1.一种基于小波变换的红外与微波信息视频编码融合方法，其特征在于，包括如下步骤：Step 1、采集同一场景下的红外视频流和微波成像设备的信息片段；

Step 2、对Step 1中采集的红外视频流和微波成像设备的信息片段分别进行预处理操作，具体步骤为：Step 2.1‑1、利用OpenCV提取红外视频的每一帧，将每一帧图像保存为独立的图像文件，或者将其存储在内存中以便后续处理；

Step 2.1‑2、采用基于滤波器的去噪方法对红外视频帧进行去噪操作，使用了中值滤波器，设 表示图像中位置 的像素值， 表示图像中以 为中心的滤波器邻域，中值滤波器的输出 用以下公式表示：

；

其中， 表示滤波器邻域 中所有像素值的中值；

Step 2.1‑3、采用直方图均衡化的方法对红外视频帧进行对比度增强的操作，设表示图像中位置 的原始像素值， 表示经过直方图均衡化后的像素值，直方图均衡化的计算公式为：

；

其中，L表示图像的灰度级数，M×N表示图像的尺寸， 表示图像中灰度级为k的像素个数；

Step 2.2‑1、采用基于滤波器的空域方法对微波信息片段进行去除伪影的操作，设微波信息片段为 ，其中p和q分别表示图像的水平和垂直坐标；高斯滤波器对图像中的每个像素进行加权平均，其权重由高斯函数确定，设 表示应用高斯滤波器后的图像，高斯滤波器的计算公式为：；

其中b表示滤波器窗口的半径， 表示高斯滤波器的权重；

Step 2.2‑2、采用基于对数变换的动态范围压缩方法对微波信息片段进行操作，增强目标的可视化效果，设 表示图像中位置 的原始像素值， 表示经过对数变换的像素值，对数变换的计算公式为：

；

其中，c是常数，通常为一个正数，用于调整对数变换的幅度，log表示自然对数；

Step 3、采用尺度不变特征变换方法对红外视频帧及微波信息片段提取特征；

Step 4、采用小波变换融合算法对Step3中经特征提取过的红外视频帧和微波信息进行融合，生成融合视频帧，具体步骤为：假设 分别表示红外视频帧和微波信息的小波系数， 表示融合后的小波系数，采用加权平均法进行融合，融合公式为：；

其中， 是权重参数，用于控制红外视频帧和微波信息在融合中的比重，将融合后的小波系数进行逆变换，得到融合后的图像；

Step5、对融合视频帧进行后处理，包括去噪及细节增强操作，具体步骤为：采用小波去噪的方法对融合后的图像进行去噪处理，设 表示融合视频帧中的像素值，表示去噪后的像素值，基于软阈值的小波去噪公式为：；

其中，T是软阈值，用于控制去噪的程度；

采用拉普拉斯的锐化滤波算法方法对融合后视频帧进行细节增强处理，设 表示增强后的像素值，拉普拉斯算子的公式为：；

其中， 表示拉普拉斯算子， 是增强系数；

Step6、采用H.265/HEVC将融合后的图像序列编码成视频文件。

2.根据权利要求1所述的基于小波变换的红外与微波信息视频编码融合方法，其特征在于，所述Step 3中采用尺度不变特征变换方法对红外视频帧及微波信息片段提取特征的步骤为：SIFT算法首先在图像中检测出关键点，这些关键点通常是图像中的局部极值点或边缘点；为了保持尺度不变性，SIFT算法采用了高斯差分金字塔来检测尺度空间中的极值点；对于每个关键点，SIFT算法会计算一个128维的特征向量，称为描述符，描述符包含了关键点周围区域的梯度信息和方向直方图；

SIFT算法中，关键点的尺度信息通过高斯金字塔和高斯差分金字塔来获取，具体而言，尺度空间的高斯滤波用以下公式表示：；

其中， 是尺度为 的二维高斯核， 是图像的原始像素值，代表卷积操作；

对于每个关键点，SIFT算法将其周围区域划分为多个子区域，并计算每个子区域的梯度和方向直方图，然后，将这些直方图连接起来形成一个128维的特征向量。

3.根据权利要求1所述的基于小波变换的红外与微波信息视频编码融合方法，其特征在于，所述Step6中采用H.265/HEVC将融合后的图像序列编码成视频文件的步骤为：安装和配置支持H.265/HEVC编码的视频编码器，将融合后的图像序列转换为视频文件格式，使用选择的H.265/HEVC编码器对图像序列进行编码，将转换后的视频文件输入到编码器中，并设置好编码参数，然后进行编码，最后，对编码后的视频文件进行检查和测试，确保视频质量和压缩效率满足要求。