【图像融合】基于非下采样Contourlet变换nsct算法实现红外图像和可见光图像的融合matlab源码

最新推荐文章于 2024-02-19 17:01:49 发布

matlab科研助手

最新推荐文章于 2024-02-19 17:01:49 发布

阅读量423

点赞数 1

分类专栏：图像处理文章标签： matlab 算法计算机视觉

本文链接：https://blog.csdn.net/matlab_dingdang/article/details/125350923

版权

图像处理专栏收录该内容

872 篇文章 125 订阅

订阅专栏

1 简介

本论文主要研究基于非采样Contourlet变换的可见光与红外图像融合技术。本论文首先在国内外的研究基础上，通过分析图像融合技术的基本概念和原理，研究了图像融合技术一些典型算法。结合非采样Contourlet变换多尺度多分辨率和平移不变性的特点，提出一种基于非采样Contourlet变换的可见光与红外图像融合方法。本文的主要工作如下：　　首先总结了小波变换的定义、性质，多尺度分析原理，二维小波变换和小波变换在图像处理中的应用。由于小波变换缺乏平移不变性，简明的分析和整理了小波变换在图像处理中的缺陷。然后详细的研究了Contourlet变换的基本理论、非采样Contourlet变换的原理与实现及其在可见光与红外图像融合中的应用。然后针对传统的基于非采样Contourlet变换图像融合准则，提出了一种新的低频和高频通道的融合准则。在非采样Contourlet变换的基础上，通过新的融合准则，对图像进行非采样Contourlet变换的分解，对低频系数进行了平均加权；将高频系数先通过归一化能量之差和阈值的比较，然后进行分步融合；最后进行非采样Contourlet变换的重构，得出融合图像。由于可见光源图像和红外源图像的图像差距较大，融合过程中丢失的信息量较多，所以在非采样Contourlet图像的融合中，提出了“二次”NSCT图像融合。主要是将第一次图像融合后得到的新融合系数，与源图像中图像信息较多的源图像再进行一次融合，获取丢失较多的信息。　　通过小波变换、Contourlet变换、非采样Contourlet变换和本文的方法对可见光源图像和红外源图像进行融合，最后的实验结果得出本文提出的方法在人类视觉特点和标准融合评价指标上的优势。

2 部分代码

%NSCT_imagefusion%%实现红外与可见光图像融合；%初始化%clear all;close all;clc;%初始化结束%%计时开始%tic;  path(path,'nsct_toolbox');path(path,'ziji');kk=1.5;%%%%%%%%%%%输入图像%%%%%%%%%%%[input_image_TV_int_RGB, input_image_TV_int_MAP] = imread('红外.jpg');                    %输入gif格式的可见光图像%% input_image_TV_int_RGB = uint8(256*ind2rgb(input_image_TV_int_GIF, input_image_TV_int_MAP));     %将gif格式数据转换为RGB格式数据%[input_image_IR_int_RGB, input_image_IR_int_MAP] =  imread('可见光.jpg');                    %输入gif格式的红外图像%% input_image_IR_int_RGB = uint8(256*ind2rgb(input_image_IR_int_GIF, input_image_IR_int_MAP));     %将gif格式数据转换为RGB格式数据%%%%%%%%%%%%%%%输入图像结束%%%%%%%%%%%%%%[Ny,Nx] = size(input_image_TV_int_RGB);  %%%%%%%%%%%%图像预处理%%%%%%%%%%%%%将可见光图像的格式转换为IHS格式%input_image_TV_int_IHS = rgb2ihs( input_image_TV_int_RGB );input_image_TV_IHS = double(input_image_TV_int_IHS);                    %将输入图像的数据类型转换为双精度数据类型%input_image_TV_I =  256*input_image_TV_IHS(:,:,3);                            %将输入图像的I分量提取出来以进行NSCT分解%%将红外图像的格式转换为gray格式%input_image_IR_int = rgb2gray( input_image_IR_int_RGB );input_image_IR= double(input_image_IR_int);                  %将输入图像的数据类型转换为双精度数据类型%input_image_TV_S =  input_image_TV_IHS(:,:,2);input_image_TV_H =  input_image_TV_IHS(:,:,1);figure;subplot(1,3,1);imshow(uint8(input_image_TV_I));title('Original TV image I')       %显示输入可见光图像的I分量%subplot(1,3,2);imshow(uint8(input_image_IR));title('Original IR image Gray')   %显示输入红外图像的灰度图像%%%%%%%%%%%%%%%%%图像预处理结束%%%%%%%%%%%%%%%%%金字塔表示参数%Nsc = ceil(log2(min(Ny,Nx)) - 7);    %分解尺度的数量 (自适应于图像尺寸)%Nor = 8;                     %每级分解的方向数%%%%%%%%%%%%%%%%%初始化参数结束%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%NSCT子带分解%%%%%%%%%%%%%%%%初始化NSCT子带分解参数%pfilter = 'maxflat' ;                               %金字塔滤波器%dfilter = 'dmaxflat7' ;                             %方向滤波器%nlevels=zeros(1,Nsc+1);for i=1:Nsc+1    nlevels(i)=log2(Nor);                           %初始化分解尺度%end%初始化NSCT子带分解参数结束%%%%%%%%%%%%%%%%NSCT子带重构%%%%%%%%%%%%%%%out_image_end_I = nsctrec( coeffs_rec, dfilter, pfilter ) ;    %重构灰度图像%  subplot(133)imshow(uint8(out_image_end_I));title('融合图像I');out_image_end=zeros(Ny,Nx,3);                            %初始化彩色图像输出矩阵%out_image_end=cat(3,input_image_TV_H,input_image_TV_S,out_image_end_I/256);                      out_image_end_RGB=256*ihs2rgb(double(out_image_end));           %将输出彩色图像转换为RGB格式%              figure;imshow(uint8(out_image_end_RGB));                        %显示融合后彩色图像%imwrite(uint8(out_image_end_RGB),'SWT22.bmp','bmp');toc;