【图像融合】小波变换全聚焦图像融合【含Matlab源码 1372期】

最新推荐文章于 2024-08-13 02:02:13 发布

Matlab领域

最新推荐文章于 2024-08-13 02:02:13 发布

阅读量900

点赞数 21

分类专栏： Matlab图像处理（初级版）文章标签： matlab

本文链接：https://blog.csdn.net/weixin_63266434/article/details/135181195

版权

Matlab图像处理（初级版）专栏收录该内容

369 篇文章 8 订阅

订阅专栏

本文介绍了如何通过Matlab获取基于小波变换的全聚焦图像融合代码，包括两种获取方式：直接下载完整代码或订阅付费专栏。文章详细解释了小波变换的基本概念、在图像处理中的应用，如图像压缩、去噪等，并展示了部分Matlab源代码示例。

摘要由CSDN通过智能技术生成

在这里插入图片描述

⛄一、获取代码方式

获取代码方式1：
完整代码已上传我的资源：【图像融合】基于matlab小波变换全聚焦图像融合【含Matlab源码 1372期】
(https://download.csdn.net/download/TIQCmatlab/62925370)
点击上面蓝色字体，直接付费下载，即可。

获取代码方式2：
付费专栏Matlab图像处理（初级版）

备注：
点击上面蓝色字体付费专栏Matlab图像处理（初级版），扫描上面二维码，付费29.9元订阅海神之光博客付费专栏Matlab图像处理（初级版），凭支付凭证，私信博主，可免费获得1份本博客上传CSDN资源代码（有效期为订阅日起，三天内有效）；
点击CSDN资源下载链接：1份本博客上传CSDN资源代码

⛄二、小波变换简介

1974年，法国工程师J.Morlet首先提出小波变换的概念，1986年著名数学家Y.Meyer偶然构造出一个真正的小波基，并与S.Mallat合作建立了构造小波基的多尺度分析之后，小波分析才开始蓬勃发展起来。小波分析的应用领域十分广泛，在数学方面，它已用于数值分析、构造快速数值方法、曲线曲面构造、微分方程求解、控制论等。在信号分析方面的滤波、去噪声、压缩、传递等。在图像处理方面的图像压缩、分类、识别与诊断，去噪声等。本章将着重阐述小波在图像中的应用分析。
1 小波变换原理
小波分析是一个比较难的分支，用户采用小波变换，可以实现图像压缩，振动信号的分解与重构等，因此在实际工程上应用较广泛。小波分析与Fourier变换相比，小波变换是空间域和频率域的局部变换，因而能有效地从信号中提取信息。小波变换通过伸缩和平移等基本运算，实现对信号的多尺度分解与重构，从而很大程度上解决了Fourier变换带来的很多难题。
小波分析作一个新的数学分支，它是泛函分析、Fourier分析、数值分析的完美结晶；小波分析也是一种“时间—尺度”分析和多分辨分析的新技术，它在信号分析、语音合成、图像压缩与识别、大气与海洋波分析等方面的研究，都有广泛的应用。
（1）小波分析用于信号与图像压缩。小波压缩的特点是压缩比高，压缩速度快，压缩后能保持信号与图像的特征不变，且在传递中能够抗干扰。基于小波分析的压缩方法很多，具体有小波压缩，小波包压缩，小波变换向量压缩等。
（2）小波也可以用于信号的滤波去噪、信号的时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘检测等。
（3）小波分析在工程技术等方面的应用概括的包括计算机视觉、曲线设计、湍流、远程宇宙的研究与生物医学方面。
2 多尺度分析
在这里插入图片描述
3 图像的分解和量化

4 图像压缩编码

5 图像编码评价

⛄三、部分源代码

clear all;
close all;
clc;

help imedgefuse;

%
% demo of deblurring
%
para.nLv = 5;
para.debug_mode = 1; % show message
para.wpropagation = 1; % weight propagation among subbands from parent to children
para.denoise = 1; % weight smoothing at each subbands for denoising

% J = imedgefuse( para, ‘001.jpg’, ‘009.jpg’, ‘016.jpg’ );
J = imedgefuse( para, ‘001.jpg’, ‘016.jpg’ );

figure( 1 ), imshow( J ); title( ‘fused image’ );

%
% demo of exposure fusion
%
para.nLv = 7;
para.debug_mode = 1;
para.wpropagation = 0; % weight propagation among subbands from parent to children
para.denoise = 1; % weight smoothing at each subbands for denoising

J = imedgefuse( para, ‘takato_001.jpg’, ‘takato_002.jpg’, ‘takato_003.jpg’ );

figure( 2 ), imshow( J ); title( ‘fused image’ );
function J = imedgefuse( para, varargin )
%IMEDGEFUSE composite images taken with different depth-of-fields
% as a result a pan focus image is generated.
%
% Usage:
%
% J = IMEDGEFUSE( para, fname, fname, …, fname )
% J = IMEDGEFUSE( para, Image, Image, …, Image )
%
% input arguments :
%
% para - parameters (the detail is described later)
% image - gray scale images (R^MxN) and rgb color images (R^MxNx3)
% fname - file names of input images
%
% output arguments :
%
% J - a fused image
%
% parameters :
%
% para.nLv = 6 - the total number of decompositions.
% para.propagate = 1 - weight propagation among subbands from parent to children.
% para.denoise = 1 - smoothing at each subbands for noise reduction.
% para.debug_mode = 1 - show debug message.
%
%
%

%
%

%
% parameters
%
global g_para;
set_parameters( para );
g_para.nImg = length( varargin ); % number of images

nImg = g_para.nImg;
nLv = g_para.nLv; % total number of decomposition

%
% Wavelet decomposition for the Y of YCbCr
%
DEBUG_MSG( ‘Reading images and applying wavelet to them (Y of YCbCr)’ );

for k = 1:nImg
% RGB color images are converted into the YCrCb color.
I = my_imread( varargin{ k } );

if k == 1 % initialization of the coefficient array
	[ey, ex, nLv] = output_size( size(I,1), size(I,2), nLv );
	C = zeros(ey,ex,nImg);
end
[C(:,:,k), S] = wavedec97( I(:,:,1),  nLv );

DEBUG_MSG( '.' );

end
DEBUG_MSG( ’ OK\n’ );

W = gen3DWeightMatrix( C, S );
F = genNewSubbands( C, W );

J(:,:,1) = waverec97( F, S );

if g_para.bColor == 0
return
end

%
% Wavelet decomposition for the Cb of YCbCr
%
DEBUG_MSG( ‘Reading pictures and applying wavelet to them (Cb of YCbCr)’ );

for k = 1:nImg
I = my_imread( varargin{ k } );
[C(:,:,k), S] = wavedec97( I(:,:,2), nLv );