# 图像融合算法.rar

• 九月晴空
了解作者
• matlab
开发工具
• 2KB
文件大小
• rar
文件格式
• 0
收藏次数
• 10 积分
下载积分
• 38
下载次数
• 2018-03-24 10:53
上传日期

• 图像融合算法.txt
8KB

% Example 3, Affine registration % Load images clc;clear all; close all; %%%发现只有匹配点对遍布在图像中，匹配效果才会变好 I11=(imread('qa1.bmp'));%红外图像 I22=(imread('qa2.bmp'));%可见光图像 I10=rgb2gray(I11); I20=rgb2gray(I22); I1=imadjust(I10); I2=imadjust(I20); I1=im2double(edge_detection_1(I1)); I2=im2double(edge_detection_1(I2)); %I1 = im2double(edge(I1,'canny')); %I2 = im2double(edge(I2,'canny')); figure,imshow(I1); figure,imshow(I2); % Get the Key Points Options.upright=true; Options.tresh=0.0001; Ipts1=OpenSurf(I1,Options); %1*268 Ipts2=OpenSurf(I2,Options); [html] view plain copy % Put the landmark descriptors in a matrix D1 = reshape([Ipts1.descriptor],64,[]); %64*268 D2 = reshape([Ipts2.descriptor],64,[]); % Find the best matches err=zeros(1,length(Ipts1)); cor1=1:length(Ipts1); cor2=zeros(1,length(Ipts1)); for i=1:length(Ipts1) distance=sum((D2-repmat(D1(:,i),[1 length(Ipts2)])).^2,1);%用D2的每一列分别去见D1的每一列 [err(i),cor2(i)]=min(distance); end % Sort matches on vector distance适量距离排序 [err, ind]=sort(err); cor1=cor1(ind); cor2=cor2(ind); % Make vectors with the coordinates of the best matches Pos1=[[Ipts1(cor1).y]',[Ipts1(cor1).x]']; Pos2=[[Ipts2(cor2).y]',[Ipts2(cor2).x]']; Pos1_1=Pos1; Pos2_1=Pos2; Pos1(:,3)=1; Pos2(:,3)=1;Pos1_1(:,3)=1; Pos2_1(:,3)=1; Pos1=Pos1(1:20,:); Pos2=Pos2(1:20,:); Pos11=zeros(size(Pos1)); Pos22=zeros(size(Pos2)); % Calculate affine matrix for i=1:20 k(i)=Pos2(i,2)/(Pos2(i,1)-Pos1(i,1)); end tic; %% %自适应确定k的范围 positive_num=find(k>0); negative_num=find(k<0); if length(positive_num)>length(negative_num) flag=1 num_err=negative_num; num_correct=positive_num; else flag=0 num_err=positive_num; num_correct=negative_num; end k(num_err)=[]; k_1=round(k); k_2=unique(k_1);%求出k_1有哪些数，剔除重复数据 temp=zeros(length(k_2),2);%第一列存数，第二列存该数的个数%后边还需要对个数排序 for i=1:length(k_2) temp_num=0; temp(i,1)=k_2(i); for j=1:length(k) if temp(i,1)==k_1(j) temp_num=temp_num+1; end end temp(i,2)=temp_num; end %temp [temp1,temp1_location]=sort(temp(:,2),'descend') xu=temp1(2); temp=temp(temp1_location) k_1=zeros(size(1,2)); k_1(1)=temp(1); k_1(2)=temp(2); k_1=sort(k_1,'descend'); k_11=k_1(1,1)+0.5; k_12=k_1(1,1)-0.5; k_21=k_1(1,2)-0.5 k_22=k_1(1,2)+0.5 count=0; for i=1:20 k=Pos2(i,2)/(Pos2(i,1)-Pos1(i,1)); %%%%可不可以把数据归一化 if xu>1 if (k<k_11)&&(k>k_12) || (k<k_22)&&(k>k_21) %{ ||(k<-7.5) &&(k>-8.5)qz加上此更好 %} %%%(k<(temp(1)+0.5))&&(k>(temp(1)-0.5)) 显示点用 count=count+1; Pos11(count,:)=Pos1(i,:); Pos22(count,:)=Pos2(i,:); end