基于matlab的图像融合算法毕业设计(编辑修改稿)

基于matlab的图像融合算法毕业设计(编辑修改稿)内容摘要：

的主要有三种： (1)灰度级校正。 针对图像成像不均匀如曝光不均匀，使图像半边暗半边亮，对图像逐点进行不同程度的灰度级校正 ,目的是使整幅图像灰度均匀。 (2)灰度变换。 针对图像某一部分或整幅图像曝光不足使用灰度变换，其目的是增强图像灰度对比度。 (3)直方图修正。 能够使图像具有所需要的灰度分布，从而有选择地突出所需要的图像特征，来满足人们的需要。 图像滤波技术 在图像采集 、传输过程中，由于输入转换器、周围环境、电压波动等多种因素的影响，图像不可避免地含有各种各样的随机干扰信号，这些信号就是我们所讲的噪声，它们或与图像内容有关，或无关。 但相同的是都会导致图像失真，使图像模糊，甚至掩盖图像的重要特征，给后续的图像分析和处理带来不利影响。 图像噪声的种类很多，分类的标准也不少。 例如，按其产生的原因可分为外部噪声和基于 MATLAB 的图像融合算法 内部噪声；按噪声服从的分布将其分为随机噪声（高斯噪声）和椒盐噪声；根据噪声与信号之间的关系分为加性噪声和乘性噪声等。 针对不同的噪声，其去噪方法大致可分为以下两大类： (1)空域滤波去噪是指在空间域内对图像像素的灰度值直接运算处理的方法。 常用的空间滤波去噪方法主要有均值滤波、中值滤波、维纳滤波以及空间域低通滤波法，其中，维纳滤波是一种自适应的滤波方法，比一般的滤波器具有更好的选择性，可以更好地保护图像边缘，尤其对加性高斯白噪声的抑制效果很好。 在此简单介绍两种空域滤波法： (2)变换域去噪是指在图像的某种变化域内，对源图像经过变换后的系数进行相应处理，然后再进行反变换达到图像去噪目的的一种方法。 常用的去噪方法主要有频率域低通滤波法和基于小波变换法，其中小波去噪的方法大致 可分为基于小波变换模极大值原理、相邻尺度间小波系数相关性以及阈值法三大类。 目前，基于小波变换的去噪方法尚处于不断发展的阶段，总体来说，去噪效果较好但计算非常复杂，不同的重构方法对信号重构的误差影响很大，也会影响到去噪的效果。 邻域平均法 邻域平均法按 ),(),(),( yxhyxfyxg  直接对图像作低通滤波处理。 可用于消除随机相加噪声。 常用的 ),( yxh （低通滤波器的脉冲响应函数）有 121242121161,111121111101,11111111191 这里的作用域为 3 3，共有 9个像素灰度参加运算，用运算结果代替中心像素 ),( yx 的像素灰度。 根据需要，可选 用 55， 77等不同作用域的。 矩阵中心的元素值占的比例越小，平滑作用越强，会使图像越模糊； ),( yxh 的作用域越大，平滑作用越强，亦导致图像越模糊。 原则：使矩阵的元素之和与其前面的系数相乘的结果为 1，以在平滑过程中处理结果的像素灰度不超过允许的像素最大灰度值。 用这种方法作平滑处理，图像四周围边缘的像素需特殊处理。 两种特殊处理办法（对 3 3的情形 ）： ① 把原图像从 MN转化为 （ M+2） （ N+2） ，所加大的两行和两列的像素灰度均取 0，然后对加大后的像素平滑处理，结果又舍去所加的两行的零灰度信息，仅取 M N。 ② 不处理原始图像 4个边缘的像素，使处理后 4个边缘的像素灰度保持原始灰度，或人为地赋予特殊灰度。 中值滤波 作为抑制噪声的非线性处理方法，中值滤波是从一维信号处理的中值滤波技术发展而来的。 毕业设计 其原理是 在图像画面中开一个一维的小窗口，它应该包含奇数个像素，按像素的灰度值从小到大排列起来，然后用中间灰度值来代替原排列的中间像素的灰度值。 窗口然 后从左到右移动，直到边界。 窗口下移一行，再从左到右进行。 经过中值滤波变换后，某象素的输出等于该象素邻域中各象素灰度的中间灰度值。 