【图像融合】基于matlab GUI SIFT+小波变换图像拼接融合系统【含Matlab源码 815期】

海神之光

已于 2023-10-28 16:43:53 修改

阅读量1.9k

点赞数 3

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

于 2021-04-22 18:09:33 首次发布

代码事宜私信博主

本文链接：https://blog.csdn.net/TIQCmatlab/article/details/116024989

版权

Matlab图像处理（进阶版）专栏收录该内容

886 篇文章 1059 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、小波变换图像融合技术简介

1 案例背景
图像融合，指通过对同一目标或同一场景用不同的传感器(或用同一传感器采用不同的方式)进行图像采集得到多幅图像，对这些图像进行合成得到单幅合成图像，而该合成图像是单传感器无法采集得到的。图像融合所输出的合成图像往往能够保持多幅原始图像中的关键信息，进而为对目标或场景进行更精确、更全面的分析和判断提供条件。图像融合属于数据融合范畴，是数据融合的子集，兼具数据融合和图像可视化的优点。因此，图像融合能够在一定程度上提高传感器系统的有效性和信息的使用效率，进而提高待分析目标的分辨率，抑制不同传感器所产生的噪声，改善图像处理的效果。
图像融合最早是以数据融合理论为基础的，通过计算像素算术平均的方式得到合成图像。该方法忽略了像素间的相互关系，往往会产生融合图像的对比度差、可视化效果不理想等问题。因此，为了提高目标检测的分辨率，抑制不同传感器的检测噪声，本案例选择了一种基于小波变换的图像数据融合方法，首先通过小波变换将图像分解到高频、低频，然后分别进行融合处理，最后再逆变换到图像矩阵"。在融合过程中，为了尽可能保持多源图像的特征，在小波分解的高频域内，选择图像邻域平均绝对值较大的系数作为融合小波重要系数；在小波分解的低频域内，选择对多源图像的低频系数进行加权平均作为融合小波近似系数。在反变换过程中，利用重要小波系数和近似小波系数作为输入进行小波反变换。在融合图像输出后，对其做进一步的处理。实验结果表明，基于小波变换的图像数据融合方法运行效率高，具有良好的融合效果，并可用于广泛的研究领域，具有一定的使用价值。
根据融合的作用对象，图像融合一般可以分为3个层次：像素级图像融合、特征级图像融合和决策级图像融合。其中，像素级融合是作用于图像像素点最底层的融合，本章所研究的图像融合是像素级图像融合。

1.2理论基础
传统的直接像素算术平均进行图像融合的方法往往会造成融合结果对比度降低、可视化效果不理想等问题，为此研究人员提出了基于金字塔的图像融合方法，其中包括拉普拉斯金字塔、梯度金字塔等多分辨率融合方法。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，小波分解的紧致性、对称性和正交性使其相对于金字塔分解具有更好的图像融合性能。此外，小波变换具有“数学显微镜”聚焦的功能，能实现时间域和频率域的步调统一，能对频率域进行正交分解，因此小波变换在图像处理中具有非常广泛的应用，已经被运用到图像处理的几乎所有分支，如图像融合、边缘检测、图像压缩、图像分割等领域。
假设对一维连续小波w…(t)和连续小波变换W，(a，b)进行离散化，其中，a表示尺度参数， b表示平移参数，在离散化过程中分别取a=a{和b=bf，其中， jeZ， a， >1，则对应的离散小波函数如下：
在这里插入图片描述
离散化的小波变换系数如下：

小波重构公式如下：

式中，C为常数且与数据信号无关。根据对连续函数进行离散化逼近的步骤，如果选择的a，和b，越小，则生成的网格节点就越密集，所计算的离散小波函数wj x® 和离散小波系数Cj就越多，进而数据信号重构的精确度也越高。
由于数字图像是二维矩阵，所以需要将一维信号的小波变换推广到二维信号。假设(x)是一个一维的尺度函数，p(x)是相应的小波函数，那么可以得到一个二维小波变换的基础函数：
v’(x，y)=0(x)v(y)w(x，y)=y(x)(y)v(x，y)=V(x)w(y)
由于数字图像是二维矩阵，一般假设图像矩阵的大小为NxN，且N=2"(n为非负整数)，所以经一层小波变换后，原始图像便分解为4个分辨率为原来尺寸一的子带区域，如图11-1所示，分别包含了相应频带的小波系数，这一过程相当于在水平方向和垂直方向上进行隔点采样。
在这里插入图片描述
进行下一层小波变换时，变换数据集中在LL子带上。说明了图像小波变换的数学原型。
(1)LL频带保持了原始图像的内容信息，图像的能量集中于此频带：