else if (k<k_11)&&(k>k_12) count=count+1; Pos11(count,:)=Pos1(i,:); Pos22(count,:)=Pos2(i,:); end end end %% %对重复出现的点进行剔除 [SIZEm,SIZEn]=size(Pos22); num=zeros(1,SIZEm); for i=1:SIZEm for j=1:SIZEm if Pos22(i,1)==Pos22(j,1) num(i)=num(i)+1; end end end error=find(num>1);%错误点的位置 Pos11(error,:)=[]; Pos22(error,:)=[]; error1=find(Pos22(:,1)==0); Pos11(error1,:)=[]; Pos22(error1,:)=[]; M=Pos11'/Pos22'; %%%%初步确定变换矩阵后对所有的初步数据进行遍历，最后再去除错误点（重复出现的、有多余0的） Pos11_1=zeros(size(Pos1_1)); Pos22_1=zeros(size(Pos2_1)); %pos_count=1; for i=21:size(Pos1_1,1) delta=abs(M*Pos2_1(i,:)'-Pos1_1(i,:)'); if delta<[30;30;1] Pos11_1(i,:)= Pos1_1(i,:); Pos22_1(i,:)= Pos2_1(i,:); end end %% [tem_m,tem_n]=size(Pos11);%把最初20个数里得到的几个点拷贝到现在的数组Pos11_1、Pos22_1里 Pos11_1(1:tem_m,:)=Pos11(1:tem_m,:); Pos22_1(1:tem_m,:)=Pos22(1:tem_m,:); [tem_SIZEm,tem_SIZEn]=size(Pos22_1); num=zeros(1,tem_SIZEm); for i=1:tem_SIZEm for j=1:tem_SIZEm if Pos22_1(i,1)==Pos22_1(j,1) num(i)=num(i)+1; end end end error=find(num>1);%错误点的位置 Pos11_1(error,:)=[]; Pos22_1(error,:)=[]; error1=find(Pos22_1(:,1)==0); Pos11_1(error1,:)=[]; Pos22_1(error1,:)=[]; %M=Pos11_1'/Pos22_1' %从前十个比较准确的匹配点对中随机选取三个点对形成M,再类似于RANSAC运算，可靠性优于前者。 TEN1=Pos1_1(1:10,:,:);%红外图像中前10个点 TEN2=Pos2_1(1:10,:,:);%可见光图像中前10个点 for i=1:10 k(i)=(TEN2(i,2)+240-TEN1(i,2))/(TEN2(i,1)-TEN1(i,1)) end if flag==1 TEN_location=find(k<0); TEN1(TEN_location,:,:)=[]; TEN2(TEN_location,:,:)=[]; else TEN_location=find(k>0); TEN1(TEN_location,:,:)=[]; TEN2(TEN_location,:,:)=[]; end %% %上面是把斜率为负的一些点先排除掉 得到TEN1和TEN2两组纯点对 TEN1_num=size(TEN1,1); TEN_COUNT1=0; TEN_COUNT2=0; pp=0; for i=1:TEN1_num for j=1:TEN1_num for k=1:TEN1_num if (i>=j)||(i>=k)||(j>=k) continue; end pp=pp+1; temp_TEN1=TEN1([i j k],:,:);%随机取的三个点 temp_TEN2=TEN2([i j k],:,:); temp_M= temp_TEN1'* pinv (temp_TEN2' ); %temp_TEN1'/temp_TEN2'; %% %对上面求得数据进行遍历 TEN_COUNT2=0; for v=1:size(Pos11_1,1) alpha=abs(temp_M*Pos22_1(v,:,:)'-Pos11_1(v,:,:)'); if (alpha<[2;2;1]) TEN_COUNT2=TEN_COUNT2+1; end end %% if (TEN_COUNT2>=TEN_COUNT1) TEN_COUNT1=TEN_COUNT2; best_i=i; best_j=j; best_k=k; end end end end %TEN_COUNT1 %best_i %best_j %best_k %pp w1_1=zeros(size(Pos11_1)); w1_2=zeros(size(Pos11_1)); temp_TEN1=TEN1([best_i best_j best_k],:,:); temp_TEN2=TEN2([best_i best_j best_k],:,:); M=temp_TEN1'/temp_TEN2'; w1_1(1:3,:,:)=TEN1([best_i best_j best_k],:,:); w1_2(1:3,:,:)=TEN2([best_i best_j best_k],:,:); count=4; for i=1:size(Pos11_1,1) alpha=abs(M*Pos22_1(i,:,:)'-Pos11_1(i,:,:)'); if (alpha<[2;2;1]) w1_1(count,:,:)=Pos11_1(i,:,:); w1_2(count,:,:)=Pos22_1(i,:,:); count=count+1; end