发展背景
图像融合技术在采集多源信息的基础上，采用融
合算法对原始图像信息进行处理，从而获得同一
事物或目标的更丰富，更全面的图像信息；
最早采用的图像融合方法是，即将两幅
或多幅图像在空间坐标下直接进行运算和叠加。
到了90年代，提出变换域方法，基于小波变换的
小波变换的特点和应用领域
小波变换具备良好的时频特性，因此在信号分析
和处理中得到了很好的运用；
平面图像可以看成二维信号，因此，小波分析很
自然地被运用到图像处理领域；
目前小波分析已经被运用到图像处理的几乎所有
的分支，如：图像融合、边缘检测，图像压缩，
图像分割等。
小波分析在图像融合中的应用
小波变换法：①是将源图像进行小波分解．得到一系列子图像；
②在变换域上进行特征选择，创建
融合图像；
③通过逆变换重建融合图像。
将变换后的两个或多个图像进行融合，在通过反变换得到融合后图像的方法。变换域法基于图像分割的融合方法：①先利用构造边缘检测算子的方法．对图像进行边缘提取；②用空间映射法实现图像的融合。是将两幅或多幅图像在空间
坐标下直接进行运算和叠加，运
算的方法有逻辑运算、加权平
均、形态运算、图像代数运算、
toet 算法和对比度调制等。空域法
方法定义
基于小波变换的图像融合
小波变换融合方法的关键
关键在于分解后融合规则和融合因子的选择；
由于它们所代表的意义不同，相应的所采用的融合策略也不同。同上，通常特征选择的
方法为最大值法或
一致，差异性检测
法进行融合。亮度较大的值代表该点为源图像上变化比较剧烈的点。高频子图像
取决于对融合图像
的具体要求和融合
图像的视觉效果。
取二者的平均值或取其中之一作为融合后的值。代表源图像的近似特性。低频子图像决定因素常用方法特性
高低频子图像比较表
基于小波变换的图像融合典型算法基于区域的最大值选择方法
基于小波变换的图像融合典型算法 基于区域的最大值选择方法程序代码：
%调入第一幅模糊图像
load cathe_1;
X1=X;
%调入第二幅模糊图像
load cathe_2;
X2=X;
%基于小波分解的图像融合XFUS=wfusimg(X1,X2,'sym4',5 ,'max','max');%显示
colormap(map);
subplot(2,2,1);
image(X1);
axis square;
title(' Catherine 1'); subplot(2,2,2);
image(X2);
axis square;
title(' Catherine 2'); subplot(2,2,3);
image(XFUS);
axis square;
title('Synthesized image');
基于区域的最大值选择方法MATLAB运行结果
MATLAB运行结果分析
左边源图1、2所示是两幅用来测试的图像，源图1中的图像左半模糊右半清晰，源图3中的图像正好相反。使用上述算
法对两幅图像进行图像融合，融合的结果如右所示；
从主观效果来看，本算法能够较好的保留细节部分，同时融合了对两幅图像的信息，使得融合后的图像得到了增强；
根据小波变换的特点，分别选用了不同的融合准则，因而保留了图像的细节信息，得到了全局清晰的图像，融合效果良
好。
图像融合的发展前景和待解决的问题 图像融合技术目前还没有建立起统一的图像融合数学模型。
图像融合涉及到复杂的融合算法、概念、实时图像数据库技
术和高速、大吞吐量数据处理等软硬件支撑技术。因此，图
像融合还有许多待解决的问题，如：
用小波对图像进行分解时，如何确定合适的分界层次；
如何根据图像特征，选择合适的小波基．减少处理过程中信息的丢失；
连续函数表示的图像融合问题；
客观的图像融合质量的评价准则确定方法。
根据数据点绘制饼图和针状图： x=[1 2 3 4 5 6]; >> subplot(2,2,1);pie(x); >> subplot(2,2,2);pie3(x); >> subplot(2,2,3);stem(x); >>subplot(2,2,4);stem3(x); 5% 10% 14% 19% 24% 29% 24% 29% 19% 5%14% 10%0 2 4 6 2 4 6 5 10 01 2 05 10
根据数据点绘制向量场图、羽状图和罗盘图： x=[1 2 3 4 5 6];y=[1 2 3 4 5 6]; u=[1 2 3 4 5 6];v=[1 2 3 4 5 6]; subplot(2,2,1);quiver(x,y,u,v); subplot(2,2,2);quiver(x,y,u,v,'r'); subplot(2,2,3);feather(u,v); subplot(2,2,4);compass(u,v); 024680 246 802468 246 80 5 10 15 2 4 6 5 10 30 210 60240 90270 120 300 150330 180
rand(m,n)产生m ×n 均匀分布的随机矩阵，元素取值在0.0~1.0。 randn 函数：产生标准正态分布的随机数或矩阵的函数。 Y = randn(m,n) 或 Y = randn([m n])返回一个m*n 的随机项矩阵。 > theta=10*rand(1,50); %确定50个随机数theta >> Z=peaks; %确定Z 为峰值函数peaks >> x=0:0.01:2*pi;y=sin(x); %确定正弦函数数据点x.y >> t=randn(1000,1); %确定1000个随机数t >> subplot(2,2,1);rose(theta); %关于（theta ）的玫瑰花图 >> subplot(2,2,2);area(x,y); %关于(x,y)的面积图 >> subplot(2,2,3);contour(Z); %关于Z 的等值线图（未填充） >> subplot(2,2,4);hist(t); %关于t 的柱状图 5 10 30 210 60 240 90270 120300150330 18000246 -1 -0.500.5 110 20 30 40 10 2030 40-4 -2 2 4 100 200 300
