简介适用于信号处理与图像分析的双树复小波变换 MATLAB 工具箱 dtcwt_toolbox4_3可为图像融合、边缘纹理分离等多尺度分析提供近似平移不变性与方向选择性相比传统小波能更好保留细节、减少信息损失适合遥感、医学影像及计算机视觉方向的学生与工程师使用。资源包共45个文件以30个m脚本为主辅以11个mat数据、3个asv备份和1个txt说明m文件实现正/逆变换、滤波、重构等核心操作mat文件提供测试图像与滤波器参数txt为使用说明压缩后仅83KB轻量易部署目前已有371人学习下载。通过学习该工具箱可直接调用函数完成一维与二维DT-CWT计算结合示例脚本理解q-shift滤波器组设计与子带系数提取lenna等测试数据便于快速验证算法是一套适合图像融合研究的基础工具。1. 双树复小波变换是什么图像融合为什么从 DWT 换到 DTCWT做多聚焦图像融合时很多人第一反应是上小波但对着一组前景清晰、背景模糊的照片经典离散小波变换DWT往往会在物体边缘融出振铃和重影。瓶颈不在融合规则而在基函数本身DWT 对微小的像素移位异常敏感高频方向又只有水平、垂直和混合对角线三个表达不了真实图像里大量的倾斜边缘。双树复小波变换DTCWT用两棵滤波器树构造解析复小波把方向选择性扩到六个同时把移位敏感性压到接近零所以在图像融合、医学图像融合这类任务里DTCWT 替换 DWT 是常见的升级路径。dtcwt_toolbox4_3 是这套算法流传很广的 MATLAB 实现前端用 dtwavexfm2 分解、dtwaveifm2 重构中间塞入不同的系数融合规则就能出结果。这篇博文从原理讲到最小复现流程再落到融合规则和调参指标适合正在搭融合实验、想替掉 DWT 基线的工程师和学生直接照做。2. 从 DWT 到 DTCWT移位敏感与方向缺失背后的双树设计2.1 DWT 的三个短板为什么融合结果总出现伪影还是先看 DWT 在融合任务里的失败现场。对两张同一场景的多聚焦图像做小波分解每级产生 LL、LH、HL、HH 四组子带然后按“低频取平均、高频取模大者”的规则融合。这套流程看似顺理成章结果却在物体边缘出现重影。第一个短板是移位敏感性。DWT 每一级都要隔点抽样图像只要平移一个像素各尺度的系数能量分布就可能大幅跳变。高频系数比较规则选出的“更锐利”像素在空间上不一定与另一幅图对应边缘自然抖动。可以用一段几行的代码直观看到这个现象% 演示 DWT 的移位敏感图像平移一个像素后高频子带能量剧烈变化 x double(imread(cameraman.tif)); xs circshift(x, [1 0]); [~, h1] dwt2(x, db2); [~, hs] dwt2(xs, db2); fprintf(高频系数相对变化: %.2f%%\n, ... norm(h1 - hs, fro) / norm(h1, fro) * 100);说明dwt2 是 MATLAB 自带的二维 DWT第二个输出是水平细节子带。图像只向下平移一行高频系数的整体能量就可能变化 20% 以上。这个“一个像素引起系数跳变”的性质是所有依赖系数比较的融合规则最大的隐忧。第二个短板是方向选择性太弱。二维 DWT 的高频方向只有水平、垂直和混合对角线三个HH 子带虽然叫对角方向实际是 ±45° 两个方向叠在一起的混合结果无法区分。真实图像里大量纹理是 15°、75° 这类任意角度DWT 没有独立子带去承接它们。第三个短板是抽样带来的非平移不变。隔点抽样让系数模长无法稳定地反映局部特征强度而绝大多数融合规则恰恰依赖“谁的系数能量大就选谁”。三条短板叠加结论很清楚DWT 做融合的瓶颈往往不在规则设计而在基函数表示能力本身。2.2 双树结构如何补上这两块短板DTCWT 的思路是给“小波的相位”一个明确的载体。双树结构里两组并联的滤波器组同时对行和列滤波a 树输出作为复小波的实部b 树输出作为虚部。关键在两棵树的抽样位置错开半个采样周期使 b 树滤波器近似为 a 树的希尔伯特变换最终构成解析小波。解析小波带来的直接收益是系数模长近似平移不变。