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。