【图像融合】高分辨率全色图IHS图像融合（含评价指标）【含Matlab源码 2406期】

Matlab武动乾坤

于 2024-01-14 09:49:41 发布

阅读量926

点赞数 19

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135579919

版权

Matlab图像处理（进阶版）专栏收录该内容

870 篇文章 19 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、HSI彩色图像去噪简介

0引言
彩色模型(又称彩色空间或者彩色系统)的种类众多,有RGB彩色模型、YIQ/YUV彩色模型、CMY/CMYK彩色模型、IHS彩色模型等。不同应用领域或不同的情况下可选择合适的彩色模型,例如RGB彩色模型应用最广泛, 主要的应用领域为输出显示设备或者摄取设备。 IHS彩色模型主要是面向一般的彩色图像应用。 IHS彩色模型中定义了色度H、饱和度S和亮度或者强度I这三个互不相关并容易预测的颜色心理属性,它反映了人的视觉系统感知彩色的方式。 H体现了人对不同颜色的感受,与光波的波长有关,是彩色相互区分的特征。 S反映了彩色光所呈现彩色的纯度,纯光谱色是饱和的,加入白光会稀释饱和度,一般来说饱和度越大颜色会越鲜艳,反之亦然。 I反映了光作用在人眼所引起的光源或物体的明亮程度, 一般与物体的反射率是成正比的。IHS模型的建立是基于以下两个重要特征: 1I分量与图像的彩色分量是没有关系的;2H分量和S分量与人感受彩色的方式是紧密相连的。这使得IHS模型非常适合于借助人的视觉系统来感知彩色特征的图像处理算法。而图像融合[1](Image Fusion)技术是多源信道对同一目标场景进行数据采集,对采集到的多幅图像进行综合处理, 得到一幅关于该目标场景信息更准确、更全面的融合图像。图像融合由高到底分为三个层次: 决策级融合、特征级融合和像素级融合[2,3]。像素级融合保留了更多的原始图像数据,提供了更精确、丰富和可靠的信息,并且融合后的信息一般为图像数据,更有利于人眼观察和计算的进一步分析处理。本文是基于像素级的图像融合,利用IHS与多分辨率变换相结合的方法对红外图像与彩色可见光图像进行融合处理。

1彩色图像融合基本原理
1.1 IHS变换
彩色图像由RGB彩色模型变换为IHS彩色模型的方法有很多种,可分为线性变换和非线性变换,而常用的转换方法有几何推导法、分段定义法、坐标变换法、标准模型法等。下面分别列出一种线性变换和非线性变换方法。

线性变换的公式定义:
由RGB彩色模型变换为IHS彩色模型(正变换):
在这里插入图片描述
其逆变换为:

非线性变换的公式定义(以柱形变换为例):

由RGB彩色模型变换为IHS彩色模型(正变换):
在这里插入图片描述
如果当B>G,则H=2π-H。
其逆变换为:
当H≥0&H<2π/3时,

1.2基于IHS变换的彩色图像融合算法
基于IHS变换的彩色图像融合算法流程图如下图1所示。
本文以彩色可见光图像与红外图像为例, 该融合方法具体步骤为:
首先对彩色可见光图像进行IHS变换, 由RGB彩色模型变换为IHS彩色模型, 可分别得到H、S和I分量的子图像。
在这里插入图片描述
图 1 基于 IHS 变换的彩色图像融合算法流程图

提取I分量子图像, 分别对I分量子图像与红外图像进行多分辨率变换可得到I分量的高频子图像和低频子图像、红外图像的高频子图像和低频子图像。
对高频子图像和低频子图像采用合适的融合准则进行处理,得到融合后的子图像。
对融合后的子图像进行多分辨率逆变换得到的图像作为新的亮度分量Inew。
将新的亮度分量Inew与H、S分量进行IHS逆变换得到融合后的RGB模型的彩色图像。

⛄二、部分源代码

clc
clear
low=imread(‘1.tif’);
up=imread(‘0.tif’);

low=im2double(low);

