1.一种基于自学习神经单元的图像融合方法，其特征在于，具体包括以下步骤：步骤一、将待融合的红外图像与可见光图像输入Mask R-CNN网络进行处理，得到相应的掩码图像、掩码矩阵、类别信息和得分信息，并获取所需强化的掩码区域；

步骤二、搭建自编码网络，利用卷积神经网络CNN进行图像特征的选取、融合、重构；

步骤三、采用基于编码层特征的卷积融合规则进行融合；

3.1)初始化融合层的卷积权重，并进行稀疏赋值；

3.2)采用最小/最大范数权值约束对融合层权重进行约束；

3.3)采用L1正则项对融合层权重进行惩罚；

步骤四、采用结构相似度SSIM、互信息MI损失函数迭代网络并优化参数；

4.1)计算融合图像与源图像的结构相似度SSIM；

4.2)计算Mask R-CNN掩码区域映射于融合图像与源图像的结构相似度SSIM；

4.3)计算融合图像与源图像的互信息MI；

步骤五、训练神经网络，调整参数，获取最终的融合图像。

2.根据权利要求1所述的一种基于自学习神经单元的图像融合方法，其特征在于，所述步骤3.1)的具体过程为：a.根据编码层最后一个卷积层获取的结果，融合层的Concatenate层将红外与可见光的结果拼接，后接1*1的卷积层；

b.将1*1卷积层的第k个滤波器通道的第I个与I+p个权重 和 初始化，其中，I,k＝0，1，2…d，p＝D-1-d，D为每个滤波器通道的1*1滤波器数量；

所述步骤3.2)的具体过程为：

c.计算第k个通道D个1*1卷积层权重的和 接着将Sumw截断至(min，max)范围内：

其中，min为输入权值的最小范数，范围为(-1.0,1.0)，max为输入权值的最大范数，范围为(-1.0,1.0)；j表示滤波器的序号，j＝0,1,2…D-1；

d.计算权值在(min,max)范围内的的缩放区域；

其中，rate为强制执行约束的比例，范围为[0,1]，严格执行约束，将权值重新调整至rate*Sumarea+(1-rate)*Sumw；当rate<1.0，意味权值将在每一步重新调整以缓慢移动到所需间隔内的值；epsilon是模糊因素，范围为(0.0,1.0)，避免分母为0，网络迭代为NAN；

e.将第k个通道的每一个权值约束至Zoomarea范围，并依次对每个通道执行相同的操作：所述步骤3.3)中：

1*1卷积层的正则项为：

其中R为正则项数值，初始值为0，l1为正则项系数， 为第k个滤波器通道第j个1*1滤波器的数值，d为1*1卷积层滤波器通道数；

损失函数包括了两个方面：一个是网络训练样本误差Ein；一个是正则项数值R；L1正则化是在原来的损失函数基础上加上正则项数值R；自编码网络最终的损失函数为：L＝Ein+R。

3.根据权利要求1或2所述的一种基于自学习神经单元的图像融合方法，其特征在于，所述步骤4.1)的具体过程为：A)分别计算源图像X，源图像Y，融合图像F的均值μx，μy，μf,方差σx,σy，σf；

其中，，，xi、yi、fi分别为源图像X，源图像Y，融合图像F的第i个的像素值，N为图像X，Y，F的总像素数量；

B)分别计算融合图像F与源图像X、源图像Y的结构相似度SSIM；

其中，C1，C2为常数；

所述步骤4.2)的具体过程为：

C)根据步骤一获取的掩码区域Mq，q为掩码区域的序号，将其分别映射至源图像与融合图像中，分别得到 与D)与步骤4.1)相同，对于 与 计算相应的结构相似度SSIM；

所述步骤4.3)的具体过程为：

E)计算源图像X、源图像Y、融合图像F的边际熵：H(F)＝-∑fP(f)log2 P(f)；

其中，P(x),P(y),P(f)分别表示源图像X，源图像Y，融合图像F的边际概率分布函数；

F)分别计算源图像X、源图像Y与融合图像F的联合熵：其中，P(x，f)、P(y，f)分别表示源图像X、源图像Y与融合图像F的联合概率密度函数；

G)分别计算源图像X、源图像Y、融合图像F的互信息MI：MI(X，F)＝H(X)+H(F)-H(X，F)；

MI(Y，F)＝H(Y)+H(F)-H(Y，F)；

H)计算最终的互信息MI：

4.根据权利要求1或2所述的一种基于自学习神经单元的图像融合方法，其特征在于，所述步骤二中，所述的自编码网络包括编码层、融合层和解码层；编码层由经典卷积神经网络VGG19的前4层组成，包括三个卷积层和一个最大池化层，权重初始化使用经典卷积神经网络VGG19的预定义权重；融合层包括一个Concatenate层与一个1*1的卷积层；解码层是编码层的镜面映射，包含三个卷积层和一个上采样层，最后接一个卷积层输出。

5.根据权利要求3所述的一种基于自学习神经单元的图像融合方法，其特征在于，所述步骤二中，所述的自编码网络包括编码层、融合层和解码层；编码层由经典卷积神经网络VGG19的前4层组成，包括三个卷积层和一个最大池化层，权重初始化使用经典卷积神经网络VGG19的预定义权重；融合层包括一个Concatenate层与一个1*1的卷积层；解码层是编码层的镜面映射，包含三个卷积层和一个上采样层，最后接一个卷积层输出。

6.根据权利要求2所述的一种基于自学习神经单元的图像融合方法，其特征在于，D的取值为256；d的取值为127。

7.根据权利要求3所述的一种基于自学习神经单元的图像融合方法，其特征在于，C1＝(K1*L)^2,C2＝(K2*L)^2,C3＝C2/2，K1＝0.01,K2＝0.03,L＝255；D的取值为256；d的取值为127。

8.根据权利要求5所述的一种基于自学习神经单元的图像融合方法，其特征在于，C1＝(K1*L)^2,C2＝(K2*L)^2,C3＝C2/2，K1＝0.01,K2＝0.03,L＝255；D的取值为256；d的取值为127。

9.根据权利要求2、5、7或8所述的一种基于自学习神经单元的图像融合方法，其特征在于， 和 初始化为0.5。

10.根据权利要求6所述的一种基于自学习神经单元的图像融合方法，其特征在于，和 初始化为0.5。