实部虚部合起来构成一个包络图像平移时实部和虚部各自变化但 |a i·b| 保持稳定。融合规则只要比较模值就不受采样位置牵制这与 DWT 形成本质区别。二维实现把复小波过程分别应用到行和列于是产生六个方向性极强的高频子带±15°、±45°、±75°。相比 DWT 的三个方向多出的方向正好覆盖真实图像的倾斜边缘。2D DTCWT 的冗余度约 4:1数据量增幅不大却换来两个融合任务最看重的性质。这也是为什么很多公开发表的图像融合论文拿 DTCWT 当基线再往上叠加 PCNN、引导滤波或显著性模型。2.3 dtcwt_toolbox4_3 的组成与调用关系dtcwt_toolbox4_3 是这套算法在 MATLAB 里的经典实现目录里核心文件按功能分几类二维正变换 dtwavexfm2、二维逆变换 dtwaveifm2一维版本 dtwavexfm 与 dtwaveifm把复数系数拆成六个方向实数通道的 cplxreal2以及若干滤波器定义文件。开箱体验是正变换输出一个低频矩阵 Yl 和一个元胞数组 Yh逆变换原样接收它们就能重建。版本号里的 4_3 指发布代次2 表示二维。年代较早好处是接口简单、依赖少坏处是在新版 MATLAB 上偶有兼容问题第五章会给出对策。拿到手后先别急着融合先把正逆变换这条链路验证通。3. 用 dtcwt_toolbox4_3 跑通双树复小波变换的最小 MATLAB 流程3.1 环境准备路径添加与函数确认解压后第一步是把工具箱目录加入 MATLAB 搜索路径。常见做法是放进一个固定的工具箱目录再用 addpath 添加并保存避免下次启动失效addpath(D:\tools\dtcwt_toolbox4_3); savepath;然后确认两个关键函数被识别which dtwavexfm2 which dtwaveifm2两个命令都返回完整路径说明环境就绪。如果报 Undefined function先查 addpath 路径是否写到了包含 dtwavexfm2.m 的那一层而不是外层目录。另外不要在解压目录里直接双击运行脚本而不添加路径MATLAB 当前文件夹机制有时会漏掉子目录导致找不到滤波器定义文件。3.2 最小正变换与逆变换先做一次往返重建拿到工具箱的第一件事不是做融合而是验证正逆变换能闭环。用 cameraman 或任意灰度图跑一次往返测试x double(imread(cameraman.tif)) / 255; % 归一化到 [0,1] nlevels 4; biort near_sym_a; % 一阶滤波器组支撑短、相位近似线性 qshift qshift_a; % 四阶 q-shift 滤波器组 [Yl, Yh] dtwavexfm2(x, nlevels, biort, qshift); xr dtwaveifm2(Yl, Yh, biort, qshift); fprintf(重建最大误差: %e\n, max(abs(x(:) - xr(:))));逻辑说明dtwavexfm2 的第三、四个参数分别是 biort 和 qshift 两个滤波器组的名称正变换与逆变换必须使用完全相同的名称否则重建结果直接错乱。Yl 是最后一层低频逼近尺寸约是原图的 1/16Yh 是元胞数组Yh{1} 对应尺度 1 的高频Yh{nlevels} 对应最粗尺度。重建最大误差通常在 1e-10 量级如果误差接近 1先检查归一化是否做了、滤波器名称是否匹配。提示正逆变换的 biort、qshift 参数必须完全一致这是整个工具箱使用中最容易被忽视的前提。3.3 读懂 Yl 与 Yh系数结构与方向展开往返测试通过后把系数结构打印出来就能直观理解每层大小disp(size(Yl)); for j 1:nlevels fprintf(level %d: %d x %d, complex\n, j, size(Yh{j},1), size(Yh{j},2)); end Z cplxreal2(Yh{2}); % 把第 2 层复数系数展开成六个方向 disp(size(Z)); % 列数变为原输入的 6 倍Yh{j} 是复数矩阵行数对应高频系数尺寸。