小波的秘密10_图像处理应用:图像增强

1.前言：

图像融合是信息融合的一个重要分支，广泛地用于目标识别、机器视觉、智能系统、医学图像处理等领域。传统图像融合方法方法主要是在时间域通过算术运算实现融合，具有算法简单直观，适合实时处理等优点，但是没有对频率进行考虑。

多分辨率图像融合算法是在频率域实现图像的融合。根据分解形式的不同，多分辨率图像融合算法又可以分为多分辨金字塔方法和小波变换方法。

2.小波图像融合的观点：

具体步骤：
1.图像预处理：

图像滤波：对失真编制的图像直接进行融合必然会导致图像噪声融入融合效果，所以在进行融合前，必须对原始图像进行预处理以消除噪声。
图像配准：多种成像模式或多焦距提供的信息常常具有互补性，为了综合使用多种成像模式喝多焦距已提供更加全面的信息，常常需要将有效信息进行融合，此前提是：多幅图像在空间域中达到几何位置的完全对应。

2.对图像A和图像B分别进行二维DWT分解，分别得到图像的低频和高频分量。

3.根据低频分量和高频分量的特点，按照各自的融合算法进行融合。

4.小波逆变换重构得到融合图像。

3.图像融合实例分析

clear all;
load bust;
X1=X;map1=map;
%画出原始图像
subplot(131);image(X1);
colormap(map1);
xlabel('(a)bust图像');
axis square
load mask;
X2=X;map2=map;
for i=1:256
for j=1:256
if (X2(i,j)>100)
X2(i,j)=1.2*X2(i,j);
else
X2(i,j)=0.5*X2(i,j);
end
end
end
subplot(132);image(X2);
colormap(map2);
xlabel('(b)mask图像');
axis square
%用小波函数sym4对X1进行2层小波分解
[c1,s1]=wavedec2(X1,2,'sym4');
sizec1=size(c1);
for i=1:sizec1(2)
c1(i)=1.2*c1(i);%对分解系数进行处理以突出轮廓部分，弱化细节部分
end
%用小波函数sym4对X2进行2层小波分解
[c2,s2]=wavedec2(X2,2,'sym4');
c=c1+c2;%下面进行小波变换域的图像融合
c=0.5*c;%减小图像亮度
xx=waverec2(c,s1,'sym4');%对融合的系数进行重构
%画出融合后的图像
subplot(133);image(xx);
xlabel('(c)融合图像');
axis square