图像处理入门+图像融合

    本科的时候，马马虎虎学过一些图像处理的基本知识，很基本的那种。做本科毕业设计好死不死的选了图像特征相关的方面，在VC下实现对图像像素级的处理，由于导师比较严格，实验和写论文的阶段是相当的痛苦加纠结，直接造成了现在看到图像就莫名其妙产生恐惧的心理。

    没想到，唉，真的是没想到，实验室接到了图像的活儿，所有人全转到这个活上，悲剧了……不光平时工作要研究图像，毕业论文又是图像，而且还要有两篇图像小论文，鸭梨有木有！！！

    stop 吐槽ing，讲正事：

    

    由于暂时不需要实现系统，所以以下的实验都是在matlab环境下完成的（为了论文啊论文啊……），目前主要涉及的方面有这么几个：

    一、图像融合；二、边缘检测；三、图像分割……

    

    去年刚接手的时候，跟着师兄做了一点儿图像融合方面的编码工作，主要都是基于现有的融合方法，比如拉普拉斯金字塔、小波变换、NSCT，contoutler等，对融合规则进行一些改进。说是改进，其实就是在论文库中找别人的改进方法来实现而已。最初没有对融合做深入了解，直接导致了现在论文写不出的尴尬局面。这学期开学后系统的学习了一下，大概有以下几点：

    

    现有的图像融合算法主要有三种类别：基于像素级的融合、基于特征集的融合、基于决策级的融合。第一种应用是最广泛的，现在人们普遍致力于研究特征级的融合，而决策级的融合尚没什么成果，只是有这种说法跟想法而已。

    

    从空域和频域来讲，空域方面的图像融合算法有：HPF，Brovery；频域方面比较多，主要有IHS变换法、PCA主分量分析法、多分辨率金字塔（毕设要搞啊）、小波变换（又是毕设）、NSCT等，后来大牛们对小波变化进行了改进，又提出了超小波变换，比如Ridgelet、Curvelet、Contourlet等高级融合，（所谓高级就是我看不懂……）

    

    通常对于多分辨率的融合，在高频和低频上采用不同的融合规则。低频主要反映的是图像主体信息，灰度变化比较缓慢，可以采用的融合规则有平均值、加权平均，这里权重的选择很重要，可以采取固定值，也可以根据能量、信息熵来自适应加权。高频部分主要集中的是图像的噪声和边缘信息，基于像素的融合规则不是很理想，一般的做法都是基于区域，区域均值、区域梯度、区域方差、区域能量等。

    

    上面说到图像空域和频域，我也不是明白的很透彻，可以这样理解：空域是对图像本身的一种处理，频域是对图像进行傅里叶变换后进行处理。