六个方向的信息按列方向拼接直接看实数矩阵分辨不出方向。cplxreal2 的输出是实数矩阵列数变为原来的 6 倍每 6 个分块按 ±15°、±45°、±75° 的顺序对应一个方向。调试“哪个方向的系数被融合规则选中”时把 Z 的每个分块单独送到逆变换就能还原出那个方向上的边缘纹理。biort 和 qshift 的选择直接影响系数质量常用组合如下表biort特点适用场景near_sym_a支撑短、线性相位近似好默认首选图像视频通用near_sym_b与 a 阻带特性略不同做滤波器对比实验时用antonini9/7 风格JPEG2000 同源纹理密集的自然图像legall5/3 风格实现简单快速验证、教学演示qshift 一般选 qshift_a若发现重建误差偏大或方向响应不干净换 qshift_b 或 qshift_c 再跑一次往返测试。记住一个原则滤波器选型不是拍脑袋用往返重建误差来量化这事第五章会展开。4. 基于 DTCWT 的图像融合低频与高频系数的融合规则实现4.1 三段式融合框架DTCWT 图像融合与 DWT 一样遵循“分解—规则—重构”三段式对输入图像分别做正变换按设计规则融合低频与高频系数再用逆变换得到融合图。区别在于 DTCWT 的高频系数是复数规则需要决定用模比较、实部比较还是窗口能量比较。下面给出一份可直接运行的最小实现再拆解每段的理由。4.2 低频融合均值、固定加权与窗口能量低频子带 Yl 代表图像的近似内容包含整体亮度与平滑区域。最简单的低频融合是取平均适合两幅图光照一致的场景。若存在局部亮度差异改用窗口能量加权更稳。局部能量定义为窗口内系数平方的均值function W local_energy(x, win) k ones(win, win) / (win * win); % 归一化窗口核 W conv2(x .* x, k, same); % 系数平方的局部均值 end三种低频规则对比如下规则计算公式适用场景均值(YlA YlB) / 2光照一致速度最快固定加权w * YlA (1-w) * YlB已知某一图整体更可靠窗口能量加权EA/(EAEB) 加权局部亮度差异明显参数说明win 是窗口边长3 是经验起点窗口越大能量图越平滑但会把细小的局部差异抹平。常规融合实验从均值开始确认框架无误后再换窗口能量加权。4.3 高频融合模极大值与窗口模能量高频部分承载边缘、纹理等细节。dtcwt_toolbox4_3 的高频系数是复数模值近似平移不变所以最常用的规则是逐像素比较两幅图的模极大值。完整融合函数如下function F dtcwt_fuse(A, B, nlevels, biort, qshift, win) if nargin 6, win 3; end [YlA, YhA] dtwavexfm2(A, nlevels, biort, qshift); [YlB, YhB] dtwavexfm2(B, nlevels, biort, qshift); % 低频取平均系数范围保持稳定不易产生亮度偏移 YlF 0.5 * (YlA YlB); % 高频每个尺度独立做窗口模能量比较 YhF cell(1, nlevels); for j 1:nlevels magA abs(YhA{j}); % 复系数模近似平移不变 magB abs(YhB{j}); EA conv2(magA.^2, ones(win)/(win*win), same); EB conv2(magB.^2, ones(win)/(win*win), same); mask EA EB; % 逻辑决策图1 表示选 A YhF{j} YhA{j} .* mask YhB{j} .