1.一种红外图像与可见光图像融合方法，其特征在于，包括如下步骤：对红外图像和可见光图像进行差分计算，得到红外与可见光差分图像；

根据全变分模型分别对所述红外图像、所述可见光图像及所述红外与可见光差分图像进行分解计算，分别得到红外图像卡通纹理分量成分、可见光图像卡通纹理分量成分以及差分图像卡通纹理分量成分；

构建狼群优化迭代算法的适应度函数；

根据所述狼群优化迭代算法和构建的适应度函数在所述红外图像卡通纹理分量成分、所述可见光图像卡通纹理分量成分以及所述差分图像卡通纹理分量成分中确定权重项和对应的权重系数，作为融合图像分量成分的权重项和权重系数，所述融合图像为所述红外图像和所述可见光图像相结合得到的图像；

根据确定的权重项和权重系数进行加权计算，得到所述融合图像。

2.根据权利要求1所述的红外图像与可见光图像融合方法，其特征在于，所述根据全变分模型分别对所述红外图像、所述可见光图像及所述红外与可见光差分图像进行分解计算的过程包括：

在对所述红外图像进行分解计算时，根据全变分模型中的全变分问题将所述红外图像定义为：

Iinf＝Tinf+Cinf，其中，Iinf表示红外图像，Tinf表示红外光图像纹理分量成分，Cinf表示红外光图像卡通分量成分，

在对所述可见光图像进行分解计算时，根据全变分模型中的全变分问题将所述可见光图像定义为：

Ivis＝Tvis+Cvis，其中，Ivis表示可见光图像，Tvis表示可见光差分图像纹理分量成分，Cvis表示可见光差分图像卡通分量成分，

在对所述红外与可见光差分图像进行分解计算时，根据全变分模型中的全变分问题将所述红外与可见光差分图像定义为：Idif＝Tdif+Cdif，其中，Idif表示红外与可见光差分图像，Tdif表示红外与可见光差分图像纹理分量成分，Cdif表示红外与可见光差分图像卡通分量成分；

所述全变分模型为TV-l1模型，在对所述红外图像进行分解计算时,根据所述TV-l1模型计算所述红外图像对应的最小化函数，所述红外图像对应的最小化函数式表示为第一式，所述第一式为：

其中，第一式的解为红外光图像卡通分量成分，|▽Cinf|表示为红外光图像卡通分量成分的全变分正则化项，λ||Iinf-Cinf||1dΩ表示为保真项，λ表示正则化参数，在对所述可见光图像进行分解计算时,根据所述TV-l1模型计算所述红外图像对应的最小化函数，所述可见光图像对应的最小化函数式表示为第二式，所述第二式为：其中，第二式的解为可见光图像卡通分量成分，|▽Cvis|表示为可见光图像卡通分量成分的全变分正则化项，λ||Ivis-Cvis||1dΩ表示为保真项，λ表示正则化参数，在对所述红外与可见光差分图像进行分解计算时,根据所述TV-l1模型计算所述红外图像对应的最小化函数，所述红外与可见光差分图像最小化函数式表示为第三式，所述第三式为：

其中，第三式的解为红外与可见光图像卡通分量成分，|▽Cdif|表示为红外与可见光图像卡通分量成分的全变分正则化项，λ||Idif-Cdif||1dΩ表示为保真项，λ表示正则化参数；

在对所述红外图像进行分解计算时，根据第四公式对红外光图像纹理分量成分进行计算，所述第四公式为：

Tinf＝Iinf-Cinf，在对所述可见光图像进行分解计算时，根据第五公式对可见光图像纹理分量成分进行计算，所述第五公式为：

Tvis＝Ivis-Cvis，在对所述红外与可见光差分图像进行分解计算时，根据第六公式对红外与可见光差分图像纹理分量成分进行计算，所述第六公式为：Tdif＝Idif-Cdif；

根据梯度下降法分别对红外图像的最小化函数式、可见光图像的最小化函数式以及红外与可见光差分图像的最小化函数式的优化问题求解：其中，(i,j)表示所述红外光图像或所述可见光图像或所述红外与可见光差分图像中像素点的位置，参数▽+和▽-分别表示向前与向后的差异，▽Cij表示梯度大小，n为迭代次数，Δm与Δn为图像网格上的距离，Δt表示时间变化量， ε设置为极小值。

3.根据权利要求1所述的红外图像与可见光图像融合方法，其特征在于，所述构建狼群优化迭代算法的适应度函数的过程包括：假设融合图像为IF，构建适应度函数，所述适应度函数为：S＝E(IF)*Std(IF)*Edge(IF)，其中，E(IF)表示融合图像的熵，Std(IF)表示融合图像的标准差，Edge(IF)表示融合图像的边缘保持度；