附录 ＭＡＴＬＡＢ图像处理命令 １．ａｐｐｌｙｌｕｔ 功能： 在二进制图像中利用lookup表进行边沿操作。 语法： A = applylut(BW,lut) 举例 lut = makelut('sum(x(:)) == 4',2); BW1 = imread('text.tif'); BW2 = applylut(BW1,lut); imshow(BW1) figure, imshow(BW2) 相关命令： makelut ２．ｂｅｓｔｂｌｋ 功能： 确定进行块操作的块大小。 语法： siz = bestblk([m n],k) [mb,nb] = bestblk([m n],k) 举例 siz = bestblk([640 800],72) siz = 64 50 相关命令： blkproc ３．ｂｌｋｐｒｏｃ 功能：
MATLAB 高级应用——图形及影像处理 320 实现图像的显式块操作。 语法： B = blkproc(A,[m n],fun) B = blkproc(A,[m n],fun,P1,P2,...) B = blkproc(A,[m n],[mborder nborder],fun,...) B = blkproc(A,'indexed',...) 举例 I = imread('alumgrns.tif'); I2 = blkproc(I,[8 8],'std2(x)*ones(size(x))'); imshow(I) figure, imshow(I2,[]); 相关命令： colfilt, nlfilter,inline ４．ｂｒｉｇｈｔｅｎ 功能： 增加或降低颜色映像表的亮度。 语法： brighten(beta) newmap = brighten(beta) newmap = brighten(map,beta) brighten(fig,beta) 相关命令： imadjust, rgbplot ５．ｂｗａｒｅａ 功能： 计算二进制图像对象的面积。 语法： total = bwarea(BW) 举例 BW = imread('circles.tif'); imshow(BW);
set(handles.text4,'visible','on') pause(1) [X,map]=imread('C:\Users\Administrator\Desktop\matlab\image1.jpg') ; %map是色谱，map每一行分别代表R、G、B，涵盖了图像中出现的所有颜色组合。 %X是像素颜色值，数据矩阵X的值指向map的某一行。 X1=X; map1=map; subplot(2,2,1); image(X1); colormap(map1);%指当前显示的figure窗口色图按照指定map1进行搭配，用MAP矩阵映射当前图形的色图title('原始图像1') axis square [X,map]=imread('C:\Users\Administrator\Desktop\matlab\image2.jpg') ; X2=X; map2=map; subplot(2,2,2); image(X2); colormap(map2); title('原始图像2'); axis square if ndims(X1)==3 %表示三位矩阵 X3=rgb2gray(X1);%满足这个条件时，把X1转换成灰度图赋值给X3 else X3=X1;%·否则直接赋值 end if ndims(X2)==3 X4=rgb2gray(X2);%满足这个条件时，把X2转成灰度图赋值给X4 else X4=X2; end X3=double(X3);%转换成双精度数据 X4=double(X4); %matlab读入图像的数据是uint8，而matlab中数值一般采用double型（64位）存储和运算。所以要先将图像转为double格式的才能运算，如果不转换，计算会产生溢出 %%进行小波变换 [C1,L1]=wavedec2(X3,2,'sym4');%小波变换 [C2,L2]=wavedec2(X4,2,'sym4');%小波变换 %wavedec2：二维信号的多层小波分解
一、编写程序完成不同滤波器的图像频域降噪和边缘增强的算法并进行比较，得出结论。 1、不同滤波器的频域降噪 1.1 理想低通滤波器(ILPF) I1=imread('eight.tif'); %读取图像 I2=im2double(I1); I3=imnoise(I2,'gaussian',0.01); I4=imnoise(I3,'salt & pepper',0.01); figure,subplot(1,3,1); imshow(I2) %显示灰度图像 title('原始图像'); %为图像添加标题 subplot(1,3,2); imshow(I4) %加入混合躁声后显示图像 title('加噪后的图像'); s=fftshift(fft2(I4)); %将灰度图像的二维不连续Fourier 变换的零频率成分 移到频谱的中心 [M,N]=size(s); %分别返回s的行数到M中，列数到N中n1=floor(M/2); %对M/2进行取整 n2=floor(N/2); %对N/2进行取整 d0=40; %初始化d0 for i=1:M for j=1:N d=sqrt((i-n1)^2+(j-n2)^2); %点（i,j）到傅立叶变换中心的距离 if d<=d0 %点（i,j）在通带内的情况 h=1; %通带变换函数 else %点（i,j）在阻带内的情况 h=0; %阻带变换函数 end s(i,j)=h*s(i,j); %ILPF滤波后的频域表示
