1.基于主次特征分离的红外和可见光图像融合方法，其特征在于，包括：

S1、对数据集所有图像进行预处理，得到主要特征图像集和背景特征图像集；

S2、构建两个长度不一的密集残差神经网络，并设计损失函数对模型进行预训练，保留模型参数并基于训练完成的神经网络设计整体网络架构；具体为：S201、根据网络功能要求构建残差块长度不一的密集残差神经网络：用于融合主要特征的DetailFoucs和用于融合次要特征的BackgroundFoucs；

S202、根据DetailFoucs和BackgroundFoucs分别设计不同的损失函数，DetailFoucs的损失函数Ldetails(Iir,Ivis)由结构相似指标SSIM构成，BackgroundFoucs的损失函数Lbackground(Iir,Ivis)由图像的均方误差MSE构成；

损失函数具体公式如下：

Ldetails(Iir,Ivis)＝SSIM(IF,IVIS)+SSIM(IF,Iir)其中，μ表示均值，σ表示均方差，C1和C2表示稳定度量的超参数，H和W表示图像的高和宽，M表示输入图像，IF表示融合图像，Iir表示红外图像，Ivis表示可见光图像，S(i,j)和IF2

(i,j)中的i,j代表图像横向和纵向上的像素点，||表示二范数；

S203、将预处理后的训练集输入到密集残差神经网络中进行无监督训练，训练优化器使用Adamw，学习率为1e‑3，训练批次为200，batchsize为10，训练完成后得到优化后的神经网络；

S204、将红外和可见光的主要特征图像在通道上串联，送入密集残差神经网络DetailFoucs得到融合结果，融合结果是大小为(1，1，H，W)的灰度融合图像；

将红外和可见光的次要特征图像在通道上串联，送入密集残差神经网络

BackgroundFoucs得到融合结果，融合结果是大小为(1，1，H，W)的灰度融合图像；

将DetailFoucs和BackgroundFoucs的融合结果按在源图像上的位置进行排序，得到待拼接图像；

S205、在模型后端补充图像边缘融合模块，使用柏松融合进行拼接融合，对融合完成的分割图像进行拼接得到融合结果；

S3、对源图像Ivis和Iir做主次图像分割分类后送入训练好的神经网络中，得到融合图像。

2.根据权利要求1所述的基于主次特征分离的红外和可见光图像融合方法，其特征在于，步骤S1中，得到图像集的具体步骤如下：S101、使用SIFT算法对数据集所有红外和可见光图像做关键点的标注；

S102、对关键点进行遍历，使用矩形将图像分割成主要特征图像和背景特征图像；分割规则如下：定义一个大小为20x20块并初始化一个矩形列表，循环遍历每个关键点，计算其周围的小块的坐标，从图像中提取该小块，计算块内像素的平均强度，根据平均强度调整矩形的大小，并计算矩形的坐标，遍历结束后，矩形所包含的图像作为主要特征图像，其余部分作为次要特征图像。

3.根据权利要求1所述的基于主次特征分离的红外和可见光图像融合方法，其特征在于，步骤S2中，DetailFoucs由common layer1、common layer2、common layer3、common layer4、common layer5、Block1、Block2、Block3和Block4组成；common layer1输入通道为

4，输出通道为48；common layer2输入通道为240，输出通道为240；common layer3输入通道为240，输出通道为128；common layer4输入通道为128，输出通道为64；common layer5输入通道为64，输出通道为1；Block1由输入通道为48、输出通道为48的Conv1和输入通道为48、输出通道为48的Conv2组成；Block2由输入通道为96、输出通道为48的Conv1和输入通道为

48、输出通道为48的Conv2组成；Block3由输入通道为144、输出通道为48的Conv1和输入通道为48、输出通道为48的Conv2组成；Block4由输入通道为192、输出通道为48的Conv1和输入通道为48、输出通道为48的Conv2组成；

BackgroundFoucs由common layer1、common layer2、common layer3、common layer4和Block组成；common layer1输入通道为4，输出通道为48；common layer2输入通道为240，输出通道为128；common layer3输入通道为128，输出通道为64；common layer4输入通道为

