基于统计特征优化的图像融合

简介

　　本篇主要是书籍《图像融合-算法与应用》第十张的笔记总结。
主要是记录两个基于多帧图像迭代融合的算法：色散最小融合方法和峰度最大化融合方法。

前提准备

　　首先需要同一场景的K张图像(可以是来自不同摄像头或者同一摄像头不同成像效果下拍摄);所有图像size需要一致，假设为MXN。
K张图像可以组合成KXMXN的三维数据；融合图像Y中每个像素Yij可以由K张相同坐标位置下的K个像素分别以不同的权重叠加得到。融合
算法的核心就是计算出，得到融合图像所需要的最优权重。

色散最小融合方法

　　该算法原理：1、首先需要有一张融合标准图，也就是说理论上K张图像，融合后能得到最好效果图。
                   但是实际中不可能得到这个图，所以算法中，用K张图的均值模拟标准图。
　　            2、得到标准图的零均值图像。
                   获取零均值图像：(1)、将标准图R1缩小1/8到R2。
                                   (2)、小图R2插值回原来大小，为R3。
                                   (3)、零均值图像 = R1 - R3。
                3、通过公式： 计算出标准图像的色散常数。
                   公式中F为标准图零均值图像，Df位色散常数。
                   实际算法使用中，可以求出K张输入图像的Df，K个Df求均值来模拟代替标准图的Df。
                4、首先设置所有的权重W都为1/K，就是融合图像Y为K张图像的均值，然后算出融合图像Y的色散常数。
                   通过公式：，计算出融合图像和标准图的差距，也就是代价函数。
                5、通过梯度下降法，更新图像融合权重W，直到找到是得代价函数Jcm最小时候的图像图像，为最佳融合结果。

峰度最大化融合方法

　　该方法的核心理论为中心极限定理，即几个独立随机变量的和的概率密度函数趋近于高斯分布。而传感器固有的噪声以及不完
美的观测条件都是独立于真实图像。
    所以，一副图像失真度越高，则该图像越符合高斯分布。所以我们所求的最佳融合图象，应该是具有最小高斯性，算法中，通过
峰度来量化图像的非高斯性。
    峰度可以定义为：， 公式中F表示为融合图象。
    同样的，首先设置所有权重W都为1/K，得到第一张融合图象为K张输入图像的均值。接着更新权重W,通过梯度下降法迭代，直到得
到最大峰度的融合图象，即为最佳的融合图象结果。