计算所述熵的过程包括：

计算所述熵的公式为：

其中，pi表示图像像素的概率分布；

计算所述标准差的过程包括：

计算所述标准差的公式为：

其中，M、N表示图像尺寸；

计算所述边缘保持度的过程包括：根据sobel边缘算子分别计算红外图像和可见光图像的边缘强度和方向，计算所述边缘强度的公式为：

计算所述方向的公式为：

其中，i和j表示方向，Gi与Gj分别表示沿i和j方向梯度；

计算所述假设的融合图像相对于所述红外图像及所述可见光图像的相对边缘强度和相对方向，计算所述相对边缘强度的公式为：计算所述相对方向的公式为：

计算所述相对边缘强度的保持度和所述相对方向的保持度，计算所述相对边缘强度的保持度的公式为：

计算所述相对方向的保持度的公式：定义总边缘保持度为：

计算总边缘信息为：

其中，Гσ、Гθ、Kσ、Kθ、δσ和δθ为常数，Гσ＝0.994，Гθ＝0.9879，Kσ＝-15、Kθ＝-22，δσ＝

0.5、δθ＝0.8。

4.根据权利要求3所述的红外图像与可见光图像融合方法，其特征在于，所述将确定的权重项作为待融合图像分量成分的权重项的过程包括：设置狩猎区为N×d欧式空间，其中N为狼群数，d为变量维数，定义最大迭代次数Kmax，最大探寻次数为Tmax，变量维数包括w1、w2、w3、w4和w55个权重系数；

根据所述适应度函数计算每个所述狼的适应度函数值，将最大适应度函数值对应的狼为头狼，除所述头狼外，剩余适应度函数中，将最大适应度函数值对应的狼设置为探狼，且通过探寻公式进行迭代，所述探寻公式为：直至所述探狼的适应度函数值大于头狼，停止迭代，或者满足探寻次数Tmax，停止迭代，其中，xid表示探狼于d维空间位置，p为探狼移动方向， 表示d维空间探寻步长；

随机选取除所述头狼外的狼为凶狼，根据猎物进攻公式进行计算：其中， 为进攻步长， 表示k+1代首领位置，设头狼的位置为XL，适应度函数值为YL，若凶狼Yi大于头狼YL，令Yi＝YL，进行号召行为；

若凶狼Yi小于头狼YL，继续进攻，直至dis≤dnear，输出各个狼的适应度函数值YL，在输出的各个适应度函数值中确定作为待融合图像分量成分的权重项和权重系数，所述权重项包括红外光图像卡通分量成分Cinf、红外光图像纹理分量成分Tinf、可见光图像卡通分量成分Cvis、可见光图像纹理分量成分Tvis和红外与可见光差分图像卡通分量成分Cdif。

5.根据权利要求3所述的红外图像与可见光图像融合方法，其特征在于，所述将确定的权重项和权重系数进行加权计算的过程包括：设融合图像为IF，根据下述加权组合公式进行计算：IF＝w1*Cinf+w2*Tinf+w3*Cvis+w4*Tvis+w5*Cdif，其中，w1、w2、w3、w4和w5均表示为权重系数，所述权重系数取值范围为0至1。

6.根据权利要求1所述的红外图像与可见光图像融合方法，其特征在于，所述对红外图像和可见光图像进行差分计算的过程包括：根据差分公式对红外图像和可见光图像进行差分计算，所述差分公式为：Idif＝Iinf-Ivis，其中，Idif表示为红外与可见光差分图像，Iinf表示为红外图像，Ivis表示为可见光图像。

7.一种红外图像与可见光图像融合装置，其特征在于，包括：差分处理模块，用于对红外图像和可见光图像进行差分计算，得到红外与可见光差分图像；

分解模块，用于根据全变分模型分别对所述红外图像、所述可见光图像及所述红外与可见光差分图像进行分解计算，分别得到红外图像卡通纹理分量成分、可见光图像卡通纹理分量成分以及差分图像卡通纹理分量成分；

函数构建模块，用于构建狼群优化迭代算法的适应度函数；

权重确定模块，用于根据所述狼群优化迭代算法和构建的适应度函数在所述红外图像卡通纹理分量成分、所述可见光图像卡通纹理分量成分以及所述差分图像卡通纹理分量成分中确定权重项以及与所述权重项对应的权重系数，作为融合图像分量成分的权重项和权重系数，所述融合图像为所述红外图像和所述可见光图像相结合得到的图像；

融合模块，用于将确定的权重项和权重系数进行加权计算，根据计算结果得到所述融合图像。

8.一种红外图像与可见光图像融合装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述处理器执行所述计算机程序时，实现如权利要求1至6任一项所述的红外图像与可见光图像融合方法。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至6任一项所述的红外图像与可见光图像融合方法。