1 简介
图像融合是将来自不同传感器的图像进行整合，以获取更丰富更有用的信息，
提高对场景描述的完整性和准确性。和任意单一源图像相比，融合图像能为人类视觉系统或其他应用提供更为全面的信息。图像融合属于信息融合的分支，其研究始于上世纪八十年代，并在近几十年中有突飞猛进的发展，这一方面是因为前端传感器技术的进步使得图像数据量激增，人们面对海量数据以及复杂的应用程序急需图像融合处理来获得关于特定场景的全面信息，这样操作者无需分别检查每幅源图像，仅需要分析一幅融合后的图像，降低了人工时间成本。另一方面，信号处理理论的不断发展完善为融合算法设计提供了理论基础，使得关于图像融合的理论研究愈发深入，融合技术在现代军事、商业应用中起到越来越重要的作用。
根据输入源图像的种类不同，图像融合具体可分为遥感图像融合、医学图像
融合、多聚焦图像融合、多曝光图像融合和红外与可见光图像融合等，相关学者也都在这些领域进行了深入的研究。比如 Du 等人就医学图像融合的方法进行了总结，Ma 等人和 Jin 等人也对红外与可见光图像融合领域展开了全面的调查。在众多种类的图像融合中，红外与可见光图像融合是其中的重要分支，原因在于首先可见光图像与红外图像具有很强互补性：可见光图像分辨率和对比度比较高，但在夜间及恶劣天气等弱光条件下成像困难，红外图像则可以进行全天时的探测，能捕捉到可见光图像无法反映的物体情况。由于红外传感器硬件条件的原因，红外图像的分辨率低，达不到亚像素级别的分辨率，融合两种图像可以获得对场景更为精确的理解和解释，所以在诸如安防监控，军事侦察以及工业检测等实际工程应用中有很大的需求。其次由于光学系统及前端探测器的限制，在底层硬件上直接进行融合比较困难而且不经济，加之图像数据量剧增，目前急需红外与可见光图像的融合算法尤其是实时算法的开发.
在低照度环境下拍摄的可见光图像可视性较差,若将其与红外图像直接融合会导致融合结果清晰度不理想.针对这一问题,该文提出一种基于对比度增强与多尺度边缘保持分解的图像融合方法.首先,在融合之前采用基于导向滤波的自适应增强算法提高可见光图像中暗区内容的可视性.其次,通过一种尺度感知边缘保持滤波器对输入图像进行多尺度分解.再次,应用频率调谐滤波构造显著图.最后,利用由导向滤波生成的权重图重构融合图像.实验结果表明,所提方法不仅可以使细节信息更突出,而且还能够有效地抑制伪影.
2 部分代码
function R = enhance(img)% 论文的第一部分：基于导向滤波的夜间可见光图像自适应增强算法mi = min(img(:));ma = max(img(:));img1 = (img-mi)/(ma-mi)*255+0;log_img = log(img1+1); %公式(9)中的被减数[m,n] = size(img1);r = floor(0.04*max(m,n)); %引导滤波中r的计算方法eps = 0.01; %引导滤波中?的值base = 255*guidedfilter(img1/255, img1/255, r, eps);log_base = log(base+1); %公式(8)log_detail = log_img - log_base; %公式(9)beta = log(4)/(max(log_base(:))-min(log_base(:))); %公式(11)gamma = (1-beta)*max(log_base(:)); %公式(12)log_output = beta*log_base + log_detail + gamma; %公式(10)R = exp(log_output); %公式(13)R = min(R, 255); %将数据转换为[0-255]end
3 仿真结果
4 参考文献
[1]朱浩然, 刘云清, 张文颖. 基于对比度增强与多尺度边缘保持分解的红外与可见光图像融合[J]. 电子与信息学报, 2018, 40(6):7.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
