【图像融合】高分辨率全色图IHS图像融合（含评价指标）【含Matlab源码 2406期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、HSI彩色图像去噪简介

0引言
彩色模型(又称彩色空间或者彩色系统)的种类众多,有RGB彩色模型、YIQ/YUV彩色模型、CMY/CMYK彩色模型、IHS彩色模型等。 不同应用领域或不同的情况下可选择合适的彩色模型,例如RGB彩色模型应用最广泛, 主要的应用领域为输出显示设备或者摄取设备。 IHS彩色模型主要是面向一般的彩色图像应用。 IHS彩色模型中定义了色度H、饱和度S和亮度或者强度I这三个互不相关并容易预测的颜色心理属性,它反映了人的视觉系统感知彩色的方式。 H体现了人对不同颜色的感受,与光波的波长有关,是彩色相互区分的特征。 S反映了彩色光所呈现彩色的纯度,纯光谱色是饱和的,加入白光会稀释饱和度,一般来说饱和度越大颜色会越鲜艳,反之亦然。 I反映了光作用在人眼所引起的光源或物体的明亮程度, 一般与物体的反射率是成正比的。IHS模型的建立是基于以下两个重要特征: 1I分量与图像的彩色分量是没有关系的;2H分量和S分量与人感受彩色的方式是紧密相连的。 这使得IHS模型非常适合于借助人的视觉系统来感知彩色特征的图像处理算法。 而图像融合[1](Image Fusion)技术是多源信道对同一目标场景进行数据采集,对采集到的多幅图像进行综合处理, 得到一幅关于该目标场景信息更准确、 更全面的融合图像。 图像融合由高到底分为三个层次: 决策级融合、特征级融合和像素级融合[2,3]。像素级融合保留了更多的原始图像数据,提供了更精确、丰富和可靠的信息,并且融合后的信息一般为图像数据,更有利于人眼观察和计算的进一步分析处理。 本文是基于像素级的图像融合,利用IHS与多分辨率变换相结合的方法对红外图像与彩色可见光图像进行融合处理。

1彩色图像融合基本原理
1.1 IHS变换
彩色图像由RGB彩色模型变换为IHS彩色模型的方法有很多种,可分为线性变换和非线性变换,而常用的转换方法有几何推导法、 分段定义法、 坐标变换法、标准模型法等。 下面分别列出一种线性变换和非线性变换方法。

线性变换的公式定义:
由RGB彩色模型变换为IHS彩色模型(正变换):

其逆变换为:

非线性变换的公式定义(以柱形变换为例):

由RGB彩色模型变换为IHS彩色模型(正变换):

如果当B>G,则H=2π-H。
其逆变换为:
当H≥0&H<2π/3时,

1.2基于IHS变换的彩色图像融合算法
基于IHS变换的彩色图像融合算法流程图如下图1所示。
本文以彩色可见光图像与红外图像为例, 该融合方法具体步骤为:
首先对彩色可见光图像进行IHS变换, 由RGB彩色模型变换为IHS彩色模型, 可分别得到H、S和I分量的子图像。

图 1 基于 IHS 变换的彩色图像融合算法流程图

提取I分量子图像, 分别对I分量子图像与红外图像进行多分辨率变换可得到I分量的高频子图像和低频子图像、红外图像的高频子图像和低频子图像。
对高频子图像和低频子图像采用合适的融合准则进行处理,得到融合后的子图像。
对融合后的子图像进行多分辨率逆变换得到的图像作为新的亮度分量Inew。
将新的亮度分量Inew与H、S分量进行IHS逆变换得到融合后的RGB模型的彩色图像。

⛄二、部分源代码

clc
clear
low=imread(‘1.tif’);
up=imread(‘0.tif’);

low=im2double(low);

%RGB->HIS变换,rgb2hsv()
%从三维数组中提取三幅分量图像
low_R=low(:,:,1);
low_G=low(:,:,2);
low_B=low(:,:,3);
I=(low_R+low_G+low_B)/3; %亮度分量，范围[0,1]
m=min(min(low_R,low_G),low_B);
S=1-3m./(low_R+low_G+low_B); %饱和度分量，范围[0,1]
theta=acos(((low_R-low_G)+(low_R-low_B))./(2((low_R-low_G).^{2+((low_R-low_B).*(low_G-low_B))).}(1/2))); %弧度
H=theta; %色度分量，以角度表示，范围是[0,1]（弧度除以2pi后）
if low_B>low_G
H=2pi-theta;
end
if S==0
H=0;
end
H=H/(2*pi);
HIS1=cat(3,H,S,I);

% % % % % % % % % % % % % % % I分量与全色图像进行直方图匹配%%%%%%%%%%%%%%
m=max(max(I));
n=min(min(I));
k=m-n;
low =255*(I-n)./k;
hgram=imhist(uint8(low));
upnew=histeq(up(:,:,1),hgram);
upnew=double(upnew);
pan=n+upnew*k./255;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%HIS->RGB变换,Image1转为imdouble型
his=cat(3,H,S,pan);

H1=his(:,:,1)2pi; %弧度
S1=his(:,:,2);
I1=his(:,:,3);

R1 = zeros(size(his, 1), size(his, 2));
G1= zeros(size(his, 1), size(his, 2));
B1 = zeros(size(his, 1), size(his, 2));

i= find( (0 <= H1) & (H1 < 2pi/3));
B1(i) = I1(i) . (1 - S1(i));
R1(i) = I1(i) .* (1 + S1(i) .* cos(H1(i)) ./ cos(pi/3 - H1(i)));
G1(i) = 3*I1(i) - (R1(i) + B1(i));

i = find( (2pi/3 <= H1) & (H1 < 4pi/3) );
R1(i) = I1(i) .* (1 - S1(i));
G1(i) = I1(i) .* (1 + S1(i) .* cos(H1(i) - 2pi/3) ./ cos(pi - H1(i)));
B1(i) = 3I1(i) - (R1(i) + G1(i));

i = find( (4pi/3 <= H1) & (H1 <= 2pi));
G1(i) = I1(i) .* (1 - S1(i));
B1(i) = I1(i) .* (1 + S1(i) .* cos(H1(i) - 4pi/3) ./cos(5pi/3 - H1(i)));
R1(i) = 3*I1(i) - (G1(i) + B1(i));

RGB = cat(3, R1, G1, B1);
RGB = max(min(RGB, 1), 0);
imshow(RGB);
title(‘HIS’)
RGB_R=double(RGB(:,:,1));
RGB_G=double(RGB(:,:,2));
RGB_B=double(RGB(:,:,3));

%%%%%%%%计算融合图像的熵%%%%%%%%%%%%%%
p = imhist(RGB(😃);
p(p==0) = [];
p = p ./ numel(RGB);
Entropy = -sum(p.*log2§);
fprintf(‘\n\n 熵值是 %.4f’, Entropy);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
[M,N,color]=size(up);
low=double(low);
RGB=double(RGB);
fenzi=0;
fenmu_up=0;
fenmu_low=0;
init_up=[];
init_low=[];
init_up=ones(M,N)*mean(RGB(😃); %求均值
init_low=ones(M,N)*mean(low(😃);

for i=1:M
for j=1:N
fenzi=fenzi+(RGB(i,j)-init_up(i,j))*(low(i,j)-init_low(i,j));
fenmu_up=fenmu_up+(RGB(i,j)-init_up(i,j))^2;
fenmu_low=fenmu_low+(low(i,j)-init_low(i,j))^2;
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]黄晓青,余月华.基于IHS变换的彩色图像融合方法[J].现代计算机(专业版). 2015(32)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置