end toc; M=w1_1'/w1_2'; u=find(w1_1(:,1,1)==0); w1_1=w1_1(1:u(1)-1,:); w1_2=w1_2(1:u(1)-1,:); w1_3=(M*w1_2')'; RMSE_1=0; for i=1:size(w1_1,1) RMSE_1=RMSE_1+((w1_1(i,1)-w1_3(i,1))^2)+((w1_1(i,2)-w1_3(i,2))^2); end RMSE=sqrt(RMSE_1/(u(1)-1)) %RMSE=sqrt(RMSE_1/size(w1_1,1)) % Show both images 图像需要一样大 I = zeros([size(I11,1) size(I11,2)*2 size(I11,3)]); I(:,1:size(I11,2),:)=I11; I(:,size(I11,2)+1:size(I11,2)+size(I22,2),:)=I22; figure, imshow(rgb2gray(uint8(I))); hold on; % Show the best matches plot([w1_1(:,2) w1_2(:,2)+size(I1,2)]',[w1_1(:,1) w1_2(:,1)]','-'); plot([w1_1(:,2) w1_2(:,2)+size(I1,2)]',[w1_1(:,1) w1_2(:,1)]','o'); % Warp the image I1_warped=affine_warp(I11,M,'bicubic'); %I1_warped=affine_warp1(I10,M); % Show the result figure, subplot(2,2,1), imshow(rgb2gray(I11));title('红外图像'); subplot(2,2,2), imshow(rgb2gray(I22));title('可见光图像'); subplot(2,2,3), imshow(rgb2gray(uint8(I1_warped)));title('配准后图像'); subplot(2,2,4),imshow(rgb2gray(0.5*I22+0.5*uint8(I1_warped)));title('融合图像');

相关推荐
• Research--infrared-and-visible-light.rar
首先简述了图像配准 的一般方法,分为基于图像区域的配准方法和基于图像特征的配准方法, 重点述评了局部不变 特征方法中的 SI FT算法和 SURF算法
• 2019（核）粒子滤波目标跟踪算法综述_昝孟恩.rar
2019年的核心期刊，关于粒子滤波的各种改进，重采样，交互多模型，自适应等方面
• （MATLAB版代码）红外与可见光图像配准算法
然后通过SURF算法提取两幅边缘图像的特征点，根据正确的匹配点对之间斜率一致性的先验知识，进行特征点匹配；最后通过最小二乘法求得仿射变换模型参数并实现两幅图像的配准。资源为该算法的MATLAB版本，其中main.m是...
• 深度学习在视频目标跟踪中的应用进展与展望.rar
重点介绍了目前发展迅猛的深度学习方法, 包括堆叠自编码器、卷积神经网络等在视频目标跟踪中的最新具体应用情况并进行了深入分析与总结. 最后对深度学习方法在视频目标跟踪中的未来应用与发展方向进行了展望.
• codesforimageprocessing.rar
实现简单图像处理，包括256色转灰度图、Hough变换、Walsh变换、中值滤波、二值化变换、亮度增减、傅立叶变换、反色、取对数、取指数、图像平移、图像旋转、图像细化、图像缩放、图像镜像、均值滤波、对比度拉伸、拉普拉斯锐化（边缘检测）、方块编码、梯度锐化、灰度均衡、直方图均衡、离散余弦变换、维纳滤波处理、逆滤波处理、阈值变换、高斯平滑。
• matlab.rar
基于MATLAB-GUI图形界面的数字图像处理软件 本系统设计基于GUI图形界面，用matlab语言编写代码，实现功能包括图象的读取、存储、显示、直方图均衡化、阈值化、小波分解、小波重构、加噪、去噪、平滑、锐化、边缘检测、图像分割等
• OPENCV_SIFT_VC6.rar
基于OPENCV的SIFT特征提取与匹配算法。包含完整的从图像高斯金字塔、DOG、空间极值点提取、关键点描述、KDtree匹配等关键步骤的全部函数实现，对全面深入理解Lowe的SIFT算法有莫大帮助。程序运行前须安装（1）OpenCV: http://opencvlibrary.sourceforge.net （2）SIFT: http://web.engr.oregonstate.edu/~hess/index.html，并配置其环境参数。
• MATLAB_code_of_image_processing.rar
该gui函数基本上包括图像处理里面的最基本处理，相当于一个小型photoshop。比如读取文件，几何变换中的垂直镜像，平移，旋转，缩放；正交变换的DFT，FFT，DCT，DST，DHT，DWashT；灰度处理中的反色，直方图均衡，全局线性变换，分段线性变换，指数非线性变换，对数非线性变换；图像增强里面的加噪声，平滑，锐化，伪彩色增强；图像分割里面的灰度阈值法，Robert，Laplace，sobel，prewitt，canny算子边缘检测法；图像恢复里面的直接逆滤波，维纳滤波；图像编码里面的霍夫曼编码，行程编码等等
• bianyuan_jiance_bijiao.rar
用六种算子(分别是gabor、拉普拉斯、priwitt、robert、sobel、wallis),对三种图象进行边缘检测比较，强烈推荐哦，是本人的毕业设计中的关键程序
• 一维和二维小波变换的VC实现.rar
小波算法在vc的具体实现.小波算法在图像处理,视频压缩,特征提取等领域有广泛应用,程序以灰度图像为数据分别演示了一维和二维小波变换,希望对大家有所帮助.谢谢!