1 简介
图像融合(Image Fusion)该技术是一种结合图像处理、传感器技术、计算机科学和信号处理等学科的多学科高科技现代技术，是可视化数据集成的重要技术分支。图像集成是通过处理特定算法中的两个或两个以上的图像来获得图像的过程。该过程不仅可以获得多个图像之间的互补特征信息，而且可以避免传统单一图像在光谱信息、空间分辨率、几何信息等方面的差异和局限性。因此，图像集成技术可以更准确、全面、可靠地描述场景或目标信息，提高图像感知空间的能力，提高图像目标检测和识别的准确性，促进图像的进一步分析和处理，更有利于机器视觉和人类视觉处理。
图像融合的目的是提取、保留和合并多源图像的互补重要信息，获得图像。
然而，在空间域中简单地加权平均算法集成源图像的灰度像素值并不能获得令人满意的集成结果。这种简单的加权平均算法不仅可以很好地分析源图像的特征细节来保留、提取和集成，而且还可以降低集成结果的对比度[14]。此外，物体在现实世界中具有不同空间范围尺度的特征。近距离观察物体可以看到物体的纹理、组成等小尺度微结果，而远距离观察物体可以看到物体的形状、轮廓等大尺度宏观特征。因此，需要在适当的尺度下理解和识别目标。在机器视觉中，像素级图像信息处理仅停留在数据处理层面。在视觉处理方面，图像特征在现实中需要多尺度的提取和处理。不同的目标在图像中有不同的尺度，因此无法制定一个尺度来处理图像尺度分析处理图像更符合现实。图像多尺度融合技术与人类从轮廓到细节的视觉感知和理解过程一致，因此更容易获得良好的图像融合质量。该技术一直是图像融合领域的研究重点。为了深入分析不同分辨率级别的源图像信息，采用特定算法保留和合并不同分辨率级别的信息，以获得集成图像。金字塔变换等多尺度分析方法的出现，使图像融合多尺度技术出现。多尺度分解技术是一种分析不同分辨率和尺度图像的方法，可以分解不同分辨率、不同尺度的高频信息和低频信息。多尺度分解技术在图像处理和图像表示领域具有重要优势。
1.图像多尺度分解技术符合客观世界中描述物体的状态。
2.多尺度表示方法具有不同分辨率处理图像空间特征的特点，与人类不同
视觉信号的视觉特征系统在通道的不同尺度上是一致的。
3.多尺度分解技术可以处理图像信号，获得适合人类视觉对比的信息，符合人类的要求
视觉对图像对比度敏感.
20世纪90时代，美国学者Huang[39]基于经验模态的分解方法首次在国际学术会议上提出，主要用于研究一维时间信号序列。EMD作为时频局部自适应性信号
通过一维分析分解工具，可以对非稳态和非线性信号进行多尺度分析EMD从高频到高频高频到
多个低频有限IMF。其中，IMF获取函数的过程简称筛选过程。2000年初期，
Nunes[61]提出了BEMD，EMD径向基函数基于数学形态学
（
Radial Basis Function RBF
，
)和形态重建算子提出二维EMD二维图像信号的筛分过程。这是真正的二维体验模态分解。通过二维EMD将不同尺度的二维图像信号自适应地分解为高频分量(多个细节)IMF分量）和低频分量（残量）组成之和，并对对图像纹理的独特性质进行了分析。不同的IMF代表原图像各尺度的细节，单个残余分量为图像的整体轮廓。二维EMD同一维度的分解过程EMD类似地，首先，假设二维图像信号至少有一个非常小和非常大的值，或者整个信号完全没有极端值，但可以通过一个非常小的值和一个非常大的值通过数据获取一个阶和多个阶操作索引。二维图像信号EMD简单的分解流程图如下图所示。
2 部分代码
%The code to generate synthetic texture images in paperclc, close allf1 = 0.08f2 = 0.02n = 0:199;mask = mat2gray(normpdf(1:200, 100, 80));s1 = sin(2*pi*f1*n rand()*pi) sin(2*pi*f2*n rand()*pi) sin(2*pi*f3*n rand()*pi);text1 = repmat(s1, 200, 1) repmat(s1', 1, 200);text1 = mat2gray(text1);s2 = sin(2*pi*f2*n rand()*pi) sin(2*pi*f1*n rand()*pi);text2 = repmat(s2, 200, 1) repmat(s2', 1, 200);text2 = mat2gray(text2);%figure, imshow(text2)s3 = sin(2*pi*f1*n rand()*pi) sin(2*pi*f2*n rand()*pi);text3 = repmat(s3, 200, 1) repmat(s3', 1, 200);text3 = mat2gray(text3);mask = repmat(normpdf(1:200, 100, 80), 200, 1) repmat(normpdf(1:200, 100, 80)', 1, 200);syn1 = mat2gray(text1);syn2 = mat2gray(text2 sqrt(0.006)*randn(200,200));syn3 = mat2gray(text3 sqrt(0.006)*randn(200,200));% final multi-channelfinal = zeros(200, 200, 3);final(:，1) = syn1;final(:，2) = syn2;final(:，3) = syn3;figuresubplot(2,3,1), imshow(syn1)subplot(2,3,2), imshow(syn2)subplot(2,3,3), imshow(syn3)save('texture_syn.mat', 'final')
3 仿真结果
4 参考文献
[1] N. Rehman and D. P. Mandic,, "Multivariate empirical mode decomposition," Proc. R. Soc. A, vol.466, no. 2117, pp. 1291-1302, 2010.
[2] T. Tanaka and D. P. Mandic, “Complex empirical mode decomposition,” IEEE Signal Process. Lett., vol. 14, no. 2, pp. 101–104, Feb. 2007.
[3] G. Rilling, P. Flandrin, P. Gonalves, and J. M. Lilly, “Bivariate empirical mode decomposition,” IEEE Signal Process. Lett., vol. 14, no.12, pp. 936–939, Dec. 2007.
[4] N. Rehman and D. P. Mandic, “Empirical mode decomposition for trivariate signals,” IEEE Trans. Signal Process., vol. 58, no. 3, pp. 1059–1068, Mar. 2010.
[5] J. C. Nunes, S. Guyot, and E. Delechelle, “Texture analysis based on local analysis of the bidimensional empirical mode decomposition,” Mach. Vis. Appl., vol. 16, no. 3, pp. 177–188, May 2005.
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、无人机等领域Matlab仿真，相关matlab私信可以交换代码问题。
如些理论引用网络文献，如有侵权联系博主删除。