* (~mask); end F dtwaveifm2(YlF, YhF, biort, qshift); F max(min(F, 1), 0); % 数值安全裁剪 end调用方式A im2double(imread(focus_left.png)); B im2double(imread(focus_right.png)); F dtcwt_fuse(A, B, 4, near_sym_a, qshift_a, 3); imwrite(F, fused.png);参数说明mask 是逐元素的逻辑决策图决定每个位置保留哪棵树的复数系数。关键点在于保留的是完整的复数系数而不是模值这样相位信息不丢失逆变换才能还原出干净边缘。win 控制决策图平滑度想看到更锐利的融合边界就把 win 设为 1想抑制细碎噪声就加大到 5。医学图像融合场景里CT 与 MRI 的融合同样吃这套框架低频用固定加权比如 CT 权重 0.6、MRI 权重 0.4高频维持模极大值得到的融合图在骨骼边缘与软组织纹理上都能保持清晰这是 DWT 方案很难同时做到的。4.4 常见误用对复数系数取 abs 再重构最容易犯的错误是把 YhF{j} 写成 abs(YhA{j}) 或直接传给逆变换。abs 会把相位信息全部丢光重构图像会出现方向性振铃看起来像几十条细线叠在一起。记住一条铁律凡是送给 dtwaveifm2 的高频系数必须是模极大值选择出的原始复数系数中间不能经过 abs、real、imag 单独处理。5. 融合指标与参数调优dtcwt_toolbox4_3 的三个坑和验证技巧5.1 四个常用评价指标怎么算融合质量不能只靠肉眼至少看四个量信息熵衡量信息量空间频率反映清晰度互信息度量源图信息保留程度QAB/F 反映边缘信息保留率。前两个几行代码就能算q uint8(round(F * 255)); % 回到 8bit 再统计 p histcounts(q(:), 0:256) / numel(q); p(p 0) []; entropy_val -sum(p .* log2(p)); % 信息熵越大越丰富 gx diff(q, 1, 2); gy diff(q, 1, 1); sf sqrt(mean(double(gx(:)).^2) mean(double(gy(:)).^2)); % 空间频率逻辑说明熵和空间频率都是单图指标熵越高说明融合图携带的信息越多空间频率越高说明纹理细节越丰富。互信息和 QAB/F 需要同时输入源图与融合图QAB/F 按方向梯度逐像素统计边缘保留量实现较长通常直接用公开脚本计算自己写时注意梯度方向要覆盖八个方向。5.2 三个必踩的坑坑一是分解层数与边界。4 层适合 256×256 以上的图像小图强行分解 6 层会让 Yl 小到只剩几个像素低频信息过度压缩融合结果整体发灰。工具箱默认的边界延拓是镜子反射不要为了省事改成零填充否则边缘会引入虚假系数。坑二是数据范围。uint8 直接进变换滤波器卷积会产生几十倍量级的系数融合后回写 uint8 时容易整体偏暗或过曝。正确做法是先用 im2double 归一化到 [0,1]融合完再用 uint8(round(F*255)) 回写。坑三是新版 MATLAB 兼容性。dtcwt_toolbox4_3 年代较早在 R2020 以后多数版本还能整体运行万一报出结构体字段或旧接口错误通常是因为调用了被移除的内部函数常见处理是换成接口兼容的后续版本dtwavexfm2、dtwaveifm2 这两个函数名保持不变融合代码几乎不用改。5.3 一个调参技巧用自重建误差选滤波器选 biort 和 qshift 不要凭感觉。把每个候选组合都跑一次正逆往返记录重建最大误差和耗时误差最小且耗时可控的组合就是当前数据上最稳的基。把这段往返测试和指标计算写成一个 dtcwt_validate.m每次换数据集先跑一遍再决定要不要动滤波器参数。对大多数灰度图像near_sym_a 加 qshift_a 是默认答案若图像纹理细密试试 antonini 加 qshift_b 的组合融合边缘的连续性通常会更好。参数、指标、验证脚本三者固定下来融合实验的调参就有据可依了。本文还有配套的精品资源点击获取
