【图像融合】双树复小波变换像素级图像融合【含Matlab源码 2024期】

✅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。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、双树复小波变换简介

1999年， Kingsbury提出了双树复小波变换。随后， 2005年， Seles nick等设计出了双树复小波变换的分解重构算法，这一算法的提出，使得双树复小波变换能够应用于信号分析和图像处理等领域。与小波变换不同，双树复小波变换具有近似位移不变性、数据冗余有限及方向选择性良好等特点，可以反映图像在六个方向上的分辨率变化。图2.4展示了多贝西小波和复数小波的分解示意图。

图2.4多贝西小波与复数小波分解示意图
可以看出，多贝西小波只有一个维度的分解。复数小波则有实部和虚部两个维度。双树复小波变换每个维度使用两棵树，每个树都有短的低通滤波器和高通滤波器，以合成单个线性相位复合低通、高通滤波器对。两棵树中的过滤器正好是时间相反的。图2.5为一维双树复小波变换过程：
图中树A、树Ｂ分别表示复数小波变换的实部和虚部，部和虚部，↓2代表隔点采样，h(x)和h(x)分别表示树A的低通滤波器和高通滤波器，其对应的尺度函数及小波函数分别为：

g.(x)和gi(x)则分别表示树B的低通滤波器和高通滤波器，其对应的尺度函数及小波函数分别为：

那么，一维的双树复小波可以由下式表示：
e(t) =c， (t) +i eg(t) ·(2.3)
二维的双树复小波变换需要用到二维小波。对图像进行分解时，双树复小波变换先沿着行方向分解，再对得到的结果进行列方向的分解，最终得到一个低频子带和六个代表不同方向的高频子带，这六个方向分别为：±15°，±45°，±75°。之后，得到的低频子带依然可以进行再分解。因此，若图像经过K次双树复小波变换分解后，将有6K+1个不同的子带，分别为6K个高频子带和一个低频子带。

图2.6图像的二层DT CWT分解示意图

⛄二、部分源代码

clear all; close all; home;

% User selection (1,2,3,…)
J = 6; % number of decomposition levels used in the fusion

[Faf,Fsf] = FSfarras; % first stage filters
[af,sf] = dualfilt1; % second stage filters

% images to be fused
im1 = double(imread(‘saras91.jpg’));
im2 = double(imread(‘saras92.jpg’));
figure; subplot(121);imshow(im1,[]); subplot(122); imshow(im2,[]);

% image decomposition
w1 = cplxdual2D(im1,J,Faf,af);
w2 = cplxdual2D(im2,J,Faf,af);

% Image fusion process start here
for j=1:J % number of stages
for p=1:2 %1:real part & 2: imaginary part
for d1=1:2 % orientations
for d2=1:3
x = w1{j}{p}{d1}{d2};
y = w2{j}{p}{d1}{d2};
D = (abs(x)-abs(y)) >= 0;
wf{j}{p}{d1}{d2} = D.*x + (~D).y; % image fusion
end
end
end
end
for m=1:2 % lowpass subbands
for n=1:2
wf{J+1}{m}{n} = 0.5(w1{J+1}{m}{n}+w2{J+1}{m}{n}); % fusion of lopass subbands
end
end

% fused image
imf = icplxdual2D(wf,J,Fsf,sf);
figure; imshow(imf,[]);
function [af, sf] = dualfilt1

% Kingsbury Q-filters for the dual-tree complex DWT
%
% USAGE:
% [af, sf] = dualfilt1
% OUTPUT:
% af{i}, i = 1,2 - analysis filters for tree i
% sf{i}, i = 1,2 - synthesis filters for tree i
% note: af{2} is the reverse of af{1}
% REFERENCE:
% N. G. Kingsbury, “A dual-tree complex wavelet
% transform with improved orthogonality and symmetry
% properties”, Proceedings of the IEEE Int. Conf. on
% Image Proc. (ICIP), 2000
% See dualtree
%
% WAVELET SOFTWARE AT POLYTECHNIC UNIVERSITY, BROOKLYN, NY
% http://taco.poly.edu/WaveletSoftware/

% These cofficients are rounded to 8 decimal places.

af{1} = [
0.03516384000000 0
0 0
-0.08832942000000 -0.11430184000000
0.23389032000000 0
0.76027237000000 0.58751830000000
0.58751830000000 -0.76027237000000
0 0.23389032000000
-0.11430184000000 0.08832942000000
0 0
0 -0.03516384000000
];

af{2} = [
0 -0.03516384000000
0 0
-0.11430184000000 0.08832942000000
0 0.23389032000000
0.58751830000000 -0.76027237000000
0.76027237000000 0.58751830000000
0.23389032000000 0
-0.08832942000000 -0.11430184000000
0 0
0.03516384000000 0
];

sf{1} = af{1}(end👎1, 😃;

sf{2} = af{2}(end👎1, 😃;

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 李梦萦.基于双树复小波变换和稠密SIFT描述子的多焦距图像融合[D].吉林大学

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