其操作流程如下所示： 50， 60， 300， 100， 120， 80， 190，、 ↓→→ 顺序排列象素灰度值 50,60,100,120,300, ↓ 用中间灰度值 100 代替原中间灰度值 300, 50,60,100,100,120,80,190，、 ↓ 右移窗口得 50， 60， 100， 100， 120， 80， 190，、 ↓→→ 顺序排列象素灰度值 60， 80， 100， 100， 120 ↓ 中间灰度值 100 与原中间灰度值 100 相同，不用换 50， 60， 100， 100， 120， 80， 190，、 ↓ 右移窗口得 50， 60， 100， 100， 120， 80， 190， 、 这样对图像灰度的跳跃有平滑效果。 考虑到一般 图像在两维方向上均具有相关性，因此，活动窗口一般选为两维窗口（如3 3， 5 5 或 7 7 等），窗口形状常 用： 圆形方形十字形方形 55335555  图像配准 图像配准概述 图像配准（或图像匹配）是评价两幅或多幅图像的相似性以确定同名点的过程。 图像配准算法就是设法建立两幅图像之间的对应关系 ,确定相应几何变换参数 ,对两幅图像中的一幅进行几何变换的方法。 像配准的一般过程是在多源图像数据经过严密的几何纠正处理、改正了系统误差之后，将影像投影到同一地面坐标系统上，然后在各影像上 选取少量的控制点，通过特征点的自动选取或是计算其间的相似性、粗略配准点的估计位置、精确确定配准点以及估计配准变换参数等处理，从而实现影像的精确配准。 按照配准算法所利用的图像信息，可以分为 以下两类 （ 1） 基于灰度的图像配准方法。 该类方法直接利用整幅图像的灰度度量两幅图像之间的相似性，然后采用搜索方法寻找使相似性度量最大或最小值点，从而确定两幅图像之间的变换模型参数。 该方法不需要对图像作特征提取，直接利用全部可用的图像灰度，提高了配准算法的估计精度和鲁棒性，但是由于匹配点周围区域的点的灰度都参与计算，因此，其 计算量大，速度慢。 基于 MATLAB 的图像融合算法 (2)基于图像特征的图像配准方法。 将从图像灰度中提取出来的某些显著特征作为匹配基元，用于匹配的特征通常为点、线、区域等。 算法过程主要分为特征提取和特征匹配。 在特征匹配前，首先要从待匹配的多幅图像中提取出灰度变化明显的点、线、区域等特征，组成特征集。 然后，在各幅图像所对应的特征集中利用特征匹配算法尽可能的将存在匹配关系的特征对选择出来。 对于非特征像素点利用插值等方法处理，推算出对应的匹配关系，从而实现多幅图像之间逐像素的配准。 由于提取了图像的显著特征，大大压缩了信息的数据量，同时较好的保持 了图像的位移、旋转、比例等方面的特征，因此，该方法在匹配时计算量小、速度快，是较为实用的方法。 按自动化程度可以分为人工、半自动和全自动三种类型。 手动图像配准 我们可以利用 Matlab 自带的图像处理工具箱来完成配准需要。 图像处理工具箱（ Matlab Image Processing Toolbox） 提供 了 一套全方位的参照标准算法和图形工具，用于进行图像处理、分析、可视化和算法开发。 可用其对有噪图像或退化图像进行去噪或还原、增强图像以获得更高清晰度、提取特征、分析形状和纹理以及对两个图 像进行匹配。 利用 Matlab Image Processing Toolbox 中的图像配准工具实现线性正投影、仿射、投影、多项式、分段线性、局部加权平均配准的过程。 （ 1） 手动选择匹配点对 该工具箱提供的配准方法均需手工选择图像间的匹配点对（ control points pair），均属于交互配准方法。 假设 input image（输入图像）为欲进行配准的图像， base image 为配准是的参考图像。 以下是我参考 matlab 帮助给出了简介。 1．线性正投影（ linear conformal）：最简单。 平 面映射成平面。 当输入输入图像与参考图像对比，只是存在全局的平移、旋转、缩放或其三者组合的差别时（正方形仍对应正方形），选择此配准方法。 此方法至少需要 2对匹配点。 2．仿射（ affine）：将平行线转换成平行线。 