双树复小波变换图像融合：原理、MATLAB实现与调参实践
简介适用于信号处理与图像分析的双树复小波变换 MATLAB 工具箱 dtcwt_toolbox4_3可为图像融合、边缘纹理分离等多尺度分析提供近似平移不变性与方向选择性相比传统小波能更好保留细节、减少信息损失适合遥感、医学影像及计算机视觉方向的学生与工程师使用。资源包共45个文件以30个m脚本为主辅以11个mat数据、3个asv备份和1个txt说明m文件实现正/逆变换、滤波、重构等核心操作mat文件提供测试图像与滤波器参数txt为使用说明压缩后仅83KB轻量易部署目前已有371人学习下载。通过学习该工具箱可直接调用函数完成一维与二维DT-CWT计算结合示例脚本理解q-shift滤波器组设计与子带系数提取lenna等测试数据便于快速验证算法是一套适合图像融合研究的基础工具。1. 双树复小波变换是什么图像融合为什么从 DWT 换到 DTCWT做多聚焦图像融合时很多人第一反应是上小波但对着一组前景清晰、背景模糊的照片经典离散小波变换DWT往往会在物体边缘融出振铃和重影。瓶颈不在融合规则而在基函数本身DWT 对微小的像素移位异常敏感高频方向又只有水平、垂直和混合对角线三个表达不了真实图像里大量的倾斜边缘。双树复小波变换DTCWT用两棵滤波器树构造解析复小波把方向选择性扩到六个同时把移位敏感性压到接近零所以在图像融合、医学图像融合这类任务里DTCWT 替换 DWT 是常见的升级路径。dtcwt_toolbox4_3 是这套算法流传很广的 MATLAB 实现前端用 dtwavexfm2 分解、dtwaveifm2 重构中间塞入不同的系数融合规则就能出结果。这篇博文从原理讲到最小复现流程再落到融合规则和调参指标适合正在搭融合实验、想替掉 DWT 基线的工程师和学生直接照做。2. 从 DWT 到 DTCWT移位敏感与方向缺失背后的双树设计2.1 DWT 的三个短板为什么融合结果总出现伪影还是先看 DWT 在融合任务里的失败现场。对两张同一场景的多聚焦图像做小波分解每级产生 LL、LH、HL、HH 四组子带然后按“低频取平均、高频取模大者”的规则融合。这套流程看似顺理成章结果却在物体边缘出现重影。第一个短板是移位敏感性。DWT 每一级都要隔点抽样图像只要平移一个像素各尺度的系数能量分布就可能大幅跳变。高频系数比较规则选出的“更锐利”像素在空间上不一定与另一幅图对应边缘自然抖动。可以用一段几行的代码直观看到这个现象% 演示 DWT 的移位敏感图像平移一个像素后高频子带能量剧烈变化 x double(imread(cameraman.tif)); xs circshift(x, [1 0]); [~, h1] dwt2(x, db2); [~, hs] dwt2(xs, db2); fprintf(高频系数相对变化: %.2f%%\n, ... norm(h1 - hs, fro) / norm(h1, fro) * 100);说明dwt2 是 MATLAB 自带的二维 DWT第二个输出是水平细节子带。图像只向下平移一行高频系数的整体能量就可能变化 20% 以上。这个“一个像素引起系数跳变”的性质是所有依赖系数比较的融合规则最大的隐忧。第二个短板是方向选择性太弱。二维 DWT 的高频方向只有水平、垂直和混合对角线三个HH 子带虽然叫对角方向实际是 ±45° 两个方向叠在一起的混合结果无法区分。真实图像里大量纹理是 15°、75° 这类任意角度DWT 没有独立子带去承接它们。第三个短板是抽样带来的非平移不变。隔点抽样让系数模长无法稳定地反映局部特征强度而绝大多数融合规则恰恰依赖“谁的系数能量大就选谁”。三条短板叠加结论很清楚DWT 做融合的瓶颈往往不在规则设计而在基函数表示能力本身。2.2 双树结构如何补上这两块短板DTCWT 的思路是给“小波的相位”一个明确的载体。双树结构里两组并联的滤波器组同时对行和列滤波a 树输出作为复小波的实部b 树输出作为虚部。关键在两棵树的抽样位置错开半个采样周期使 b 树滤波器近似为 a 树的希尔伯特变换最终构成解析小波。