融合算法三---VSMWLS(Hybrid)
发布网友
发布时间：2024-09-26 23:07
共1个回答
热心网友
时间：2024-10-30 16:36
论文中，作者使用迭代引导滤波算法对原始图像进行迭代多次，最后一次引导滤波的输出进行高斯滤波得到基础层，利用视觉显著映射算法，计算权重，对基础层进行加权叠加；通过迭代引导滤波算法每两次之间的差值计算细节层，最后利用最小加权二乘法对每一层的细节层进行叠加，在此基础上叠加上基础层，重建出最终的图像。
迭代引导滤波能够在平滑图像的同时，很好的保持边缘特性，也就是将边界尺度小于高斯函数标准差的边缘给平滑掉，而大于的边界尺度则会保留；而高斯滤波会无差别的对图像进行平滑，不会保持图像中显著物体的边界。下面两幅图是高斯滤波和迭代引导滤波之间的区别。
2.1基础层
上面第二幅图，走后一幅图就是作者得到的基础层，就是在前面迭代引导滤波的基础上，对最后一次引导滤波的输出进行高斯滤波，得到基础层。
公式
公式
公式
最开始引导滤波的公式是对输入图像进行高斯滤波得到的，初始设置公式=2，公式下一次迭代公式是上一次的两倍，公式=0.05，公式为迭代次数。
得到两幅（红外、可见光）图像的基础层公式、公式之后，使用视觉显著映射的方法（想详细了解这个算法的见论文《Visual attention detection in video sequences using spatiotemporal cues》），计算权重系数。
计算一幅图像的视觉显著映射的方法也很简单：
公式
可以使用直方图加速这个运算：
公式
公式代表像素的颜色，公式代表像素的统计数量，在得到V(p)之后需要对其进行归一化到区间之间，最终得到公式、公式。
公式
公式
2.2细节层
由迭代引导滤波算法，每次迭代就可以得到一次引导滤波后的结果，对迭代输出的图像进行处理，得到细节层。
公式
公式
公式
公式
其中公式,由差值公式按照最大绝对值原则(max-absolute)计算融合权重公式
公式
公式
公式
使用高斯平滑得到权重公式
第j层融合细节公式通过下面公式获得
公式
使用加权最小二乘法优化第j层融合细节，得到第j层最终细节公式
公式
公式 (窗口大小选择7*7)
转化为对角线矩阵形式，A^j为对角线矩阵，详细的WLS方法介绍，可以看我的专栏《图像滤波器第三篇 zhuanlan.hu.com/p/25...》
公式
对公式求导，得到最终的结果：
公式
求得公式后，就可以在此基础上进行最终的融合：
公式
本文使用了迭代引导滤波、视觉显著映射、加权最小二乘法，涉及到的算法较多，在一些性能指标上也优于一些其他的算法，但是整体而言，算法也比较耗时（从可见光与红外融合融总结中的时间对比就可以看出来）。
