1.一种基于变分原理的红外与可见光图像融合方法，其特征在于，包括：S1、构建基于变分原理的图像融合模型；

基于变分原理的图像融合模型，具体表达为：；

其中，s表示融合图像， 和 是非负参数， 表示红外图像， 表示可见光图像；

势函数 的具体公式为：

；

其中，x是积分变量，其积分区域为 ； 表示s− 的梯度较小区域，表示s− 的梯度较大的区域；

在 的区域中，利用Tikhonov正则化对s− 施加比总变分增长率更高的正则性；在 的区域中，正则化子的增长率低于全变 的增长率；

利用最小化泛函 约束融合图像与红外图像相似的像素强度保持热辐射信息，利用最小化泛函 约束融合图像与可见光图像相似的灰度梯度和像素强度保持图像的边缘和纹理的外观信息；

S2、准备数据集，将配准好的红外图像 和可见光图像 输入到基于变分原理的图像融合模型中；

S3、定义 ，使用增广拉格朗日方法求解基于变分原理的图像融合模型，初始化 ，经过逐步迭代得到融合图像与可见光图像的差 ；

具体求解步骤如下：

S301、引入两个变量 和 ，定义 ，将图像融合模型看做是带有约束 的约束优化问题，具体公式为：；

S302、使用增广拉格朗日泛函将约束优化问题转化为无约束优化问题，具体公式为：；

其中， 是惩罚参数， 是拉格朗日乘子，是离散化的图像区域；

S303、初始化 ，此时 子问题具体公式为：；

采用欧拉‑拉格朗日方程得到其极小值解：在拉普拉斯卷积核 含有的矩阵中，‑4是矩阵中心位置元素，在‑4的左侧和上方划线将矩阵分为四个部分，即左上、右上、左下和右下；

设定图像大小为（dataW，dataH），将拉普拉斯卷积核扩展到图像大小（dataW，dataH）；将拉普拉斯卷积核中的左上、右上、左下和右下四部分的元素按顺时针顺序摆放在扩展的拉普拉斯卷积核中，其中中心位置元素‑4摆放在扩展的拉普拉斯卷积核的第一行第一列的位置；其余位置元素填充为0；图像在右侧和下方两个维度上从（dataW，dataH）的大小扩展和填充到（fftW，fftH），其中fftW =dataW+2，fftH =dataH +2；

因此，子问题极小值点的具体公式为：；

其中 ；

S304、更新 ：

；

其中， 是二维傅里叶变换函数， 是扩展的拉普拉斯卷积核， 是更新的第k步的 ；

B在每个网格节点上的值的表示为：；

其中， 是第k‑1步的变量 的第一个分量和第二个分量， 是第k‑1步的拉格朗日乘子 的第一个分量和第二个分量； 分别是带有Neumann边界条件的向后、向前微分算子，具体公式为：；

其中 ，h是网格尺寸 ，(i ,j)是离散化的图像区域 中的网格节点，是对应网格节点上的 函数值，拉普拉斯算子为： ；

S305、 子问题具体公式为：；

采用逐点积分方法求得上述子问题的封闭形式的极小值点；

S306、更新 ：

；

其中， 是第k步的 ， ，即更新为：；

其中， ，

；

S307、更新 ：

；

其中， 是第k步的变量 的第一个分量和第二个分量， 是第k步的拉格朗日乘子 的第一个分量和第二个分量；

S308、重复步骤S303至S307，直到 ，此时对应的第k步的即为拉格朗日泛函 的近似鞍点 ；

S4、通过关系式 得到融合图像 ，并将 的范围归一化为 ，即为最终的融合图像，输出保存。

2.根据权利要求1所述的基于变分原理的红外与可见光图像融合方法，其特征在于，步骤S4中，将范围调整为 ，得到最终的融合图像，即最小值为0，最大值为1。

3.一种基于变分原理的红外与可见光图像融合系统，其特征在于，包括：图像融合模型构建模块，用于构建基于变分原理的图像融合模型；基于变分原理的图像融合模型，具体表达为：；

其中，s表示融合图像， 和 是非负参数， 表示红外图像， 表示可见光图像；

模型求解模块，用于利用增广拉格朗日方法求解基于变分原理的图像融合模型，得到融合图像与可见光图像的差 ；

定义 ，使用增广拉格朗日方法求解基于变分原理的图像融合模型，初始化 ，经过逐步迭代得到融合图像与可见光图像的差；

融合图像输出模块，用于通过关系式 得到融合图像 ，并将 的范围归一化为 ，即为最终的融合图像，输出保存。

4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述方法的步骤。

5.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至2中任一项所述的方法。