end end s=ifftshift(s); %对s进行反FFT移动 s=im2uint8(real(ifft2(s))); %对s进行二维反离散的Fourier变换后，取复 数的实部转化为无符号8位整数 subplot(1,3,3); %创建图形图像对象 imshow(s); %显示ILPF滤波后的图像 title('ILPF滤波后的图像（d=40）'); 运行结果： 1.2 二阶巴特沃斯低通滤波器(BLPF) I1=imread('eight.tif'); %读取图像 I2=im2double(I1); I3=imnoise(I2,'gaussian',0.01); I4=imnoise(I3,'salt & pepper',0.01); figure,subplot(1,3,1); imshow(I2) %显示灰度图像 title('原始图像'); %为图像添加标题 subplot(1,3,2); imshow(I4) %加入混合躁声后显示图像 title('加噪后的图像'); s=fftshift(fft2(I4));%将灰度图像的二维不连续Fourier 变换的零频率成分 移到频谱的中心 [M,N]=size(s); %分别返回s的行数到M中，列数到N中n=2; %对n赋初值
小波变换在图像融合中的应用 摘要：图像融合是将同一对象的两个或更多图像合成一幅图像，使得融合后图像更容易理解，而小波变换为其提供了良好的融合方法。本文主要讲述了基于小波变换的图像融合的基本原理和具体融合步骤，以及低频和高频的融合规则，并利用二维小波与小波分解进行了简单的图像融合的MATLAB仿真。 关键词：图像融合；小波变换；融合方法；MATLAB仿真 1、引言 在众多的图像融合技术中，基于小波变换的图像融合方法已成为现今研究的一个热点。图像融合是将不同来源的同一对象的图像数据进行空间配准，然后采用一定的算法将各个图像数据中所含有的信息优势或互补性有机地结合起来，产生新的图像数据的信息技术。高效的图像融合方法可以根据需要综合处理多源通道的信息，从而有效的提高了图像信息的利用率和系统对目标探测识别的可靠性。其目的是将单一传感器的多波段信息或不同类传感器所提供的信息加以综合，以增强影像中信息解译的精度、可靠性以及使用率，以形成对目标的清晰、完整、准确的信息描述。 图像融合可分为三个层次：（1）低水平的像素级融合；（2）中等水平的特征级融合；（3）高水平的决策级融合。 图像融合的方法主要分为基于空域的图像融合和基于变换域的图像融合，其中变换域方法主要有基于多分辨率金字塔融合法、基于傅里叶变换的图像融合法、基于小波变换的图像融合法。20世纪80年代中期发展起来的小波变换技术为图像融合提供了新的工具，小波分解的紧支性、对称性和正交性赋与它良好的图像融合性能。基于小波分析的图像融合是近年来国内外一个活跃的研究领域，二维小波分析用于图像融合是小波分析应用的一个重要方面，基于小波变换的图像融合能取得良好的结果，使图像融合成为小波理论最成功的应用领域之一[1]。 2、小波分析与图像融合
1.图像反转 MATLAB程序实现如下： I=imread('xian.bmp'); J=double(I); J=-J+(256-1); %图像反转线性变换 H=uint8(J); subplot(1,2,1),imshow(I); subplot(1,2,2),imshow(H); 2.灰度线性变换 MATLAB程序实现如下： I=imread('xian.bmp'); subplot(2,2,1),imshow(I); title('原始图像'); axis([50,250,50,200]); axis on; %显示坐标系 I1=rgb2gray(I); subplot(2,2,2),imshow(I1); title('灰度图像'); axis([50,250,50,200]); axis on; %显示坐标系 J=imadjust(I1,[0.1 0.5],[]); %局部拉伸，把[0.1 0.5]内的灰度拉伸为[0 1] subplot(2,2,3),imshow(J); title('线性变换图像[0.1 0.5]'); axis([50,250,50,200]); grid on; %显示网格线 axis on; %显示坐标系 K=imadjust(I1,[0.3 0.7],[]); %局部拉伸，把[0.3 0.7]内的灰度拉伸为[0 1] subplot(2,2,4),imshow(K); title('线性变换图像[0.3 0.7]'); axis([50,250,50,200]); grid on; %显示网格线 axis on; %显示坐标系 3.非线性变换 MATLAB程序实现如下： I=imread('xian.bmp'); I1=rgb2gray(I); subplot(1,2,1),imshow(I1); title('灰度图像'); axis([50,250,50,200]); grid on; %显示网格线 axis on; %显示坐标系 J=double(I1); J=40*(log(J+1)); H=uint8(J);
信号与系统实验报告——图像处理 学院：信息科学与工程学院 专业：2014级通信工程 组长：** 组员：** 2017.01.02
目录 目录 (2) 实验一图像一的细胞计数 (3) 一、实验内容及步骤 (3) 二、Matlab程序代码 (3) 三、数据及结果 (4) 实验二图像二的图形结构提取 (5) 一、实验内容及步骤 (5) 二、Matlab程序代码 (5) 三、数据及结果 (6) 实验三图像三的图形结构提取 (7) 一、实验内容及步骤 (7) 二、Matlab程序代码 (7) 三、数据及结果 (8) 实验四图像四的傅里叶变化及巴特沃斯低通滤波 (9) 一、实验内容及步骤 (9) 二、Matlab程序代码 (9) 三、数据及结果 (10) 实验五图像五的空间域滤波与频域滤波 (11) 一、实验内容及步骤 (11) 二、Matlab程序代码 (11) 三、数据及结果 (12)
