基于导向滤波的图像融合(GGF)(附Matlab代码)

论文学习——基于导向滤波的图像融合(GGF)

原文 Image Fusion with Guided Filtering - 2013

简介

  本文提出了一种基于导向滤波的图像融合方法。融合的对象可以是多光谱图像，不同焦点的图像，不同曝光的图像等。论文比较创新点就是提出了一种不同幅图像的权重计算方法，引入了像素显著性和图像空间连续性的概念。并且使用了引导滤波来重建权重，最终得到了高效和不错的融合效果。
  文中提到，该方法的优点：

• 只需要获取图片两个尺度，而过去的方法往往要在多个尺度上进行重建。这里所谓的尺度，即将一幅图像分解为基层(Base Layer)和细节层(Detail Layer)，这个方法在如今的话已经广泛使用，例如基于滤波的RGB+NIR图像融合 - 2017。
• 提出了像素显著性（pixel saliency）和空间连续性（d spatial consistency）的概念，用于构建不同图像的权重，这将在下文介绍。并且使用局部滤波的方法代替了最优化的方法，提高了效率。即使用了导向滤波，如对导向滤波尚有疑问，可参考导向滤波。
• 在具体实验中发现，在对不同层的融合时，像素显著性和空间连续性表现出的效果是不一样的。

---

算法

  算法本身并不复杂，只是灵活地利用了不同滤波器所获得的图像信息，其主要流程如下图所示：

  接下来结合上述流程和matlab代码，详解算法。（图是论文里截的，讲究看吧……）

im1 = double(imread('2.jpg'))/255;
im2 = double(imread('1.jpg'))/255;

A.Two-Scale Image Decomposition（双尺度分解）

  一个简单的均值滤波来获取图像的基层和细节层，滤波器越大，得到的基层模糊程度越高。而细节层是原图减去基层图，随着滤波半径的增大，细节层的信息也会相应增加。论文中给出的建议滤波器大小为31×31。

%% Get B,D
h1 = fspecial('average',[31,31]); %定义一个滤波模板
B1 = imfilter(im1, h1, 'replicate'); %均值滤波得到图1基层 'replicate'是对边界值的处理模式
B2 = imfilter(im2, h1, 'replicate'); %均值滤波得到图2基层

D1 = im1-B1; %细节层
D2 = im2-B2;

B. Weight Map Construction With Guided Filtering（构建权重图）

  第二步就是利用导向滤波进行权重重建，上述流程图中应该是各个通道单独处理的，这里直接放一起处理了。
  首先对原图进行拉普拉斯滤波得到高频细节，然后再对得到的高频细节进行一次高斯滤波。这两个滤波器一个是高通滤波，一个是低通滤波。在这里对高频信息再进行一次低通滤波，应该是为了去除噪声影响。同时文中也给出了高斯滤波的建议参数，窗口为11×11，sigma=5。拉普拉斯滤波则采用默认的3×3窗口，同时注意在拉普拉斯滤波之后需要对滤波结果取一次绝对值，因为拉普拉斯滤波在求x,y方向梯度的时候会产生负值。

h2 = fspecial('laplacian', 0.2);
H1 = imfilter(im1, h2, 'replicate');
H2 = imfilter(im2, h2, 'replicate');

H1 = abs(H1); % 取绝对值
H2 = abs(H2);

h3 = fspecial('gaussian', [11,11], 5);
S1 = imfilter(H1, h3, 'replicate');
S2 = imfilter(H2, h3, 'replicate');

