各向异性扩散融合算法
该论文的算法框架比较常规,将图片各自分解成基础层和细节层然后融合。流程大概为:首先使用使用各向异性扩散将原始图像进行分解生成基础层和细节层,然后的细节层和基础层分别使用K-L变换和加权计算,融合图像由最终细节层和基础层组成。
使用各向异性扩散将原始图像进行分解生成基础层和细节层。各向异性扩散过程将在均匀区域平滑给定图像,同时使用偏微分方程保留一定的边缘区域。各向异性扩散方程使用通量函数来控制原始图像的扩散。c(x,y,t)为通量函数或扩散速率,∆为拉普拉斯操作符,∇为梯度操作符,t为时间或者比例系数或者迭代次数。∇N、∇S、∇E和∇W分别是北、南、东和西方向上的最近邻差异。
使用aniso(In(x,y))表示上述式子,得到Bn(x,y)即基础层,原始图像减去Bn(x,y)得到细节层Dn(x,y)。
细节层部分使用K-L变换进行融合。两幅细节层图片视为三维矩阵,将每行视为观测,将每列视为变量,求出X的协方差矩阵Cxx。然后计算特征值σ1、σ2和特征向量。计算对应于大特征值(σmax=max(σ1,σ2))的不相关分量KL1和KL2。最后得到融合细节层D的公式。
K-L变换融合细节层后,基础层采用加权平均。
与几种传统融合算法做对比,h是本文的结果,与c、f、g相比,本文的结果没有不自然的伪影斑点和光晕,同时与d、e相比,融合结果引入的噪声水平较低。
复现算法与拉普拉斯框架算法结果对比,该算法整体效果不错,部分场景引入噪声水平较低,但融合后部分细节(车牌部分)会出现模糊现象。
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。