实验一图像一的细胞计数 一、实验内容及步骤 将该图形进行一系列处理，计算得到途中清晰可见细胞的个数。 首先，由于原图为RGB三色图像处理起来较为麻烦，所以转为灰度图，再进行二值化化为黑白图像，得到二值化图像之后进行中值滤波得到细胞分布的初步图像，为了方便计数对图像取反，这时进行一次计数，发现得到的个数远远多于实际个数，这时在进行一次中值滤波，去掉一些不清晰的像素点，剩下的应该为较为清晰的细胞个数，再次计数得到大致结果。 二、Matlab程序代码 clear;close all; Image = imread('1.jpg'); figure,imshow(Image),title('原图'); Image=rgb2gray(Image); figure,imshow(Image),title('灰度图'); Theshold = graythresh(Image); Image_BW = im2bw(Image,Theshold); Reverse_Image_BW22=~Image_BW; figure,imshow(Image_BW),title('二值化图像'); Image_BW_medfilt= medfilt2(Image_BW,[3 3]); figure,imshow(Image_BW_medfilt),title('中值滤波后的二值化图像'); Reverse_Image_BW = ~Image_BW_medfilt; figure,imshow(Reverse_Image_BW),title('图象取反'); Image_BW_medfilt2= medfilt2(Reverse_Image_BW,[20 20]); figure,imshow(Image_BW_medfilt2),title('第二次中值滤波的二值化图像'); [Label, Number]=bwlabel(Image_BW_medfilt,8);Number [Label, Number]=bwlabel(Image_BW_medfilt2,8);Number
一、实验原理 本实验对源图像分别进行Harr 小波变换，建立图像的小波塔形分解，然后对分解层进行融合，处理各分解层上的不同频域分量可以采用不同的融合算子进行融合处理，本实验采用统一的算法处理，得到融合后的小波金字塔，对融合后的小波金字塔进行小波逆变换，得到的重构图像为拼接图像 1、 Harr 小波变换 Harr 小波分解步骤： 步骤一：输入信号n S 有2n 个样本， 步骤二：将信号分成1,2,2,,0 2n n l n l a S b S l -===，一共12n -对，然后对每一对变换，获得均值1n S -和差值1n d -。,21,212n l n l n S S S +-+=，1,,21,2n l n l n l d S S -+=-反变换可以无损地从 1n S -和1n d -中恢复出原信号，1n S -作为信号的全局信息（低频成分） ，1n d -作为信号的细节信息（高频成分），全局信息和原信号比较相似（局部一致性），细节信息（差值比较小）可以很高效的进行表示。 步骤三：对1n S -实施同样的变换（求均值和差值），获得均值2n S -和差值2n d -，它们两各有22n -个样本值。 步骤四：重复上面的变换步骤，直到0S 中仅有一个元素为止。 2、图像拼接算法 本实验采用小波分解的图像处理方法，首先对图形进小波变换，然后采用分层比较法，对两幅图的一级分解的LL 层进行比较，从而获得准确的位置匹配，然后各层进行相应的位置衔接，得到拼接图像的一级小波分解图像，最后对分解图像进行重构，得到拼接后的图像。 步骤一：首先对两图进行Harr 小波一级分解，假设分解图像如下图。 图一的harr 小波分解 图二的harr 小波分解 步骤二：对一级分解LL 层进行位置匹配。首先求出两幅图的LL 图像梯度值,即图像灰度值的显著变化的地方，采用如下公式 21(1,)mag i j -=
数字图像去噪典型算法及matlab实现 希望得到大家的指点和帮助 图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响 到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等； 目前比较经典的图像去噪算法主要有以下三种： 均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度 的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊， 可以对其进行改进，主要避开对景物边缘的平滑处理。 中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。 实验一：均值滤波对高斯噪声的效果 l=imread（'C:\Documents and 桌面\1.gif'）;% 读取图像
J=imnoise(l,'gaussian',0,0.005);% 加入均值为0 ,方差为 0.005 的高斯噪声subplot(2,3,1);imshow(l); title(' 原始图像'); subplot(2,3,2); imshow(J); ti tle('加入高斯噪声之后的图像’)； %采用MATLAB 中的函数filter2 对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; % 模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5 K3=filter2(fspecial('average',7),J)/255; % 模板尺寸为7 K4= filter2(fspecial('average',9),J)/255; % 模板尺寸为9 subplot(2,3,3);imshow(K1); ti tle(' 改进后的图像1'); subplot(2,3,4); imshow(K2); title(' 改进后的图像2'); subplot(2,3,5);imshow(K3); title(' 改进后的图像3'); subplot(2,3,6);imshow(K4); title(' 改进后的图像4');
