图像融合（Image Fusion）将来自相同类型传感器或成像方式的多幅图像（通常内容是一样的）进行融合，提高图像清晰度、对比度、空间或时间分辨率。得到比原始图像更清晰或信息更丰富的图像
常见类型：
- 多时相图像融合（如不同时刻的卫星图像）
- 多聚焦图像融合（如一个图聚焦前景，一个图聚焦背景）
- 同波段图像融合（如多张可见光图像）
多模态图像融合（Multi-modal Image Fusion）将来自不同类型成像方式或传感器（模态）的图像进行融合，综合多种模态下的信息，如视觉、红外、雷达、MRI、CT等。其核心在于利用多源数据的协同作用，克服单一模态的局限性，从而提升下游任务（如目标检测、语义分割、场景理解）的性能。
多模态图像融合输入图像来自不同传感器或不同成像原理，例如：
- 可见光（RGB）图像：高分辨率、色彩信息丰富。
- 红外图像：捕捉热辐射信息，适用于低光照或隐蔽目标检测。
- 深度图像：提供几何结构信息。
- 雷达/LiDAR图像：穿透性强，适用于恶劣天气或遮挡场景。
- 医学影像（如MRI、CT）：不同模态反映人体组织结构和功能。
不同模态的图像通常携带互补信息，例如：
- 可见光图像显示外观细节，红外图像揭示温度分布。
- RGB图像提供颜色和纹理，深度图像补充几何形状。
1. 核心目的
• 信息增强：通过结合多源图像的优势（如可见光的高分辨率、红外的热成像、雷达的穿透性），弥补单一传感器的局限性。
• 鲁棒性提升：在复杂场景（如低光照、雾霾、遮挡）下提升任务性能（如目标检测、语义分割）。
• 可视化优化：生成更符合人类视觉感知的图像，便于人工分析或后续算法处理。
2. 典型应用场景
• 医学影像：融合MRI（结构信息）与PET（功能代谢信息）辅助疾病诊断。
• 遥感监测：结合光学图像（可见光）与SAR图像（雷达）提升地形分析精度。
• 自动驾驶：融合摄像头（RGB）与激光雷达（LiDAR）数据提高障碍物识别可靠性。
• 安防监控：整合多摄像头视角或昼夜模式图像，增强目标跟踪能力。
3. 常见融合方法
根据处理层次的不同，可分为三类：
(1) 像素级融合
• 原理：直接对图像像素进行加权、变换或编码。
• 示例：主成分分析（PCA）、小波变换（Wavelet Transform）。
• 特点：保留原始数据细节，但对噪声敏感。
(2) 特征级融合
• 原理：提取图像特征（如边缘、纹理、深度）后进行融合。
• 示例：基于卷积神经网络（CNN）的特征拼接或注意力机制。
• 特点：对齐要求较高，但能捕捉高层语义信息。
(3) 决策级融合
• 原理：基于各模态独立决策结果（如分类概率）进行加权或投票。
• 示例：多模型集成（如Ensemble Learning）。
• 特点：对单模态性能依赖性强，适合复杂任务。
4. 技术挑战
• 模态异构性：不同传感器数据的分辨率、动态范围、噪声特性差异大。
• 信息冗余：需区分冗余信息与互补信息，避免无效叠加。
• 实时性需求：在嵌入式或移动端设备中实现高效融合。
• 语义一致性：确保融合结果与场景逻辑相符（如物体轮廓连贯）。
