Wave transform

因为最近在进行另外一个项目，需要对同视野下多焦距形成的图片进行融合，查阅了一些资料后，涉及到两种方式，一种是基于小波变换的基于像素清晰度的融合，另一种是基于拉普拉斯 金字塔的融合方式。在这儿主要先说一下基于小波变换的实现原理。

因为之前对小波变换只是听说但并不了解，所以就临时来补充补充了~~

参考了一些别人的博客小波变换形象化分析以及原理解析，总的来说，小波变换是基于区域的频域分解，对于图片而言，将一幅图片分解为低频和高频部分，在分解时分为行分解和列分解，所以经过一次分解后图片变为原来的四分之一。小波变换的精髓就是：对于变换平缓的信息（对应低频信息），在大范围（尺度）上观察，对于变化很快的信息（对应高频信息），则在小范围上观察。说明如下：

wavelet transform

最后一幅图片则由若干高频部分及低频部分构成。

对多幅图片进行分解完成后，然后对分解后的低频与高频部分进行融合。在这处理时，对于低频部分，计算各个图所占权重，权重的计算是基于方差所占比，如下图weight所示

weight

再将所有图片的低频部分相加。代码示例如下图lowfrequency：

对于高频部分，则基于每一层计算每张图每个像素的清晰度然后选择最清晰的像素点作为选择的结果。对于最清晰点的定义如下：

即高频与低频比值的平方，以像素点为中心设置窗口，再求和即为该点的清晰度。

处理完成后再将该层的低频与高频利用小波逆变换进行合并以形成下一级的低频部分，如此迭代操作最后形成融合后的图像。原理解析图说明如下：其中对应的高频与低频部分是经过上述操作处理过后的。

blending

最后处理完成的图片是灰度图，融合前后有较为明显的效果，但将图像放大后再看会有明显的锯齿效应，原因在于没有保存图像的空间位置信息，且处理过程较为耗时。所以出于工程实现的目的，需要考虑到其他的融合算法进行处理才行~~