%RGB->HIS变换,rgb2hsv()
%从三维数组中提取三幅分量图像
low_R=low(:,:,1);
low_G=low(:,:,2);
low_B=low(:,:,3);
I=(low_R+low_G+low_B)/3; %亮度分量，范围[0,1]
m=min(min(low_R,low_G),low_B);
S=1-3m./(low_R+low_G+low_B); %饱和度分量，范围[0,1]
theta=acos(((low_R-low_G)+(low_R-low_B))./(2((low_R-low_G).^{2+((low_R-low_B).*(low_G-low_B))).}(1/2))); %弧度
H=theta; %色度分量，以角度表示，范围是[0,1]（弧度除以2pi后）
if low_B>low_G
H=2pi-theta;
end
if S==0
H=0;
end
H=H/(2*pi);
HIS1=cat(3,H,S,I);

% % % % % % % % % % % % % % % I分量与全色图像进行直方图匹配%%%%%%%%%%%%%%
m=max(max(I));
n=min(min(I));
k=m-n;
low =255*(I-n)./k;
hgram=imhist(uint8(low));
upnew=histeq(up(:,:,1),hgram);
upnew=double(upnew);
pan=n+upnew*k./255;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%HIS->RGB变换,Image1转为imdouble型
his=cat(3,H,S,pan);

H1=his(:,:,1)2pi; %弧度
S1=his(:,:,2);
I1=his(:,:,3);

R1 = zeros(size(his, 1), size(his, 2));
G1= zeros(size(his, 1), size(his, 2));
B1 = zeros(size(his, 1), size(his, 2));

i= find( (0 <= H1) & (H1 < 2pi/3));
B1(i) = I1(i) . (1 - S1(i));
R1(i) = I1(i) .* (1 + S1(i) .* cos(H1(i)) ./ cos(pi/3 - H1(i)));
G1(i) = 3*I1(i) - (R1(i) + B1(i));

i = find( (2pi/3 <= H1) & (H1 < 4pi/3) );
R1(i) = I1(i) .* (1 - S1(i));
G1(i) = I1(i) .* (1 + S1(i) .* cos(H1(i) - 2pi/3) ./ cos(pi - H1(i)));
B1(i) = 3I1(i) - (R1(i) + G1(i));

i = find( (4pi/3 <= H1) & (H1 <= 2pi));
G1(i) = I1(i) .* (1 - S1(i));
B1(i) = I1(i) .* (1 + S1(i) .* cos(H1(i) - 4pi/3) ./cos(5pi/3 - H1(i)));
R1(i) = 3*I1(i) - (G1(i) + B1(i));

RGB = cat(3, R1, G1, B1);
RGB = max(min(RGB, 1), 0);
imshow(RGB);
title(‘HIS’)
RGB_R=double(RGB(:,:,1));
RGB_G=double(RGB(:,:,2));
RGB_B=double(RGB(:,:,3));

%%%%%%%%计算融合图像的熵%%%%%%%%%%%%%%
p = imhist(RGB(😃);
p(p==0) = [];
p = p ./ numel(RGB);
Entropy = -sum(p.*log2§);
fprintf(‘\n\n 熵值是 %.4f’, Entropy);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
[M,N,color]=size(up);
low=double(low);
RGB=double(RGB);
fenzi=0;
fenmu_up=0;
fenmu_low=0;
init_up=[];
init_low=[];
init_up=ones(M,N)*mean(RGB(😃); %求均值
init_low=ones(M,N)*mean(low(😃);

for i=1:M
for j=1:N
fenzi=fenzi+(RGB(i,j)-init_up(i,j))*(low(i,j)-init_low(i,j));
fenmu_up=fenmu_up+(RGB(i,j)-init_up(i,j))^2;
fenmu_low=fenmu_low+(low(i,j)-init_low(i,j))^2;
end
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]黄晓青,余月华.基于IHS变换的彩色图像融合方法[J].现代计算机(专业版). 2015(32)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合