1.基于模糊推理系统的红外与可见光图像融合方法，其特征在于，包括以下步骤：获取红外图像和可见光图像；

通过SVB‑LS滤波器分别对红外图像和可见光图像进行图像分解处理，得到红外图像分解结果和可见光图像分解结果，所述红外图像分解结果包括红外图像的基础层和红外图像的结构层，所述可见光图像分解结果包括可见光图像的基础层和可见光图像的结构层；

对红外图像的结构层和可见光图像的结构层进行显著特征检测，得到红外图像的结构显著层、红外图像的结构非显著层、可见光图像的结构显著层和可见光图像的结构非显著层；

基于模糊逻辑推理对红外图像的结构显著层和可见光图像的结构显著层进行融合处理，得到预融合的结构显著层融合图像；

基于直觉模糊集的度量方法对红外图像的结构非显著层和可见光图像的结构非显著层进行融合处理，得到预融合的结构非显著层融合图像；

基于能量的规则对红外图像的基础层和可见光图像的基础层进行融合处理，得到预融合的基础层融合图像；

将预融合的结构显著层融合图像、预融合的结构非显著层融合图像和预融合的基础层融合图像进行相加融合处理，得到最终的图像融合结果。

2.根据权利要求1所述基于模糊推理系统的红外与可见光图像融合方法，其特征在于，所述SVB‑LS滤波器包括Bitonic滤波器和最小二乘模型，所述通过SVB‑LS滤波器分别对红外图像和可见光图像进行图像分解处理，得到红外图像分解结果和可见光图像分解结果这一步骤，其具体包括：通过Bitonic滤波器分别对红外图像和可见光图像进行梯度平滑处理，得到平滑后的红外图像和平滑后的可见光图像；

将平滑后的红外图像和平滑后的可见光图像嵌入至最小二乘模型，引入SVB‑LS滤波器目标函数进行最小值求解，得到红外图像的基础层和可见光图像的基础层；

分别对红外图像与红外图像的基础层进行作差计算处理、可见光图像与可见光图像的基础层进行作差计算处理，得到红外图像的结构层和可见光图像的结构层。

3.根据权利要求2所述基于模糊推理系统的红外与可见光图像融合方法，其特征在于，所述通过Bitonic滤波器分别对红外图像和可见光图像进行梯度平滑处理，得到平滑后的红外图像和平滑后的可见光图像这一步骤，其具体包括：构建一个秩滤波器；

基于秩滤波器，对红外图像和可见光图像分别进行形态学打开和形态学关闭操作处理，得到形态学打开后的红外图像、形态学关闭后的红外图像、形态学打开后的可见光图像和形态学关闭后的可见光图像；

对形态学打开后的红外图像和形态学关闭后的红外图像进行加权计算，得到红外图像加权计算结果；

对形态学打开后的可见光图像和形态学关闭后的可见光图像进行加权计算，得到可见光图像加权计算结果；

分别计算红外图像加权计算结果与红外图像之间的差值和可见光图像加权计算结果与可见光图像之间的差值，得到红外图像的误差值和可见光图像的误差值；

基于红外图像的误差值对红外图像进行平滑处理，得到初步平滑后的红外图像；

基于可见光图像的误差值对可见光图像进行平滑处理，得到初步平滑后的可见光图像；

分别对初步平滑后的红外图像和初步平滑后的可见光图像依次进行傅里叶变换和逆变换处理，得到平滑后的红外图像和平滑后的可见光图像。

4.根据权利要求3所述基于模糊推理系统的红外与可见光图像融合方法，其特征在于，所述基于模糊逻辑推理对红外图像的结构显著层和可见光图像的结构显著层进行融合处理，得到预融合的结构显著层融合图像这一步骤，其具体包括：分别计算红外图像的结构显著层和可见光图像的结构显著层的水平梯度值与垂直梯度值，得到红外图像的结构显著层的水平梯度值、红外图像的结构显著层的垂直梯度值、可见光图像的结构显著层的水平梯度值和可见光图像的结构显著层的垂直梯度值；

将红外图像的结构显著层的水平梯度值、红外图像的结构显著层的垂直梯度值、可见光图像的结构显著层的水平梯度值和可见光图像的结构显著层的垂直梯度值输入至模糊推理系统；

基于模糊推理系统，通过0均值高斯隶属函数将红外图像的结构显著层的水平梯度值、红外图像的结构显著层的垂直梯度值、可见光图像的结构显著层的水平梯度值和可见光图像的结构显著层的垂直梯度值映射至[0，1]间，得到红外图像的结构显著层的0均值高斯隶属度和可见光图像的结构显著层的0均值高斯隶属度；

基于红外图像的结构显著层的0均值高斯隶属度和可见光图像的结构显著层的0均值高斯隶属度，定义三角隶属度函数和设计模糊推理系统的推理规则，确定红外图像的结构显著层的像素点输出和可见光图像的结构显著层的像素点输出；

