针对红外和可见光图像融合结果背景信息不足、对比度较低的问题，提出一种结合引导滤波和快速共现滤波的融合方法。首先，以高斯滤波将源图像分解为细节层和基础层。然后以去除值域滤波器、全局统计共现信息的方式简化共现滤波，形成快速共现滤波，再用其融合细节层；此外，引入窗口因子，用图像大小与窗口因子比值确定引导滤波窗口值，再用其融合基础层。实验结果表明该算法增加了图像背景细节，提高了人物与背景的对比度。主观和客观的实验分析验证了该算法的有效性。

基于小波变换的实时图像融合技术的实现，实现两幅图像的融合，图像效果好。

关于小波变换的图像融合比较全面的毕业论文，非常完美，绝对是你想要的 里面涵盖了小波变换的方方面面，还有各种算法！

基于opencv实现的图像抠图和后续的融合粘贴。

使用平稳小波变换提出了两种图像融合算法。 还包括一组要融合的图像。

针对多聚焦图像融合中聚焦物体边缘衔接处产生伪影的问题，提出一种基于非下采样Contourlet变换(NSCT)与引导滤波的多聚焦图像融合算法。该算法对多聚焦图像进行NSCT分解后，利用基于边缘的加权融合方案处理低频子带系数，利用双向拉普拉斯滤波器提取带通方向子带系数的边缘和显著信息，通过引导滤波器对初始融合权重进行修正，最后利用NSCT重构获得融合后的多聚焦图像。实验结果表明，与其他融合算法相比，本文算法提高了融合图像的信息丰富度和清晰度，避免在聚焦物体边缘衔接处产生伪影，提高了融合图像的总体质量。

Python中RGB-D图像的体积TSDF融合 这是一个轻量级的python脚本，可将多个已注册的颜色和深度图像融合到一个投影的截断的有符号距离函数（TSDF）体积中，然后可用于创建高质量的3D表面网格和点云。 在Ubuntu 16.04上测试。 较旧的CUDA / C ++版本可在找到。 要求 带有 ， ， ， 和 。 通过运行以下命令，可以快速安装/更新它们： pip install --user numpy opencv-python scikit-image numba [可选] GPU加速需要具有和的NVIDA GPU： pip install --user pycuda 演示版 该演示将来自7个场景的数据集的1000张RGB-D图像融合到405 x 264 x 289的投影TSDF体素体积中，在GPU模式下以约30 FPS（在CPU模式下为0.4 FPS）的分辨率为2cm，并输出3D网格mesh.ply可以使用诸如的3D查看器可视化的mesh.ply 。 注意：彩色图像保存为24位PNG RGB，深度图像保存为16位PNG（以毫米为单位）。 python de

采用冗余提升不可分离小波变换的改进NSCT图像融合算法，赵春晖，马丽娟，在灰度可见光与红外图像融合中，针对NSCT变换中金字塔分解(NSPFB)对细节能力捕捉不强的缺点，提出采用冗余提升变换替代NSPFB的图像融��

针对非下采样金子塔(NSP)用于平移不变的剪切波变换(NSST)中不能有效捕获图像的结构信息问题,提出一种多尺度非局部均值滤波(MNLMF)和剪切波(SF)方向滤波的新变换,即利用MNLMF代替NSST中NSP分解,然后将其用到图像融合中,并将输入图像分解成不同子带.对于近似子带,采用区域像素能量(PE)与梯度能量(GE)加权和的融合规则;对于方向子带,提出基于GE与系数绝对值(CAV)混合的融合规则.同时提出了基于MNLMF与SF的图像融合算法.仿真对比实验表明,所提出的方法在视觉感知和客观质量评价两个方面具有明显的优势.

根据导师作业安排，在学习数字图像处理（刚萨雷斯版）第六章 彩色图像处理 中的彩色模型后，导师安排了一个比较有趣的作业： 融合原理为： 1 注意：遥感原RGB图image和灰度图Grayimage为测试用的输入图像； 2 步骤：（1）将RGB转换为HSV空间（H：色调，S：饱和度，V：明度）； （2）用Gray图像诶换掉HSV中的V； （3）替换后的HSV转换回RGB空间即可得到结果。 书上只介绍了HSI彩色模型，并没有说到HSV，所以需要网上查找资料。 Python代码如下： import cv2 import numpy as np import math from matplotlib