小波变换在图像融合中的应用研究 一，绪论 图像融合是将两幅或多幅图像融合在一起，以获取对同一场景的更为精确、更为全面、更为可靠的图像描述。融合充分利用各原图像的互补信息，可客服单一图像在几何光谱和空间分辨率等方面的局限性和差异性，使融合后的图像更适合人的视觉感受，适合进一步分析的需要。小波变换是图像的多尺度、多分辨率分解，它可以聚焦到图像的任意细节，被称为数学上的显微镜。近年来，随着小波理论及其应用的发展，已将小波多分辨率分解用于各个领域图像融合，例如遥感信号，和计算机视觉以及医学影像等领域应用到小波变换的多尺度、多分辨率特性。 图像融合可分为四个层次:信号级融合；像素级融合；特征级融合；决策级融合。其中信号级别主要处理一维信号，像素级融合是最低层次的融合，也是后两级的基础。它是将各原图像中对应的像素进行融合处理，保留了尽可能多的图像信息，精度比较高，因而倍受人们的重视。像素级的图像融合方法大致可分为三大类：（1）简单的图像融合方法；基于图像的级别特征，像素值、或者轮廓边界信息进行图像融合。主观性大，结果重复性差。当图像轮廓信息不明显时，融合结果较差；（2）基于塔形分解的图像融合方法。主要依据时图像灰度信息统计值，主要应用于黑白灰度图像进行融合，彩色图像不能用简单的模型来重建；（3）基于小波变换的图像融合方法，是本文重点介绍的对象。 特征级图像融合是指从各个传感器图像中提取特征信息，并将其进行综合分析和处理的过程。提取的特征信息应是像素信息的充分表示或充分统计。通过特征级图像融合可以在原始图像中挖掘相关特征信息，增加特征信息的可信度，排除虚假特征，建立新的复合特征等。决策级图像融合是指对每个图像的特征信息进行分类、识别等处理，形成了相应的结果后，进行进一步的融合过程，最终的决策结果是全局最优决策。 二，基于小波变换的图像融合 以两幅图像的融合为例。设I1，I2为两幅原始图像，I为融合后的图像，见图1。若对二维图像进行N层的小波分解，最终将有(3N+1)个不同频带，其中包含3N 个高频子图像和1个低频子图像。其融合处理的基本步骤如下： （1）对每一原图像分别进行小波变换，建立图像的小波分解； （2）对各分解层分别进行融合处理。各分解层上的不同频率分量可采用不同的融合算子进行融合处理，最终得到融合后的小波金字塔； （3）对融合后所得小波金字塔进行小波重构，所得到的重构图像即为融合图像。 目前基于小波变换的图像融合方法中所采用的多分辨技术基本沿用Mallet方法, 不过根据具体的应用不同, 而选用不同的小波函数和不同的融合算法。下面介绍各种基于小波的图像融合方法。
本文主要介绍基于Retinex理论的雾霭天气图像增强及其实现。并通过编写两个程序来实现图像的去雾功能。 1 Rentinex理论 Retinex（视网膜“Retina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Human Visual System）的图像增强理论。该算法的基本原理模型最早是由Edwin Land（埃德温?兰德）于1971年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Retinex 理论的基本内容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性（颜色恒常性）为基础的。 根据Edwin Land提出的理论，一幅给定的图像S(x,y)分解成两幅不同的图像：反射物体图像R(x,y)和入射光图像L(x,y)，其原理示意图如图8.3-1所示。 图-1 Retinex理论示意图 对于观察图像S中的每个点(x,y)，用公式可以表示为： S(x,y)=R(x,y)×L(x,y) （1.3.1）实际上，Retinex理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光L的性质从而得到物体原本该有的样子。 2 基于Retinex理论的图像增强的基本步骤 步骤一: 利用取对数的方法将照射光分量和反射光分量分离，即： S＇(x, y)=r(x, y)+l(x, y)=log(R(x, y))+log(L(x, y))； 步骤二：用高斯模板对原图像做卷积，即相当于对原图像做低通滤波，得到低通滤波后的图像D(x,y)，F（x, y）表示高斯滤波函数： D(x, y)=S(x, y) *F（x, y）； 步骤三：在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G （x, y）： G(x,y)=S＇(x, y)-log(D(x, y)) ；
第八章图像融合算法 8.1 图像融合技术的发展过程 随着科学的发展和技术的进步，采集图像数据的手段不断完善，出现了各种新的图像获取技术。如今，图像融合方法已经运用于社会的很多领域，像遥感卫星图像，光图像，红外图像，医学图像，尤其是多传感器图像融合应用以来，它已成为计算机视觉，目标识别，机器人以及军事等方面研究的重要方面。
8.2基于小波变换图像融合的基本原理 如果一个图像进行L 层小波分解，我们将得到（3L ＋1）层子带，其中包括低频的基带和层的高频子带。用代表源图像，记为，设尺度系数和小波函数对应的滤波器系数矩阵分别为，则二维小波分解算法可描述为： j C 3L ,h v d D D D 和(,)f x y 0C ()x Φ()x ΨH G 与11 1 j h j j v j j d j j C HC H D GC H D HC G D GC G +++′ =??′=??′=??′=?j+1(0,1, (1) j J =?（8-1）