对图像进行小波变换的原理就是通过低通滤波器和高通滤波器对图像进行卷积滤波，再进行二取一的下抽样。因此，图像通过一层小波变换可以被分解为1个低频子带和3个高频子带。其中，低频子带LL；通过对图像水平方向和垂直方向均进行低通滤波得到；高频子带HL通过对图像水平方向高通滤波和垂直方向低通滤波得到；高频子带LH通过对图像水平方向低通滤波和垂直方向高通滤波得到：高频子带HH通过对图像水平方向高通滤波和垂直方向高通滤波得到。各子带的分辨率为原始图像的，同理，对图像进行二层小波变换时只对低频子带LL进行，可以将LLi子带分解为LL 2、LH 2、HL 2和HH，各子带的分辨率为原始图像的一。，以此类推可得到三层及更高层的小波变换结果。所以，进行
一层小波变换得到4个子带，进行二层小波变换得到7个子带，进行x层分解就得到3·x+1个子带。如图11-2所示为三层小波变换后的系数分布。
在这里插入图片描述

⛄二、部分源代码

function varargout = ImageProcessingGUI(varargin)
% IMAGEPROCESSINGGUI MATLAB code for ImageProcessingGUI.fig
% IMAGEPROCESSINGGUI, by itself, creates a new IMAGEPROCESSINGGUI or raises the existing
% singleton*.
%
% H = IMAGEPROCESSINGGUI returns the handle to a new IMAGEPROCESSINGGUI or the handle to
% the existing singleton*.
%
% IMAGEPROCESSINGGUI(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in IMAGEPROCESSINGGUI.M with the given input arguments.
%
% IMAGEPROCESSINGGUI(‘Property’,‘Value’,…) creates a new IMAGEPROCESSINGGUI or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before ImageProcessingGUI_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to ImageProcessingGUI_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help ImageProcessingGUI

% Last Modified by GUIDE v2.5 22-Apr-2021 17:38:13

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @ImageProcessingGUI_OpeningFcn, …
‘gui_OutputFcn’, @ImageProcessingGUI_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before ImageProcessingGUI is made visible.
function ImageProcessingGUI_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to ImageProcessingGUI (see VARARGIN)

% Choose default command line output for ImageProcessingGUI
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes ImageProcessingGUI wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = ImageProcessingGUI_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% — Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)%(1)人脸渐变系统
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

%读取原始图像和目标图像
originG = handles.SelectedImageOne;
targetG = handles.SelectedImageTwo;
axes(handles.axes1);
imshow(originG);
xlabel(‘原始图像’);
axes(handles.axes2);
imshow(targetG);
xlabel(‘目标图像’);

axes(handles.axes3);

l = 5;
N = 15;
P=N*l;
for k=0:P
I2=(1-k/P)*originG +(k/P)*targetG; %%线性叠加原理
image(I2);
axis off;
axis equal;
M=getframe;
end
movie(M,1,P);
imshow(I2);
xlabel(‘人脸渐变效果图’);
guidata(hObject,handles);

% — Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles) %(2)图像拼接功能
% hObject handle to pushbutton2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
axes(handles.axes1);
img1 = handles.SelectedImageOne;
imshow(img1);
xlabel(‘左图像’);

axes(handles.axes2);
img2 = handles.SelectedImageTwo;
imshow(img2);
xlabel(‘右图像’);

axes(handles.axes3);
img0 = imMosaic(img2,img1,1); %调用图像拼接函数
imshow(img0);
xlabel(‘图像拼接效果图’);
guidata(hObject,handles);%更新结构体

% — Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles) %(3)图像聚焦融合功能
% hObject handle to pushbutton3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

%载入左图像
A=handles.SelectedImageOne;
X2=rgb2gray(A);
%显示聚焦图像
axes(handles.axes1);
xlabel(‘左聚焦图像’);
axis square
%载入右图像
I=handles.SelectedImageTwo;
X1=rgb2gray(I);
%显示聚焦图像
axes(handles.axes2);
xlabel(‘右聚焦图像’);
axis square

%融合
[c1,s1]=wavedec2(X1,2,‘sym4’);
sizec1=size(c1);
for I=1:sizec1(2)
c1(I)=1.2c1(I);
end
[c2,s2]=wavedec2(X2,2,‘sym4’);
c=c1+c2;
c=0.5c;
s=s1+s2;
s=0.5*s;
xx=waverec2(c,s,‘sym4’);

%显示融合后的图像
axes(handles.axes3);
imshow(xx,[]),xlabel(‘融合图像’);
axis square
guidata(hObject,handles);

% — Executes on button press in pushbutton4.
function pushbutton4_Callback(hObject, eventdata, handles) %关闭图像功能
% hObject handle to pushbutton4 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
axes(handles.axes1);
cla reset;
axes(handles.axes2);
cla reset;
axes(handles.axes3);
cla reset;
guidata(hObject,handles);

% — Executes on button press in pushbutton5.
function pushbutton5_Callback(hObject, eventdata, handles) %退出系统功能
% hObject handle to pushbutton5 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
close;

⛄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]左毅,陈勇,游华.一种基于小波变换的快速SIFT图像拼接算法[J].重庆师范大学学报(自然科学版). 2014,31(03)

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