解析小波带来的直接收益是系数模长近似平移不变。实部虚部合起来构成一个包络图像平移时实部和虚部各自变化但 |a i·b| 保持稳定。融合规则只要比较模值就不受采样位置牵制这与 DWT 形成本质区别。二维实现把复小波过程分别应用到行和列于是产生六个方向性极强的高频子带±15°、±45°、±75°。相比 DWT 的三个方向多出的方向正好覆盖真实图像的倾斜边缘。2D DTCWT 的冗余度约 4:1数据量增幅不大却换来两个融合任务最看重的性质。这也是为什么很多公开发表的图像融合论文拿 DTCWT 当基线再往上叠加 PCNN、引导滤波或显著性模型。2.3 dtcwt_toolbox4_3 的组成与调用关系dtcwt_toolbox4_3 是这套算法在 MATLAB 里的经典实现目录里核心文件按功能分几类二维正变换 dtwavexfm2、二维逆变换 dtwaveifm2一维版本 dtwavexfm 与 dtwaveifm把复数系数拆成六个方向实数通道的 cplxreal2以及若干滤波器定义文件。开箱体验是正变换输出一个低频矩阵 Yl 和一个元胞数组 Yh逆变换原样接收它们就能重建。版本号里的 4_3 指发布代次2 表示二维。年代较早好处是接口简单、依赖少坏处是在新版 MATLAB 上偶有兼容问题第五章会给出对策。拿到手后先别急着融合先把正逆变换这条链路验证通。3. 用 dtcwt_toolbox4_3 跑通双树复小波变换的最小 MATLAB 流程3.1 环境准备路径添加与函数确认解压后第一步是把工具箱目录加入 MATLAB 搜索路径。常见做法是放进一个固定的工具箱目录再用 addpath 添加并保存避免下次启动失效addpath(D:\tools\dtcwt_toolbox4_3); savepath;然后确认两个关键函数被识别which dtwavexfm2 which dtwaveifm2两个命令都返回完整路径说明环境就绪。如果报 Undefined function先查 addpath 路径是否写到了包含 dtwavexfm2.m 的那一层而不是外层目录。另外不要在解压目录里直接双击运行脚本而不添加路径MATLAB 当前文件夹机制有时会漏掉子目录导致找不到滤波器定义文件。3.2 最小正变换与逆变换先做一次往返重建拿到工具箱的第一件事不是做融合而是验证正逆变换能闭环。用 cameraman 或任意灰度图跑一次往返测试x double(imread(cameraman.tif)) / 255; % 归一化到 [0,1] nlevels 4; biort near_sym_a; % 一阶滤波器组支撑短、相位近似线性 qshift qshift_a; % 四阶 q-shift 滤波器组 [Yl, Yh] dtwavexfm2(x, nlevels, biort, qshift); xr dtwaveifm2(Yl, Yh, biort, qshift); fprintf(重建最大误差: %e\n, max(abs(x(:) - xr(:))));逻辑说明dtwavexfm2 的第三、四个参数分别是 biort 和 qshift 两个滤波器组的名称正变换与逆变换必须使用完全相同的名称否则重建结果直接错乱。Yl 是最后一层低频逼近尺寸约是原图的 1/16Yh 是元胞数组Yh{1} 对应尺度 1 的高频Yh{nlevels} 对应最粗尺度。重建最大误差通常在 1e-10 量级如果误差接近 1先检查归一化是否做了、滤波器名称是否匹配。提示正逆变换的 biort、qshift 参数必须完全一致这是整个工具箱使用中最容易被忽视的前提。3.3 读懂 Yl 与 Yh系数结构与方向展开往返测试通过后把系数结构打印出来就能直观理解每层大小disp(size(Yl)); for j 1:nlevels fprintf(level %d: %d x %d, complex\n, j, size(Yh{j},1), size(Yh{j},2)); end Z cplxreal2(Yh{2}); % 把第 2 层复数系数展开成六个方向 disp(size(Z)); % 列数变为原输入的 6 倍Yh{j} 是复数矩阵行数对应高频系数尺寸。