小波重构算法为： 基于二维DWT 的融合过程如图1.1所示，ImageA 和 ImageB 代表两幅源图像A 和B ，ImageF 代表融合后的图像，具体步骤如下：（1）图像的预处理： 1h v d j j j j j C H C H G D H H D G G D G ?′′′′=+++(,1, (1) j J J =?（8-2） 图8.1 基于DWT 图像融合过程
①图像滤波 ②图像配准 （2）对ImageA和ImageB进行二维DWT分解，得到图像的低频和高频分量。 （3）根据低频和高频分量的特点，按照各自的融合算法进行融合。 （4）对以上得到的高低频分量，经过小波逆变换重构得到融合图像ImageF。 8.3 融合效果性能评价指标 8.3.1均值和标准差
1.图像反转 MATLAB程序实现如下: I=imread('xian.bmp'; J=double(I; J=-J+(256-1; %图像反转线性变换H=uint8(J; subplot(1,2,1,imshow(I; subplot(1,2,2,imshow(H; 2.灰度线性变换 MATLAB程序实现如下: I=imread('xian.bmp'; subplot(2,2,1,imshow(I; title('原始图像'; axis([50,250,50,200]; axis on; %显示坐标系 I1=rgb2gray(I; subplot(2,2,2,imshow(I1; title('灰度图像'; axis([50,250,50,200];
axis on; %显示坐标系 J=imadjust(I1,[0.1 0.5],[]; %局部拉伸,把[0.1 0.5]内的灰度拉伸为[0 1] subplot(2,2,3,imshow(J; title('线性变换图像[0.1 0.5]'; axis([50,250,50,200]; grid on; %显示网格线 axis on; %显示坐标系 K=imadjust(I1,[0.3 0.7],[]; %局部拉伸,把[0.3 0.7]内的灰度拉伸为[0 1] subplot(2,2,4,imshow(K; title('线性变换图像[0.3 0.7]'; axis([50,250,50,200]; grid on; %显示网格线 axis on; %显示坐标系 3.非线性变换 MATLAB程序实现如下: I=imread('xian.bmp'; I1=rgb2gray(I; subplot(1,2,1,imshow(I1; title('灰度图像';
基于MATLAB的图像融合算法
基于MATLAB的图像融合算法 摘要 图像融合能够将不同类型传感器获取的同一对象的图像数据进行空间配准。并且采用一定的算法将各图像数据所含的信息优势或互补性有机的结合起来产生新的图像数据。这种新数据具有描述所研究对象的较优化的信息表征，同单一信息源相比，能减少或抑制对被感知对象或环境解释中可能存在的多义性、不完全性、不确定性和误差，最大限度的利用各种信息源提供的信息。 图像融合分为像素级、特征级、决策级三个层次，其中像素级图像融合能够提供其它层次上的融合处理所不具有的更丰富、更精确、更可靠的细节信息，有利于图像的进一步分析、处理和理解，它在整个图像融合技术中是最为复杂、实施难度最大的融合处理技术。本文的研究工作是围绕像素级图像融合展开的，针对像素级图像融合技术中需要解决的关键问题，研究了多种像素级图像融合方法。 本论文的主要的研究内容有： 首先介绍了图像信息融合的概念、优势、发展历史和应用领域，并介绍了图像融合的三个层次及常用的空域图像融合方法,空域融合方法有像素平均法、像素最大最小法、像素加权平均法，频域融合方法包括图像的多尺度分解、图像的小波变换、基于小波变换的 图像融合方法。图像的预处理有滤波（邻域平均滤波法、中值滤波法）和图像配准。最后，对于图像融合系统来说，融合图像质量的评价显得特别重要，本文探讨了图像融合质量的评价问题，总结了融合效果的主、客观评价标准，作为本课题性能分析的判断标准。 关键词：图像配准；图像融合；空域融合法；小波变换；评价标准
MATLAB-based image fusion algorithm Abstract The same object gotten from different sensors can be registered spatially by mage fusion. The information advantages or the complements of all the image data can be combined to produce new image data using some fusion algorithms. The new data can describe the optimized information of the studied object. Compared with single information source, the new data can reduce or restrain the ambiguity, the incompleteness, the uncertainty and the error, which may appears in the explanation of the studied object or the environment, and make full use of the information provided by all kinds of resources. Image fusion consists of such three levels as the Pixel level，the feature level and the decision level，among