【可见光与红外图像融合】基于小波变换的图像融合与LP融合效果对比

，
前文已经对小波变换的实现过程进行了讲解。另一篇文章也对Laplace图像融合进行了介绍。本文主要介绍二维小波变换在图像融合中的应用与laplace融合的效果对比。

1、基于二维小波变换在图像融合流程
小波变换可以看作是对原始数据的高低频分解，对可见光和红外光分别进行分解，然后对应的高低频分别融合，构成新的分解量。最后将融合的分解结果进行逆变换即可。以下采用python库的二维离散小波变换接口实现。

def FuseByWave(vLData,iRData):
    type = 'db2'
    coffVL= pywt.wavedec2(vLData, type, mode='per',level = 3)
    coffIR= pywt.wavedec2(iRData, type, mode='per',level = 3)
    
    baseMixCoof = []
    tmp = WaveMixBase(coffVL[0],coffIR[0])
    baseMixCoof.append(tmp)
    tmp = WaveMixDetails(coffVL[1:],coffIR[1:])
    for i in range(len(tmp)):
        baseMixCoof.append(tmp[i])
    baseMixData  = pywt.waverec2(baseMixCoof, type, mode='per')
    
    return baseMixData

其中，vLData和iRData为归一化的单通道数据
WaveMixBase 对低频结果采用匹配度加权融合的方式实现，与前文的laplace方法中的融合策略保持一致
WaveMixDetails 对高频结果采用区域能量值取大的方式实现，与前文的laplace方法中的融合策略保持一致。

2、融合效果对比
左边是基于Laplace三层分解的融合结果，右边是基于小波变换一层分解的融合结果。

整体上看，小波变换的融合结果(右边)相对自然，对于轮廓不会突出显示。基于这个特点，对于天空的电线在最后的融合结果中不甚明显。小波变换相对laplace的结果更偏向可见光，如车辆的灯光，图2左上角的烟气等。

另：以上方法采用1层小波变换，而在采用3层小波变换时，相比1层能凸显更多的细节，如天空线条等。但复原的结果中出现了马赛克现象，不知道是分解层数的原因还是小波基的选择需要调整。

左图为1层分解，右图为3层分解

原图可伪彩色效果可参考上一篇文章 伪彩色 。

项目暂停，关于融合的工作真的告一段落喽，关于laplace和小波变换的理解有了长足长进，基本掌握这两个方法工具的使用。但缺乏更进一步的探索，比如高斯函数与小波基函数在时域和空域信号处理上的优劣势等问题，只能待有机会再探索吧。