64，输出通道为1；Block由输入通道为48、输出通道为48的Conv1和输入通道为48、输出通道为48的Conv2组成。

4.基于主次特征分离的红外和可见光图像融合系统，其特征在于，包括：

特征图像集提取模块，用于对数据集所有图像进行预处理，得到主要特征图像集和背景特征图像集；

整体网络架构设计模块，用于构建两个长度不一的密集残差神经网络，并设计损失函数对模型进行预训练，保留模型参数并基于训练完成的神经网络设计整体网络架构；具体为：步骤1、根据网络功能要求构建残差块长度不一的密集残差神经网络：用于融合主要特征的DetailFoucs和用于融合次要特征的BackgroundFoucs；

步骤2、根据DetailFoucs和BackgroundFoucs分别设计不同的损失函数，DetailFoucs的损失函数Ldetails(Iir,Ivis)由结构相似指标SSIM构成，BackgroundFoucs的损失函数Lbackground(Iir,Ivis)由图像的均方误差MSE构成；

损失函数具体公式如下：

Ldetails(Iir,Ivis)＝SSIM(IF,IVIS)+SSIM(IF,Iir)其中，μ表示均值，σ表示均方差，C1和C2表示稳定度量的超参数，H和W表示图像的高和宽，M表示输入图像，IF表示融合图像，Iir表示红外图像，Ivis表示可见光图像，S(i,j)和IF2

(i,j)中的i,j代表图像横向和纵向上的像素点，||表示二范数；

步骤3、将预处理后的训练集输入到密集残差神经网络中进行无监督训练，训练优化器使用Adamw，学习率为1e‑3，训练批次为200，batchsize为10，训练完成后得到优化后的神经网络；

步骤4、将红外和可见光的主要特征图像在通道上串联，送入密集残差神经网络DetailFoucs得到融合结果，融合结果是大小为(1，1，H，W)的灰度融合图像；

将红外和可见光的次要特征图像在通道上串联，送入密集残差神经网络

BackgroundFoucs得到融合结果，融合结果是大小为(1，1，H，W)的灰度融合图像；

将DetailFoucs和BackgroundFoucs的融合结果按在源图像上的位置进行排序，得到待拼接图像；

步骤5、在模型后端补充图像边缘融合模块，使用柏松融合进行拼接融合，对融合完成的分割图像进行拼接得到融合结果；

融合图像训练模块，用于对源图像做主次图像分割分类后送入训练好的神经网络中，得到融合图像。

5.根据权利要求4所述的基于主次特征分离的红外和可见光图像融合系统，其特征在于，特征图像集提取模块中，获得特征图像集的具体步骤如下：步骤1、使用SIFT算法对数据集所有红外和可见光图像做关键点的标注；

步骤2、对关键点进行遍历，使用矩形将图像分割成主要特征图像和背景特征图像；分割规则如下：定义一个大小为20x20块并初始化一个矩形列表，循环遍历每个关键点，计算其周围的小块的坐标，从图像中提取该小块，计算块内像素的平均强度，根据平均强度调整矩形的大小，并计算矩形的坐标，遍历结束后，矩形所包含的图像作为主要特征图像，其余部分作为次要特征图像。

6.根据权利要求4所述的基于主次特征分离的红外和可见光图像融合系统，其特征在于，整体网络架构设计模块中，DetailFoucs由common layer1、common layer2、common layer3、common layer4、common layer5、Block1、Block2、Block3和Block4组成；common layer1输入通道为4，输出通道为48；common layer2输入通道为240，输出通道为240；

common layer3输入通道为240，输出通道为128；common layer4输入通道为128，输出通道为64；common layer5输入通道为64，输出通道为1；Block1由输入通道为48、输出通道为48的Conv1和输入通道为48、输出通道为48的Conv2组成；Block2由输入通道为96、输出通道为

48的Conv1和输入通道为48、输出通道为48的Conv2组成；Block3由输入通道为144、输出通道为48的Conv1和输入通道为48、输出通道为48的Conv2组成；Block4由输入通道为192、输出通道为48的Conv1和输入通道为48、输出通道为48的Conv2组成；

BackgroundFoucs由common layer1、common layer2、common layer3、common layer4和Block组成；common layer1输入通道为4，输出通道为48；common layer2输入通道为240，输出通道为128；common layer3输入通道为128，输出通道为64；common layer4输入通道为

64，输出通道为1；Block由输入通道为48、输出通道为48的Conv1和输入通道为48、输出通道为48的Conv2组成。