基于红外图像的结构显著层的像素点输出和可见光图像的结构显著层的像素点输出，通过Centroid法计算，得到红外图像的显著特征图和可见光图像的显著特征图；

分别对红外图像的显著特征图和可见光图像的显著特征图进行二值化处理，得到红外图像显著特征的决策图和可见光图像显著特征的决策图；

分别对红外图像的决策图和可见光图像的决策图进行引导滤波处理，得到红外图像的特征最终决策图和可见光图像的特征最终决策图；

将红外图像的特征决策图和可见光图像的特征决策图分别与红外图像的结构层和可见光图像的结构层相乘再相加，得到预融合的结构显著层融合图像。

5.根据权利要求4所述基于模糊推理系统的红外与可见光图像融合方法，其特征在于，所述设计模糊推理系统的推理规则这一步骤，其具体包括：判断红外图像的结构显著层的水平梯度值和红外图像的结构显著层的垂直梯度值在同一像素点处是否均为0，若均为0则输出红外图像的结构显著层的像素点为黑色，若均不为0则输出红外图像的结构显著层的像素点为白色；

判断可见光图像的结构显著层的水平梯度值和可见光图像的结构显著层的垂直梯度值在同一像素点处是否均为0，若均为0则输出可见光图像的结构显著层的像素点为黑色，若均不为0则输出可见光图像的结构显著层的像素点为白色。

6.根据权利要求5所述基于模糊推理系统的红外与可见光图像融合方法，其特征在于，所述将将红外图像的特征决策图和可见光图像的特征决策图分别与红外图像的结构层和可见光图像的结构层相乘再相加，得到预融合的结构显著层融合图像这一步骤的表达式为：上式中，Fs,n表示预融合的结构显著层融合图像， 表示红外图像的显著特征决策图， 表示可见光图像的显著特征决策图， 表示红外图像的结构层， 表示可见光图像的结构层。

7.根据权利要求6所述基于模糊推理系统的红外与可见光图像融合方法，其特征在于，所述基于直觉模糊集的度量方法对红外图像的结构非显著层和可见光图像的结构非显著层进行融合处理，得到预融合的结构非显著层融合图像这一步骤，其具体包括：通过三角隶属度函数对红外图像的结构非显著层和可见光图像的结构非显著层进行模糊化处理，得到模糊化后的红外图像的结构非显著层和模糊化后的可见光图像的结构非显著层；

对三角隶属度函数进行转换处理，得到直觉模糊推理隶属度矩阵；

基于直觉模糊推理隶属度矩阵对模糊化后的红外图像的结构非显著层和模糊化后的可见光图像的结构非显著层进行相似度测量，得到红外图像的结构非显著层的相似度矩阵和可见光图像的结构非显著层的相似度矩阵；

分别对红外图像的结构非显著层的相似度矩阵和可见光图像的结构非显著层的相似度矩阵进行卷积处理，得到卷积后的红外图像的结构非显著层和卷积后的可见光图像的结构非显著层；

对卷积后的红外图像的结构非显著层和卷积后的可见光图像的结构非显著层进行融合处理，得到预融合的结构非显著层融合图像。

8.根据权利要求7所述基于模糊推理系统的红外与可见光图像融合方法，其特征在于，所述对卷积后的红外图像的结构非显著层和卷积后的可见光图像的结构非显著层进行融合处理，得到预融合的结构非显著层融合图像这一步骤的表达式为：上式中，Fs,r表示预融合的结构非显著层融合图像， 表示红外图像的结构非显著层，AC BC表示可见光图像的结构非显著层，sc 表示直觉模糊集A和C的卷积相似度矩阵，sc 表示直觉模糊集B和C的卷积相似度矩阵。

9.根据权利要求8所述基于模糊推理系统的红外与可见光图像融合方法，其特征在于，所述基于能量的规则对红外图像的基础层和可见光图像的基础层进行融合处理的表达式具体如下所示：上式中，Fe表示预融合的基础层融合图像， 表示红外图像的基础层， 表示可见光图像的基础层。

10.基于模糊推理系统的红外与可见光图像融合系统，其特征在于，包括以下模块：图像获取模块，用于获取红外图像和可见光图像；

图像分解模块，用于通过SVB‑LS滤波器分别对红外图像和可见光图像进行图像分解处理，得到红外图像分解结果和可见光图像分解结果，所述红外图像分解结果包括红外图像的基础层和红外图像的结构层，所述可见光图像分解结果包括可见光图像的基础层和可见光图像的结构层；

图像结构层检测模块，用于对红外图像的结构层和可见光图像的结构层进行显著特征检测，得到红外图像的结构显著层、红外图像的结构非显著层、可见光图像的结构显著层和可见光图像的结构非显著层；

图像结构显著层融合模块，基于模糊逻辑推理对红外图像的结构显著层和可见光图像的结构显著层进行融合处理，得到预融合的结构显著层融合图像；

图像结构非显著层融合模块，基于直觉模糊集的度量方法对红外图像的结构非显著层和可见光图像的结构非显著层进行融合处理，得到预融合的结构非显著层融合图像图像基础层融合模块，基于能量的规则对红外图像的基础层和可见光图像的基础层进行融合处理，得到预融合的基础层融合图像；

最终图像融合模块，用于将预融合的结构显著层融合图像、预融合的结构非显著层融合图像和预融合的基础层融合图像进行相加融合处理，得到最终的图像融合结果。