【图像融合】增强随机游走算法多焦点图像融合【含Matlab源码 1975期】

基于随机游走的红外与可见光图像融合算法在Matlab中的应用

原创于 2024-05-07 11:10:33 发布 · 721 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#matlab

Matlab图像处理（仿真科研站版）专栏收录该内容

1259 篇文章

订阅专栏

💥💥💞💞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。
在这里插入图片描述

⛄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、增强随机游走算法图像融合简介

1 引言
红外图像与可见光图像具有很多互补的特性。红外传感器通过捕捉物体的热辐射成像，受光线、天气等条件的影响较小，且能够识别出伪装、遮挡下的目标，但红外传感器的成像分辨率较低，缺乏场景的细节信息。可见光传感器成像分辨率较高，且细节丰富，但较难检测到受遮挡、伪装的目标。为此，融合红外与可见光图像可充分利用两者的优势，有效弥补单一传感器的不足。

基于多尺度分解的红外与可见光图像融合方法是最为经典的也是最为有效的一类融合算法。基于多尺度分解的融合算法主要分为3个步骤：首先，采用多尺度分解方法对每幅输入图像进行多尺度分解，分解为具有不同尺度特征的基本层和细节层；然后，对基本层和细节层采用不同的融合规则进行融合，一般采用“取平均值”规则融合基本层，采用“取最大绝对值”规则融合细节层；最后，对融合的基本层和细节层进行多尺度逆变换输出融合图像。常见的基于多尺度分解的融合方法包括基于拉普拉斯金字塔的融合方法[1]、基于小波变换的融合方法[2]、基于高斯与双边滤波的联合多尺度融合方法[3]、非下采样轮廓波变换的融合方法[4]等。

基于多尺度分解的融合方法经过多尺度分解，将红外图像(可见光图像)分解为一个基本层和多个细节层。目前绝大多数融合规则在融合基本层或者细节层时，都仅从细节层或者基本层中提取一个尺度的信息来比较显著性，然后把显著性大的像素融合进最终的细节层或者基本层中。尽管细节层或者基本层是经过多尺度分解得到的，但是每个细节层或者基本层中依然存在着丰富的、不同尺度的细节信息和结构信息。基于像素或基于区域的融合规则主要将研究重点集中于如何融合每个细节层(基本层)中的单尺度信息，因而，尽管各种复杂的融合规则取得了较好的融合效果，但是这些融合规则并不能将每个细节层(基本层)中的多尺度信息都融合进输出图像中。

为了解决该问题，本文提出的融合规则从多个尺度层面比较了细节层和基本层中信息的显著性，然后采用随机游走算法将不同尺度下的显著信息有效地结合起来，最终可使融合的细节层和基本层具有更加丰富的细节信息与结构信息，从而使融合图像更有益于人眼观察。通过实验比较，证明本文提出的基于随机游走的融合算法具有更好的融合效果。

2 方法介绍
图1所示为本文提出的图像融合算法流程。
在这里插入图片描述
图1 红外与可见光图像融合算法流程图

由图1可以看出，本文算法首先利用了经典的拉普拉斯金字塔多尺度分解算法对红外与可见光图像进行多尺度分解，将两幅图像分别分解为一个基本层和多个细节层。基本层和细节层采用相同的融合规则。以基本层融合为例，融合规则首先采用大尺度和小尺度两个均值滤波对红外基本层和可见光基本层进行滤波处理，滤波后可得到不同尺度下的基本层信息，将对应尺度下的基本层信息进行比较可得到大尺度显著图和小尺度显著图；然后采用随机游走算法将两幅显著图估计为一幅理想的显著图，运用该显著图对红外基本层与可见光基本层进行加权求和即可得到融合的基本层；最后结合融合的基本层与细节层即可输出融合图像。

2.1 基于拉普拉斯金字塔的多尺度分解
基于拉普拉斯金字塔的多尺度分解算法首先采用高斯滤波对输入图像进行多尺度滤波(即首先对输入图像进行滤波，之后将滤波后的输出图像作为下一次滤波的输入图像，以此类推，迭代多次),然后将两次相邻的滤波输出图像相减，即可得到细节层和基本层。

首先采用高斯滤波对图像进行处理
将相邻两次的输出图像相减可得到细节层

2.2 大、小两尺度显著图生成
首先采用窗口半径为r1(r1表示小尺度参数)的小尺度均值滤波对细节层和基本层进行滤波处理

使用引导滤波对大、小尺度显著图进行改进

2.3 基于随机游走的融合规则

求得。将式(10)分解得

其中，

2.4 基本层与细节层融合
融合的基本层B可由估计的显著图C0得到
B=C0d01+(1-C0)d02 (18)
融合的细节层Dm可由估计的显著图Cm(m=1,2,…,T)得到
Dm=Cmdm1+(1-Cm)dm2 (19)
则结合融合的基本层与细节层即可得到融合图像F为
F=B+D1+…+DT 。 (20)

⛄二、部分源代码

function [FocusMap,Fused] = TwoScale_Fusion(I1,I2)

img1 = I1;img2 = I2;

if size(I1,3) == 3
I1 = rgb2gray(I1);
I2 = rgb2gray(I2);
end

% structure-based focus measure for generating two-scale focus maps
sigma1 = 3;
sigma2 = 8;
[map1,map2] = Multiscale_ST(I1,I2,sigma1,sigma2);

% improve the two-scale focus maps using the guided filter
r1 = 5;
eps1 = 10^(-2);

r2 = 11;
eps2 = 10^(-2);

[map1_guided,map2_guided] = Multiscale_Guided(I1, map1, map2, r1, eps1, r2, eps2);

% weight h_ik
alpha1 = 0.9;
alpha2 = 0.8;

[h1,h2] = weight_h(map1_guided,map2_guided,alpha1,alpha2);

% sparse data interpolation for efficient estimation
sigma = 0.02;
g = uint8(I1 * 255);
h = h1 + h2;
F1 = FGS(h1, g, sigma);
F2 = FGS(h, g, sigma);
x1 = F1 ./ (F2 + eps(F2));
x2 = 1 - x1;

% generating the estimated focus map
FocusMap = zeros(size(map1_guided));
FocusMap(x1 >= x2) = map1_guided(x1 >= x2);
FocusMap(x2 >= x1) = map2_guided(x2 >= x1);

% construct the fused image
if size(img1,3) == 1
Fused = FocusMap.*img1 + (1-FocusMap).*img2;
else
Fused(:,:,1) = FocusMap.*img1(:,:,1) + (1-FocusMap).*img2(:,:,1);
Fused(:,:,2) = FocusMap.*img1(:,:,2) + (1-FocusMap).*img2(:,:,2);
Fused(:,:,3) = FocusMap.*img1(:,:,3) + (1-FocusMap).*img2(:,:,3);
end

end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]马金磊,徐永强,李雷,余爱国,孟浩.基于随机游走算法的红外与可见光图像融合[J].电光与控制. 2021,28(10)

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