【图像融合】基于curvelet变换实现图像融合（评价指标）含Matlab源码

1 简介

针对Curvelet分解的不同频率域,分别讨论了低频系数和高频系数的选择原则.在选择低频系数时,定义了局部区域标准方差,采用了"选择"与"平均"相结合的系数选择方案;在选择高频系数时,充分利用Curvelet变换具有方向性的优点,提出了Curvelet域方向对比度的概念,并给出了基于方向对比度的系数选择方案.实验结果表明:本文所给出的融合算法能够很好地保留多幅源图像中的有用信息,得到多个目标聚焦都很清晰的图像.

基于 Curvelet 变换的图像融合意义在于：Curvelet 变换继承了小波分析优良的空域和频域局部特性，是一种新的图像多尺度几何分析工具，其相对于小波的优势在于更加适合描述图像的几何特征，因此也更适合图像处理应用。小波是采用“块 基”（block base）来逼近 C（二次连续可微）的奇异点，是各向同 2性的，并没有考虑奇异点的几何形状；而 Curvelet 变换采用“楔形基”来逼近 C2 的奇异点，与小波最大的差异就是其具有任意角度的方向性，不像小波只具有水平、垂直、45°角 3 个方向，所以是各向异性的。在楔形分块中，只有当逼近基与奇异性特征重叠，即其方向与奇异性特征的几何形状匹配时，才具有较大的 Curvelet 系数。而且 Curvelet 变换较之小波具有更好的稀疏表达能力，它能将图像的边缘，如曲线、直线特征用较少的大的Curvelet 变换系数表示，克服了小波变换中传播重要特征到多个尺度上的缺点，变换后能量更加集中，更利于跟踪和分析图像的重要特征，Curvelet 变换具有很强的方向性。例如，图 1 表示了用二维可分离小波和 Curvelet 来逼近图像中奇异曲线的过程。因此，将 Curvelet 变换引入图像融合，可以利用 Curvelet变换更好地提取原始图像的特征，为融合图像提供更多的信息。

2 部分代码

function y= xinxishang(x)%信息熵x=uint8(x);temp=unique(x);   %temp就是x中全部不同的元素，例如x=[1,1,3,4,1,5];那么temp=[1;3;4;5]temp=temp';len=length(temp); %求出x矩阵中不同元素的个数p=zeros(1,len);   %p向量用来存储矩阵x中每个不同元素的个数[m,n]=size(x);for k=1:len    for i=1:m        for j=1:n            if x(i,j)==temp(1,k)                p(1,k)=p(1,k)+1;            end        end    endendfor k=1:len    p(1,k)=p(1,k)/(m*n);  %求出每个不同元素出现的频率    p(1,k)=-p(1,k)*log2(p(1,k));endy=sum(p);end​

3 仿真结果

4 参考文献

[1]张强, 郭宝龙. 基于Curvelet变换的图像融合算法[J]. 吉林大学学报：工学版, 2007, 37(2):6.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。