当输入图像形状存在切变现象（正方形对应平行四边形），选此法。 至少需 3对匹配点。 3．投影（ projective）：将直线映射成直线。 如果输入图像呈现倾斜，翘起现象，选此法。 至少需 4对匹配点。 4．多项式（ polynomial）：将直线映射成曲线。 如果输入图像出现不规则曲变，采用此法。 Matlab 中提供有 4 次幂的实现，分别至少需要 6， 10， 10 对匹配点。 5．分段线性（ piecewise linear） 如果输入图像的各个局部之间的退化模式明显不一样，选此法。 至少需要 4对匹配点。 6．局部加权平均（ local weighted mean） 与分段线性一致，但效果较之好。 至少需要 6 对（推荐 12 对）匹配点。 （ 2） 手动配准的 基本过程 如下图所示： 毕业设计 读 入 图 像 数 据在 两 幅 图 像 上 手 动 选 择 足 够的 匹 配 点选 择 匹 配 算 法 ， 计算 变 换 参 数变 换 图 像 图 21 手动图像配准一般流程 基于图像特征的匹配算法 Harris角点检测算法 角点是二维图像亮度变化剧烈或图像边缘曲线上曲率极大值的点，它决定了目标的轮廓特征，被广泛应用于摄像机标定、虚拟场景重建、运动估计、图像配准等计算机视觉处理任务中，这些点在保留图像图形重要特征的同时，可以有效地减少信息的数据量，使得实时处理成为可能。 Harris 角点检测算法基本原理描述如下：建立下面矩阵 M： 22( ) ( ) ( )( ) ( ) ( )I I Ix x yMI I Ix y y          其中 I（ x， y）是亮 度值，这里用灰度表示。 通过分析上面矩阵可以看出如果在一点上矩阵 M 的两个特征值很大，则在该点向任意方向上的一个很小的移动都会引起灰度值的较大变化。 这也就说明该点是一个角点。 计算角点的函数如下： 2det ( )R M k trace M （ ） 其中 k 参数设为 （ Harris 设定的最优参数）。 令 A= 2()Ix ， B= 2()Iy， C= ()Ix ， D=()Iy 则矩阵 ABMCB Ix 表示图像 I 在 x 方向的导数 ， Iy 表示图像在 y 方向的导数。 求出 R 的值，若为正则对应点为角点，若为负则是一般边界点。 该算法易受噪声的影响。 为了减小噪声的干扰，在对图像进行偏导计算以后用高斯滤波器对数据进行平滑。 按此方法求出的角点数量很多。 为了减少匹配计算量，可以对想要获得 的角点数量进行限制。 限制方法是确定一个阈值，仅仅选取 R 值大于这个阈值的点作为角点。 这个阈值根据需要的检点数量来确定。 基于 MATLAB 的图像融合算法 第三章 图像融合 常用的像素级图像融合方法有： (l)空域融合方法 :①加权平均法 ； ②像素灰度值取大 /小法 ； ③主分量法 (PCA)。 (2)变换域融合方法 :① IHS 变换法 ；②小波变换法 加权平均融合法 空域 法是把图像看作是平面中各个像素组成的集合，然后直接对这一二维函数进行相应的处理。 加权平均方法将源图像对应像素的灰度值进行加权平均，生成新的图像，它是最直接的融合方法。 其中平均方法是加权平均的特例，使用平均方法进行图像融合，提高了融合图像的信噪比，但削弱了图像的对比度，尤其对于只出现在其中一幅图像上的有用信号。 假设参加融合的两个图像分别为 A、 B，图像大小为 M N，经融合后得到融合图像 C，那么，对 A、 B两个源图像的像素灰度值加权平均融合过程可以表示为 : C(n1,n2)=ω1A(nl,n2)+ω2B(nl,n2) (21) 式中 : n1 表示图像中像素的行号， nl=l， 2， 3， ...……M。 n2 表示图像中 像素的列号， n2=1， 2， 3， ...……N。 ω1 表示加权系数 1； ω2表示加权系数 2； 通常 ω 1+ω 2=1。 图像灰度值的平均可看作是灰度值加权平均的特例，即 ω 1=ω 2=。 加权平均法的优点是简单直。