  然后就是本文提出的像素显著性和空间连续性。
$P_n^k= \begin{cases} 1& if\ \ S_n^k=\max(S_1^k,S_2^k,...,S_N^k) \\ 0&otherwise \end{cases}$Pnk​={10​if  Snk​=max(S1k​,S2k​,...,SNk​)otherwise​
其中，$N$N是源图像的数量，$S_n^k$Snk​是在第$n$n幅图像中某位置像素点$k$k的显著值。比如我们现在是两幅图，把两幅高频细节图的第一个通道拿过来，每个像素点都取两个矩阵中大的值，就得到了一幅显著值图，再用着两个图分别和这个显著值图去比较，如果某点的像素值相等，那权重图就是1，否则就是0。如下：
                

function out = wmap(i1,i2)
%权重映射，因为每张图都要求解权重，因此写成函数
%对于输入的两张RGB图,返回图1的三通道权重图
[w, h, d] = size(i1);
out = zeros(w, h, d);
for i=1:d
    maxmap = max(cat(3, i1(:,:,i), i2(:,:,i)), [], 3); %求显著值图
    temp = double(maxmap==i1(:,:,i)); % 求解权重图
    out(:,:,i) = temp;
end

调用

P1 = wmap(S1, S2);
P2 = wmap(S2, S1);

  因为是三通道显示，所以和流程图中有所差异。这样我们就得到了关于各个源图像的粗略权重值。但是由于多个图像间容易产生噪声，并可能存在不完全对齐等问题，很容易造成融合后的图像有伪影等，因此在基于空间连续性的思想下，需要对得到的权重图进行导向滤波。关于导向滤波的最优参数，作者并没有给出，但是不同层的权重图将用不同参数进行滤波，我自己试验的参数如下，这部分将在后面作更多讨论。

%% Guide Filter
eps1 = 0.3^2;
eps2 = 0.03^2;
for i=1:3
    Wb1(:,:,i) = guidedfilter(im1(:,:,i) , P1(:,:,i) , 8, eps1);
    Wb2(:,:,i)  = guidedfilter(im2(:,:,i) , P2(:,:,i) , 8, eps1);

    Wd1(:,:,i)  = guidedfilter(im1(:,:,i) , P1(:,:,i) , 4, eps2);
    Wd2(:,:,i)  = guidedfilter(im2(:,:,i) , P2(:,:,i) , 4, eps2);
end

  到此为止，我们得到了在A步骤中得到的四个图对应的四个权重图，已经可以做最后的融合了。

C. Two-Scale Image Reconstruction（融合重建）

  对两个尺度层分别加权，然后相加就得到了最后的输入。在相加前，将每个像素点的权重之和，归化到1。

Wbmax = Wb1+Wb2;
Wdmax = Wd1+Wd2;
Wb1 = Wb1./Wbmax;
Wb2 = Wb2./Wbmax;
Wd1 = Wd1./Wbmax;
Wd2 = Wd2./Wbmax;

B = B1.*Wb1+B2.*Wb2;
D = D1.*Wd1+D2.*Wd2;
im = B+D;

结果和对比如下：

---

总结

  关于像素显著性和空间连续性。像素显著性是一个建立在梯度域的指标，对于待融合的多幅图像中的某个相同位置的像素，我们认为其中最大值就是最显著的像素值，并为拥有显著值的图像权重设为1，其余为0。通俗地说，对任意一个像素，我们选择一个最佳来源，拥有最大的对比度。但是当存在噪声或者不对齐或者在某处多幅图像恰好相同时，可能会出现多个显著值的情况，例如某个像素点在多幅图像中的值为[0.1 0.3 0.3 0.2]，那么就拥有两个显著值0.3，即两幅图在这个点的权重都为1，这是有问题的。因此，我们考虑空间连续性，即对于这个像素点，它周围的像素点和这个点都有近似的亮度时，才认为这个点的显著值是可靠的。而用原图作为引导图对权重图作导向滤波时，原图表征的是图像的连续性，当某个平滑区域的噪声点拥有1的权重，由于原图中该点周围都是平滑的，因此该权重点也将会被平滑，适当降低。
  从另一个角度讲，我们一开始在得到基层和细节层的时候。基层是用一个31×31的均值滤波器得到的，它的平滑程度是很大了，因此在计算它的权重图的时候，我们也相应给它更大的平滑处理，即采用较大的滤波器和较大的模糊系数。而对于细节层，这是图像融合质量的重要组成部分，我们期望保留更多更精准的细节，因此对细节层我们采取较小的滤波器和较小的模糊系数。

---

更多应用

[留空]

---

下载

Matlab代码  提取码: wemq