本文介绍了一种图像融合方法，利用引导滤波进行权重计算。首先进行两尺度图像分解，然后构建权重图，接着进行两尺度图像重建，最终得到融合结果。在数据验证中，该方法在多光谱、多对焦和多曝光数据上表现出色，保留了丰富的信息和结构，并在多个客观指标上优于其他融合方法。
Image Fusion with Guided Filtering
文章目录
Two-scale Image Decomposition
给定待融合图像序列 I n , n = 1 , 2 , . . . . N I_{n},n=1,2,....N In,n=1,2,....N，均值滤波核 Z Z Z，滤波核尺寸为 31 × 31 31×31 31×31：
B n = I n ∗ Z D n = I n − B n B_{n}=I_{n}*Z \\D_{n}=I_{n}-B_{n} Bn=In∗ZDn=In−Bn
其中 B n B_{n} Bn为基础层， D n D_{n} Dn为细节层。
Weight Map Construction with Guided Filtering
用 3 × 3 3×3 3×3的Laplacian算子 L L L从待融合图像序列中获取高频信息 H n H_{n} Hn：
H n = I n ∗ L H_{n}=I_{n}*L Hn=In∗L
为去除噪声的影响，对此高频信息的绝对值做一个简单的低通滤波，即得到本文所定义的Saliency Map S n S_{n} Sn：
S n = ∣ H n ∣ ∗ g r g , σ g S_{n}=|H_{n}|*g_{r_{g},\sigma{g}} Sn=∣Hn∣∗grg,σg
Saliency Map表示了图像序列中的图像所包含的细节信息的显著程度，在融合的过程中，将对细节信息更为显著的图像赋予给高的融合权重，通过比较Saliency Map 得到一个初步的融合权重：
P n k = { 1 if S n k = max ( S 1 k , S 2 k , … , S N k ) 0 otherwise P_{n}^{k}=\left\{\begin{array}{cc} 1 & \text { if } S_{n}^{k}=\max \left(S_{1}^{k}, S_{2}^{k}, \ldots, S_{N}^{k}\right) \\ 0 & \text { otherwise } \end{array}\right. Pnk={
10 if Snk=max(S1k,S2k,…,SNk) otherwise
当然 P P P不能直接用于对待融合图像序列的融合，还需要考虑到图像当中的噪声、边缘等，需要使用Guide Filter对此融合权重进行细化，如下：
W n B = G r 1 , ϵ 1 ( P n , I n ) W n D = G r 2 , ϵ 2 ( P n , I n ) \begin{array}{l} W_{n}^{B}=G_{r_{1}, \epsilon_{1}}\left(P_{n}, I_{n}\right) \\ W_{n}^{D}=G_{r_{2}, \epsilon_{2}}\left(P_{n}, I_{n}\right) \end{array} WnB
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
