步骤1‑1的具体过程是：从暗原色图像中按照亮度的大小取前0.1％的像素点，再从这些像素点中选择亮度最大的像素点作为大气光值，从而求的全局大气光A；

其中，暗原色表示为： x为图像像素点的dark

二维空间坐标；Ω(x)为以像素点x为中心的局部区域；J (x)表示图像局部区域的暗原c

色；J(y)c∈(r,g,b)为无雾霾图像一个颜色通道的亮度值。

4.根据权利要求2所述的雾霾环境下多源图像融合方法，其特征在于，所述步骤1‑2采用双边滤波器对原始灰度图进行处理获得引导图的具体过程是：(1)建立源图像灰度图的空间域高斯核函数，即计算卷积核内像素之间的空间高斯权重，表示为： 其中x、y代表源图像灰度图的不同像素点(即两个不同的图像像素的二维空间坐标)；d(x,y)＝||x‑y||表示两个像素点之间的空间距离；σd是核函数参数；

(2)建立源图像灰度图的强度域上的高斯核函数，即计算卷积核内像素值之间的相似程度权重，表示为： 其中，Ig(x)和Ig(y)为像素点x和y对应的亮度值；σ(Ig(x),Ig(y))＝|Ig(x)‑Ig(y)|表示两个像素值之间距离；σr是核函数参数；

(3) 使用源图像灰度图作为基础，对其进行双边滤波 ，生成引导图：其中H(x)表示滤波后产生的引导图，N(x)表示源图像灰度图上以x为中心的领域。

5.根据权利要求2所述的雾霾环境下多源图像融合方法，其特征在于，所述步骤1‑3使用引导滤波器对获得的透射率估计图 进行优化，获得透射率t(x)的具体过程是：(1)求 的均值：

求引导图H的均值： 其中ωk为以像素点k为中心的窗口，i表示像素位置索引；

|ω|是ωk内像素数， 为透射率估计图 在i点的像素值， 为 在窗口ωk内像素的均值，Hi为引导图H在i点的像素值，fmean(H)为Hi在窗口ωk内像素的均值；

(2)求引导图H的方差：

求引导图H和透射率估计图 的协方差：其中，μk是引导图像H在ωk内像素的均值，即meanH； 是透射率估计图 在ωk内像素的均值，即

fmean(H*H)为求H*H的均值， 为求 的均值，

(3)线性模型：

ε为正则化参数；

(4)考虑到盒子滤波器的对称性，修正线性模型系数：fmean(a)、fmean(b)分别为求均值；

(5)根据引导滤波输入输出关系求出优化后透射率t(x)：t(x)＝meana*H+meanb。

6.根据权利要求2所述的雾霾环境下多源图像融合方法，其特征在于，所述步骤1‑4的具体过程是：

(1)求max(t(x),t0)，其中t0＝0.1；

max(t(x),t0)为求t(x)和t0的最大值；

(2)将步骤1得到的大气光估计A，步骤3得到的透射率t(x)，依据图像复原公式：求得去雾霾图像J(x)；其中，I(x)是观测到的有雾霾图像。

7.根据权利要求1所述的雾霾环境下多源图像融合方法，其特征在于，所述步骤2按照以下步骤进行：

步骤2‑1，采用Canny算子分别提取红外图像和步骤1得到的可见光去雾霾图像的Canny边缘，得到粗边缘图像；

步骤2‑2，利用SURF算法分别检测两幅粗边缘图像的特征点，以及确定这些点的64维描述子；

步骤2‑3，采用最邻近向量匹配方法进行特征点粗匹配；

步骤2‑4，采用基于斜率一致性的特征点精匹配方法进行特征点精匹配，并求取变换矩阵M；具体如下：

1)将粗匹配特征点集按欧式距离尺寸由小到大排序，并选取前40个最佳匹配点对确定其向量坐标；

2)根据匹配点对的向量坐标，自适应确定斜率k(i)的范围，i＝1:40，设置一个误差范围L，L＝0.5，则斜率在容错范围(K(i)‑L，K(i)+L)内的均为符合条件的直线，然后再去除错误点，并初步确定仿射变换矩阵；

3)选取前30个较准确的匹配点对，首先将斜率为负的一些点先排除掉，然后从剩下的点对中随机选取三个点对确定最终的仿射变换矩阵M；

4)根据已有的仿射变换矩阵M，采用双三次插值法对红外图像进行仿射变换，得到精配准图像；

步骤2‑5，通过双三次插值法并利用变换矩阵进行仿射变换实现两幅图像的配准。

8.根据权利要求1所述的雾霾环境下多源图像融合方法，其特征在于，所述步骤3‑2按照以下步骤进行：

采用下式进行灰度变换：

g(x,y)＝T(f(x,y))式中f(x,y)为输入图像，g(x,y)为输出图像，T为灰度映射函数；

灰度调整过程用Imadjust函数实现，Imadjust函数接受一个附加变量：Gamma因子，将输入图像的灰度值映射到输出图像的新值，在调用Imadjust函数时，根据图像的特征，采取交互的方式，对输入图像和输出图像的数据范围，即Gamma因子进行指定。