1 内容介绍
近几年来,随机游走模型(random walk)与引导滤波器(guided filter)在图像处理领域受到了研究者们的广泛关注。前者已经被应用于图像处理的多种领域——图像融合、图像平滑、图像增强、图像分割等,并且均取得了良好的效果;后者由于具有极好的保边平滑效果,也得到了越来越多研究者的青睐。这篇文章提出了两种多聚焦图像融合算法,并且这两种算法有一个相似的地方,即通过同时将随机游走模型与引导滤波器运用于图像融合领域,从而充分发挥二者的优良特性。本文主要提出了两种基于随机游走与引导滤波的多聚焦融合算法:第一种算法首先利用随机游走滤波器,将源图像进行二尺度分解;然后运用随机游走滤波器和引导滤波器,分别求得细节层图像和基础层图像的初始权值;接着通过不同的比重将对应的两个初始权值结合,求得基础层的最终权值和细节层的最终权值;最后,通过加权平均再相加的步骤得到最终的融合图像。第二种算法也是先利用随机游走滤波器,对源图像进行二尺度分解。然后使用引导滤波器对初始权值进行优化,得到中间权值,接着使用随机游走滤波器对中间权值进行优化,得到最终的权值图。最后,通过加权平均再相加得到融合图像。
2 仿真代码
function [map1,map2] = Multiscale_ST(I1,I2,sigma1,sigma2)
if ~exist('sigma1','var')
sigma1 = 3;
end
if ~exist('sigma2','var')
sigma2 = 8;
end
[dx1, dy1] = GradientMethod(I1, 'zhou');
[dx2, dy2] = GradientMethod(I2, 'zhou');
dxdy1 = dx1+1i*dy1;
dxdy2 = dx2+1i*dy2;
[~, ~, measure1_sigma1, measure2_sigma1] = WeightGradient(dxdy1, dxdy2, sigma1);
map1 = double(measure1_sigma1 > (measure2_sigma1 + 0));
[~, ~, measure1_sigma2, measure2_sigma2] = WeightGradient(dxdy1, dxdy2, sigma2);
map2 = double(measure1_sigma2 > (measure2_sigma2 + 0));
3 运行结果
4 参考文献
[1]马金磊, 徐永强, 李雷,等. 基于随机游走算法的红外与可见光图像融合[J]. 电光与控制, 2021, 28(10):5.
[2]贺养慧. 基于加权聚焦度的多焦点图像融合算法[J]. 兵工自动化, 2018, 37(3):8.
[3]郭盼, 何文超, 弓馨,等. 多焦点图像融合算法[J]. 科技资讯, 2017, 15(24):2.
[4]陈丽娜. 基于随机游走与引导滤波的多聚焦图像融合算法研究[D]. 兰州大学.
博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。
部分理论引用网络文献,若有侵权联系博主删除。