Matlab源码支持的四叉树加权聚焦多聚焦图像融合技术如何实现？
- 内容介绍
- 文章标签
- 相关推荐
本文共计880个文字，预计阅读时间需要4分钟。
1. 简介四叉树分割算法将待分割的源图像A和B定义为图像块组，若图像块组中图像数量较多，则称其为图像块序列。首先进行分割的图像块组（源图像）称为四叉树的根节点。
1 简介
四叉树分解算法将待分解的源图像A和源图像B定义为一对图像块组，若源图像块组中图像数量较多，则称之为图像块序列，最先进行分解的图像块组(源图像)称为四叉树的根节点，由根节点开始对图像块进行分解，每次分解为4个叶子节点，以此类推，直至分解条件结束。对每一次分解结果进行聚焦度测算，若符合RPCA判定条件阈值，则本节点停止分解，其余叶子节点继续分解，下面详细阐述本算法流程:首先，假定两种情况作为图像块分解的基础实施条件，
情况1:被分解出的块为全聚焦块。
情况2:被分解出的块含有聚焦部分和非聚焦部分。其次将含有m(m≥2)幅源图像的图像序列输入四叉树结果的根节点，对于根节点块序列，若其在RPCA检测中符合情况1，则本块不需要继续分解，否则符合情况2，需要进行第二级的四叉树分解，持续进行本过程，直到所有的聚焦区域被找出，或者已持续进行至四叉树的分解的最大级数。本文最终将源图像分解为2×2大小的图像块，其对应的分解级为最大分解级(max level) ，最大分解级的计算方式如下式所示:
其中M × N为源图像尺寸，lg为对数运算符。
在进行四叉树分解前，输入至根节点的源图像需要进行正方形映射处理，以便分解至最终形态。假设源图像作为四叉树分解的第一级，最终分解的图像块大小为2×2，那么图像的分解层数应该为log{max(M －1，N －1) }+ 1的整数部分，当分解进行至最大级数时，可以认为这种情况下的聚焦度探测到达了最精确的情况，本文所使用的源图像块大小为512×512。
2 部分代码
% -------------------------------------------------------------------------% Clear history and memory
clc; clear; close all;
%--------------------- Configurating the parameters -----------------------
% Initialise the maximum split level
level = 0;
% image set name string, default: 'clock'. All image sets:
% clock'|'lab'|'pepsi'|'OpenGL'|'flower'|'disk'|'toy'
name = 'clock';
% Set the image type.
type = '.bmp';
% Set the image number: the number of images in image set toy is 3,
% and the image number of the other sets is 2.
num = 2;
%--------------------- Quadtree based image fusion -----------------------
[fimg, decision_map] = Quadtree_Fusion(name, type, num, level);
%------------------------- Show the fusion image -------------------------
subplot(133);imshow(fimg);title('融合后的图')
3 仿真结果
4 参考文献
Xiangzhi Bai, Yu Zhang, Fugen Zhou, and Bindang Xue. Quadtree-based multi-focus image fusion using a weighted focus-measure[J]. Information Fusion, 2015, 22: 105-118.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
本文共计880个文字，预计阅读时间需要4分钟。
1. 简介四叉树分割算法将待分割的源图像A和B定义为图像块组，若图像块组中图像数量较多，则称其为图像块序列。首先进行分割的图像块组（源图像）称为四叉树的根节点。
1 简介
四叉树分解算法将待分解的源图像A和源图像B定义为一对图像块组，若源图像块组中图像数量较多，则称之为图像块序列，最先进行分解的图像块组(源图像)称为四叉树的根节点，由根节点开始对图像块进行分解，每次分解为4个叶子节点，以此类推，直至分解条件结束。对每一次分解结果进行聚焦度测算，若符合RPCA判定条件阈值，则本节点停止分解，其余叶子节点继续分解，下面详细阐述本算法流程:首先，假定两种情况作为图像块分解的基础实施条件，
情况1:被分解出的块为全聚焦块。
情况2:被分解出的块含有聚焦部分和非聚焦部分。其次将含有m(m≥2)幅源图像的图像序列输入四叉树结果的根节点，对于根节点块序列，若其在RPCA检测中符合情况1，则本块不需要继续分解，否则符合情况2，需要进行第二级的四叉树分解，持续进行本过程，直到所有的聚焦区域被找出，或者已持续进行至四叉树的分解的最大级数。本文最终将源图像分解为2×2大小的图像块，其对应的分解级为最大分解级(max level) ，最大分解级的计算方式如下式所示:
其中M × N为源图像尺寸，lg为对数运算符。
在进行四叉树分解前，输入至根节点的源图像需要进行正方形映射处理，以便分解至最终形态。假设源图像作为四叉树分解的第一级，最终分解的图像块大小为2×2，那么图像的分解层数应该为log{max(M －1，N －1) }+ 1的整数部分，当分解进行至最大级数时，可以认为这种情况下的聚焦度探测到达了最精确的情况，本文所使用的源图像块大小为512×512。
2 部分代码
% -------------------------------------------------------------------------% Clear history and memory
clc; clear; close all;
%--------------------- Configurating the parameters -----------------------
% Initialise the maximum split level
level = 0;
% image set name string, default: 'clock'. All image sets:
% clock'|'lab'|'pepsi'|'OpenGL'|'flower'|'disk'|'toy'
name = 'clock';
% Set the image type.
type = '.bmp';
% Set the image number: the number of images in image set toy is 3,
% and the image number of the other sets is 2.
num = 2;
%--------------------- Quadtree based image fusion -----------------------
[fimg, decision_map] = Quadtree_Fusion(name, type, num, level);
%------------------------- Show the fusion image -------------------------
subplot(133);imshow(fimg);title('融合后的图')
3 仿真结果
4 参考文献
Xiangzhi Bai, Yu Zhang, Fugen Zhou, and Bindang Xue. Quadtree-based multi-focus image fusion using a weighted focus-measure[J]. Information Fusion, 2015, 22: 105-118.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。