六个方向的信息按列方向拼接直接看实数矩阵分辨不出方向。cplxreal2 的输出是实数矩阵列数变为原来的 6 倍每 6 个分块按 ±15°、±45°、±75° 的顺序对应一个方向。调试“哪个方向的系数被融合规则选中”时把 Z 的每个分块单独送到逆变换就能还原出那个方向上的边缘纹理。biort 和 qshift 的选择直接影响系数质量常用组合如下表biort特点适用场景near_sym_a支撑短、线性相位近似好默认首选图像视频通用near_sym_b与 a 阻带特性略不同做滤波器对比实验时用antonini9/7 风格JPEG2000 同源纹理密集的自然图像legall5/3 风格实现简单快速验证、教学演示qshift 一般选 qshift_a若发现重建误差偏大或方向响应不干净换 qshift_b 或 qshift_c 再跑一次往返测试。记住一个原则滤波器选型不是拍脑袋用往返重建误差来量化这事第五章会展开。4. 基于 DTCWT 的图像融合低频与高频系数的融合规则实现4.1 三段式融合框架DTCWT 图像融合与 DWT 一样遵循“分解—规则—重构”三段式对输入图像分别做正变换按设计规则融合低频与高频系数再用逆变换得到融合图。区别在于 DTCWT 的高频系数是复数规则需要决定用模比较、实部比较还是窗口能量比较。下面给出一份可直接运行的最小实现再拆解每段的理由。4.2 低频融合均值、固定加权与窗口能量低频子带 Yl 代表图像的近似内容包含整体亮度与平滑区域。最简单的低频融合是取平均适合两幅图光照一致的场景。若存在局部亮度差异改用窗口能量加权更稳。局部能量定义为窗口内系数平方的均值function W local_energy(x, win) k ones(win, win) / (win * win); % 归一化窗口核 W conv2(x .* x, k, same); % 系数平方的局部均值 end三种低频规则对比如下规则计算公式适用场景均值(YlA YlB) / 2光照一致速度最快固定加权w * YlA (1-w) * YlB已知某一图整体更可靠窗口能量加权EA/(EAEB) 加权局部亮度差异明显参数说明win 是窗口边长3 是经验起点窗口越大能量图越平滑但会把细小的局部差异抹平。常规融合实验从均值开始确认框架无误后再换窗口能量加权。4.3 高频融合模极大值与窗口模能量高频部分承载边缘、纹理等细节。dtcwt_toolbox4_3 的高频系数是复数模值近似平移不变所以最常用的规则是逐像素比较两幅图的模极大值。完整融合函数如下function F dtcwt_fuse(A, B, nlevels, biort, qshift, win) if nargin 6, win 3; end [YlA, YhA] dtwavexfm2(A, nlevels, biort, qshift); [YlB, YhB] dtwavexfm2(B, nlevels, biort, qshift); % 低频取平均系数范围保持稳定不易产生亮度偏移 YlF 0.5 * (YlA YlB); % 高频每个尺度独立做窗口模能量比较 YhF cell(1, nlevels); for j 1:nlevels magA abs(YhA{j}); % 复系数模近似平移不变 magB abs(YhB{j}); EA conv2(magA.^2, ones(win)/(win*win), same); EB conv2(magB.^2, ones(win)/(win*win), same); mask EA EB; % 逻辑决策图1 表示选 A YhF{j} YhA{j} .* mask YhB{j} .