1.前言：

圖像融合是信息融合的一個重要分支，廣泛地用于目標(biāo)識別、機器視覺、智能系統(tǒng)、醫(yī)學(xué)圖像處理等領(lǐng)域。傳統(tǒng)圖像融合方法方法主要是在時間域通過算術(shù)運算實現(xiàn)融合，具有算法簡單直觀，適合實時處理等優(yōu)點，但是沒有對頻率進行考慮。

多分辨率圖像融合算法是在頻率域?qū)崿F(xiàn)圖像的融合。根據(jù)分解形式的不同，多分辨率圖像融合算法又可以分為多分辨金字塔方法和小波變換方法。

2.小波圖像融合的觀點：

具體步驟： 1.圖像預(yù)處理：

圖像濾波：對失真編制的圖像直接進行融合必然會導(dǎo)致圖像噪聲融入融合效果，所以在進行融合前，必須對原始圖像進行預(yù)處理以消除噪聲。 圖像配準(zhǔn)：多種成像模式或多焦距提供的信息常常具有互補性，為了綜合使用多種成像模式喝多焦距已提供更加全面的信息，常常需要將有效信息進行融合，此前提是：多幅圖像在空間域中達到幾何位置的完全對應(yīng)。

2.對圖像A和圖像B分別進行二維DWT分解，分別得到圖像的低頻和高頻分量。

3.根據(jù)低頻分量和高頻分量的特點，按照各自的融合算法進行融合。

4.小波逆變換重構(gòu)得到融合圖像。

3.圖像融合實例分析

clear all; load bust; X1=X;map1=map; %畫出原始圖像 subplot(131);image(X1); colormap(map1); xlabel('(a)bust圖像'); axis square load mask; X2=X;map2=map; for i=1:256for j=1:256if (X2(i,j)>100)X2(i,j)=1.2*X2(i,j);elseX2(i,j)=0.5*X2(i,j);endend end subplot(132);image(X2); colormap(map2); xlabel('(b)mask圖像'); axis square %用小波函數(shù)sym4對X1進行2層小波分解 [c1,s1]=wavedec2(X1,2,'sym4'); sizec1=size(c1); for i=1:sizec1(2)c1(i)=1.2*c1(i);%對分解系數(shù)進行處理以突出輪廓部分，弱化細節(jié)部分 end %用小波函數(shù)sym4對X2進行2層小波分解 [c2,s2]=wavedec2(X2,2,'sym4'); c=c1+c2;%下面進行小波變換域的圖像融合 c=0.5*c;%減小圖像亮度 xx=waverec2(c,s1,'sym4');%對融合的系數(shù)進行重構(gòu) %畫出融合后的圖像 subplot(133);image(xx); xlabel('(c)融合圖像'); axis square

總結(jié)

以上是生活随笔為你收集整理的小波的秘密10_图像处理应用:图像增强的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。