which the Pixel level image fusion can Provide more abundant, accurate and reliable detailed information tha t doesn’t exist on the other levels and It is the most complicated in the whole image fusion techniques and also is the most difficult to implement in the fusion Processing techniques. this dissertation Progresses mainly around the Pixel level image fusion and proposes a variety of Pixel level image fusion techniques according to the key Problems in the Pixel level image fusion techniques. The major research and findings are as follows: First we introduce the concepts，advantages，developments and applications. Three levels of image fusion and image fusion techniques in common use are also reviewed. Airspace Image Fusion such as simple fusion method (pixel average, maximal or minimal pixel selection), Frequency-domain image fusion methods include the multiresolution image fusion techniques based on multi-scale pyramid decomposition, and the image fusion method based on wavelet transform Image Pre-processing like Filter processing (neighborhood average filter, median filtering method) and Image Registration. in the end, evaluation for fusion image is vital to fusion system. This dissertation probes into the image fusion quality assessment and deduces a set of indexes as the criteria to analyze the performances of this discussion. Keywords: Image Registration；Image Fusion；Airspace integration method；Wavelet Transform；Evaluation criteria
最常用的一些图像处理Matlab源代 码 #1：数字图像矩阵数据的显示及其傅立叶变换 #2：二维离散余弦变换的图像压缩 #3：采用灰度变换的方法增强图像的对比度 #4：直方图均匀化 #5：模拟图像受高斯白噪声和椒盐噪声的影响 #6：采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波 #7：采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 #8：图像的自适应魏纳滤波 #9：运用5种不同的梯度增强法进行图像锐化 #10：图像的高通滤波和掩模处理 #11：利用巴特沃斯（Butterworth）低通滤波器对受噪声干扰的图像进行平滑处理 #12：利用巴特沃斯（Butterworth）高通滤波器对受噪声干扰的图像进行平滑处理 1.数字图像矩阵数据的显示及其傅立叶变换 f=zeros(30,30); f(5:24,13:17)=1; imshow(f, 'notruesize'); F=fft2(f,256,256); % 快速傅立叶变换算法只能处矩阵维数为2的幂次，f矩阵不 % 是，通过对f矩阵进行零填充来调整 F2=fftshift(F); % 一般在计算图形函数的傅立叶变换时，坐标原点在 % 函数图形的中心位置处，而计算机在对图像执行傅立叶变换 % 时是以图像的左上角为坐标原点。所以使用函数fftshift进 %行修正，使变换后的直流分量位于图形的中心； figure,imshow(log(abs(F2)),[-1 5],'notruesize');
2 二维离散余弦变换的图像压缩I=imread('cameraman.tif'); % MATLAB自带的图像imshow(I); clear;close all I=imread('cameraman.tif'); imshow(I); I=im2double(I); T=dctmtx(8); B=blkproc(I,[8 8], 'P1*x*P2',T,T'); Mask=[1 1 1 1 0 0 0 0 1 1 1 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]; B2=blkproc(B,[8 8],'P1.*x',Mask); % 此处为点乘(.*) I2=blkproc(B2,[8 8], 'P1*x*P2',T',T); figure,imshow(I2); % 重建后的图像 3.采用灰度变换的方法增强图像的对比度I=imread('rice.tif'); imshow(I); figure,imhist(I); J=imadjust(I,[0.15 0.9], [0 1]); figure,imshow(J); figure,imhist(J);
