本文介绍的是图像融合传统算法中的混合多尺度分解融合算法。图像融合是指将多源信道所采集到的关于同一目标的图像数据提取各自信道中的有利信息，综合成高质量的图像，以提高图像信息的利用率、提高目标检测能力、提升原始图像的空间分辨率和光谱分辨率。
该论文的算法流程大概为：首先使用双边滤波和高斯滤波结合的方式来对原始的图像进行分解，分解为得到基础图像和多层细节图像，然后使用三种不同的融合策略对基础层图像和细节层图像进行融合，最后重建图像。
这是三层的混合多尺度分解的流程图，其中Ig是原始图像经过高斯滤波后的结果，上标代表高斯滤波的次数；Ib是原始图像经过双边滤波后的结果，上标代表双边滤波的次数。在第一层分解中，将I0与Ib作差得到D(1,0)，将Ib与Ig作差得到D(1,1)，后续几层同理。
经过分解的每一层细节层中包含两张细节图，其中一张包含了该层中的小的纹理细节信息，如D(1,0)，另一张包含了尺度较大的边缘细节信息，如D(1,1)。
在各层的融合部分，使用三种不同的融合策略对基础层图像和细节层图像进行融合。
小尺度融合指的是第一层细节层，为了尽可能地融合两张原始图像的细节，该层融合取极大值。
大尺度的融合指在包含从j=2到j=N的尺度的分解层，利用D(j,1)中分解的大尺度边缘特征来识别和确定要注入到可见光图像中的相应红外光谱特征的权重，为了融合的效果，将其归一化后进行平滑。
基础层的融合考虑到图像的连续性，为了不出现斑块断层，该层的融合延续上一层的权重，即第n层的权重。同时为了基础层的平滑，对该权重再进行一次高斯滤波。最后用上述得到的各层细节层和基础层重建图像。
作者将其结果与几种传统图像融合算法进行了对比。通过尺度细分的细节拆解，该方法能实现较好的结果。在融合近红外图像的细节以及关键信息的同时，不会因为融合过多的信息导致失去或是混淆的本有的大的尺度边缘信息。
同时该方法还能保持较好的图像对比度，以避免融合算法中常见的图像发灰问题，同时分层细节的融合获得的细节边缘也更自然。
但由于该算法的细节层的拆解和融合的算法都分的较细，在取得较好效果的同时，也增加了算法的整体复杂度，耗时在传统算法中偏高。
关 注 我 们 
实验室网站：http://viplab.fudan.edu.cn/
OpenASIC官方网站：www.openasic.org
知乎专栏：http://zhuanlan.zhihu.com/viplab
微信公众号：OpenASIC
继续阅读
阅读原文