* (~mask); end F dtwaveifm2(YlF, YhF, biort, qshift); F max(min(F, 1), 0); % 数值安全裁剪 end调用方式A im2double(imread(focus_left.png)); B im2double(imread(focus_right.png)); F dtcwt_fuse(A, B, 4, near_sym_a, qshift_a, 3); imwrite(F, fused.png);参数说明mask 是逐元素的逻辑决策图决定每个位置保留哪棵树的复数系数。关键点在于保留的是完整的复数系数而不是模值这样相位信息不丢失逆变换才能还原出干净边缘。win 控制决策图平滑度想看到更锐利的融合边界就把 win 设为 1想抑制细碎噪声就加大到 5。医学图像融合场景里CT 与 MRI 的融合同样吃这套框架低频用固定加权比如 CT 权重 0.6、MRI 权重 0.4高频维持模极大值得到的融合图在骨骼边缘与软组织纹理上都能保持清晰这是 DWT 方案很难同时做到的。4.4 常见误用对复数系数取 abs 再重构最容易犯的错误是把 YhF{j} 写成 abs(YhA{j}) 或直接传给逆变换。abs 会把相位信息全部丢光重构图像会出现方向性振铃看起来像几十条细线叠在一起。记住一条铁律凡是送给 dtwaveifm2 的高频系数必须是模极大值选择出的原始复数系数中间不能经过 abs、real、imag 单独处理。5. 融合指标与参数调优dtcwt_toolbox4_3 的三个坑和验证技巧5.1 四个常用评价指标怎么算融合质量不能只靠肉眼至少看四个量信息熵衡量信息量空间频率反映清晰度互信息度量源图信息保留程度QAB/F 反映边缘信息保留率。前两个几行代码就能算q uint8(round(F * 255)); % 回到 8bit 再统计 p histcounts(q(:), 0:256) / numel(q); p(p 0) []; entropy_val -sum(p .* log2(p)); % 信息熵越大越丰富 gx diff(q, 1, 2); gy diff(q, 1, 1); sf sqrt(mean(double(gx(:)).^2) mean(double(gy(:)).^2)); % 空间频率逻辑说明熵和空间频率都是单图指标熵越高说明融合图携带的信息越多空间频率越高说明纹理细节越丰富。互信息和 QAB/F 需要同时输入源图与融合图QAB/F 按方向梯度逐像素统计边缘保留量实现较长通常直接用公开脚本计算自己写时注意梯度方向要覆盖八个方向。5.2 三个必踩的坑坑一是分解层数与边界。4 层适合 256×256 以上的图像小图强行分解 6 层会让 Yl 小到只剩几个像素低频信息过度压缩融合结果整体发灰。工具箱默认的边界延拓是镜子反射不要为了省事改成零填充否则边缘会引入虚假系数。坑二是数据范围。uint8 直接进变换滤波器卷积会产生几十倍量级的系数融合后回写 uint8 时容易整体偏暗或过曝。正确做法是先用 im2double 归一化到 [0,1]融合完再用 uint8(round(F*255)) 回写。坑三是新版 MATLAB 兼容性。dtcwt_toolbox4_3 年代较早在 R2020 以后多数版本还能整体运行万一报出结构体字段或旧接口错误通常是因为调用了被移除的内部函数常见处理是换成接口兼容的后续版本dtwavexfm2、dtwaveifm2 这两个函数名保持不变融合代码几乎不用改。5.3 一个调参技巧用自重建误差选滤波器选 biort 和 qshift 不要凭感觉。把每个候选组合都跑一次正逆往返记录重建最大误差和耗时误差最小且耗时可控的组合就是当前数据上最稳的基。把这段往返测试和指标计算写成一个 dtcwt_validate.m每次换数据集先跑一遍再决定要不要动滤波器参数。对大多数灰度图像near_sym_a 加 qshift_a 是默认答案若图像纹理细密试试 antonini 加 qshift_b 的组合融合边缘的连续性通常会更好。参数、指标、验证脚本三者固定下来融合实验的调参就有据可依了。本文还有配套的精品资源点击获取