基于小波变换的图像融合的研究 摘要：数据融合是80年代初形成与发展起来的一种信息综合处理技术。图像融合是数据融合在数字图像处理方面的一个应用。近年来，图像融合已成为图像理解和计算机视觉领域一项重要的新技术。把小波变换技术应用到图像融合技术之中时该研究领域的重大突破。本文首先论述图像融合技术和小波变换的相关理论，在将小波变换运用于图像融合，并设计了相关实验验证基于小波变换的图像融合，对融合结果进行质量评价。 关键词：小波变换，图像融合 1.引言 图像融合是信息融合技术的一个重要的分支，它是以图像为主要研究内容的数据融合技术。从八十年代初到至今，图像融合技术已引发了世界范围的广泛研究兴趣和热潮，它在自动目标识别、计算机视觉、遥感机器人、医学图像处理以及军事应用等众多领域有着广泛的应用前景。 图像融合的方法与具体的处理对象类型、处理等级有关。如：可分为像素级融合、特征级融合和决策级融合三大类。主要基于各类图像的解析度不同、表现的目的不同，相应的处理方法也要根据具体情况而定。随着小波变换技术的出现，在众多融合方法中，基于小波变换的融合方法具有良好的效果，现已成为当今研究的一个热点。同时产生的一个亟待解决的问题是如何准确地对融合效果进行评价。评价的方法有很多，评价的标准也是因人、因物而不同，这就需要进行综合研究比较，得出不同融合方法的适应性和优异性。 2．图像融合技术简介 图像融合以图像作为研究和处理对象，是一种综合多个源图像信息的先进图像处理技术，它把对同一目标或场景的多重源图像根据需要通过一定的融合规则融合成为一幅新图像，在这一幅新图像中能反映多重源图像中的信息，以达到对目标或场景的综合描述，以及精确的分析判断，有效地提高图像信息的利用率、系统对目标探测识别的可靠性及系统的自动化程度。其目的是集成多个源图像中的冗余信息和互补信息，以强化图像中的可读信息、增加图像理解的可靠性等。相对于源图像，通过图像融合得到的融合图像可信度增加、模糊性减少、可读性增强、分类性能改善等，并且融合图像具有良好的鲁棒性，所以通过图像融合技术将会获得更精确的结果，也将会使系统更实用。 图像融合的方法目前能够参照的有很多，如HIS变换法，PCA法，聚类分析法，贝叶斯方法，小波变换方法等等，目前成为主流方法的研究是基于小波变换的图像融合方法。在此简单介绍几种融合方法，了解各方法的优缺点。 （1）线性加权法 线性加权法是一种最简单的图像融合方法，它直接对多幅原图像的对应像素点进行加权叠加。如A k(i,j)为n幅图像A k在对应位置(i,j)的灰度值，那么融合后图像可通过下式得到
%%%%%% 求对比度%%%%%% clear; clc; [filename,pathname]=uigetfile({'*jpg;*.bmp;*.jpeg'},'load?image'); fpath=fullfile(pathname,filename); A=imread(fpath); figure(1); imshow(A); title('原图像') img=rgb2gray(A); figure(2); imshow(img); title('灰度后的'); img1=imnoise(img,'salt & pepper',0.05); %加入椒盐躁声 figure(3); imshow(img1); title('椒盐后的图像'); %%% K近邻域滤椒盐噪声%%% 3*3 %%% 找出与f（i，j）相近的像素值这里利用做差排序找出AAAA1=img1; AAAA1=double(AAAA1); %%%得到椒盐噪声图像 [m,n]=size(AAAA1); for i=2:m-1 for j=2:n-1 ASD1=[AAAA1(i-1,j-1) AAAA1(i-1,j) AAAA1(i-1,j+1) ... AAAA1(i,j-1) AAAA1(i,j) AAAA1(i,j+1) ... AAAA1(i+1,j-1) AAAA1(i+1,j) AAAA1(i+1,j+1)]; aa=ASD1; %%随机设定的一个数组 b=AAAA1(i,j); %%取参照值 a=aa(:); %%将给定数组化为一维的
ab=(a(:)-b)'; %%将数组a与b做差abc=abs(ab); abc=sort(abc); %%差值取绝对值并排序 [as1 as11] =find(abs((a(:)-b))==abc(1,1)); as=[as1 as11]; if ~isempty(abc(abc(:)~=abc(1,1))) if ~isempty(abc) abc1=abc(abc(:)~=abc(1,1)); [as2 as22]=find(abs((a(:)-b))==abc1(1,1)); as=[as1 as11;as2 as22]; end end if ~isempty(abc1(abc1(:)~=abc1(1,1))) if ~isempty(abc1) abc2=abc1(abc1(:)~=abc1(1,1)); [as3 as33]=find(abs((a(:)-b))==abc2(1,1)); as=[as1 as11;as2 as22;as3 as33]; end end if ~isempty(abc2(abc2(:)~=abc2(1,1))) if ~isempty(abc2) abc3=abc2(abc2(:)~=abc2(1,1)); [as4 as44]=find(abs((a(:)-b))==abc3(1,1)); as=[as1 as11;as2 as22;as3 as33;as4 as44]; end end