针对电气设备同一场景的红外与可见光图像间一致特征难以提取和匹配的问题，提出了一种基于斜率一致性的配准方法。首先通过数学形态学方法分别提取红外与可见光图像的边缘，得到粗边缘图像；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。实验结果表明，该方法有效提高了匹配点对的正确率，能够对电气设备红外和可见光图像实现高精度的配准。

这是一个关于一种基于提升小波和分形理论的多源图像融合方法的源程序

这个主要是一些图像配准的实例，为后续的图像融合做准备。

目录1.图像加法运算1.1 运用numpy库1.2 调用OpenCV1.3 两种方法的运行代码和结果2.图像融合2.1 运用openCV中的addWeighter()函数2.2 运用PIL库中的Image.blend()函数 1.图像加法运算 1.1 运用numpy库 运用numpy库进行图像加法运算的方法为：取模运算 总像素值 = 图像1 + 图像2 1)当总像素值<=255时，像素值保持不变. 。如：56+124=180，即加法运算后的像素值为180 2)当总像素值>255时，像素值取(总像素值 – 255)。如：（250+46）- 255 = 41，即加法运算后的像素值为41 1.2

利用matlab的函数对图像进行基本的处理：卷积，二值化，融合，滤波等等

小波变换相关函数在matlab中如何应用 小波分解和重构过程 小波变换在图像压缩、融合等方面的应用并用matlab来实现

介绍了使用基于 DCT 的演示程序进行图像融合。

一种基于DCT域局部能量的多聚焦图像融合算法

项目名：Image Filtering and Hybrid Images 简介：We will write an image convolution function (image filtering) and use it to create hybrid images! The technique was invented by Oliva, Torralba, and Schyns in 2006, and published in a paper at SIGGRAPH. High frequency image content tends to dominate perception but, at a distance, only low frequency (smooth) content is perceived. By blending high and low frequency content, we can create a hybrid image that is perceived differently at different distances.

利用non-subsampled contourlet transform(NSCT)对红外偏振与红外光强图像进行分解,得到源图像的低频子带和高频方向子带。通过对红外偏振和光强图像差异特征的分析,对低频选取局部能量和局部信息熵提取差异特征,然后利用模糊逻辑融合低频子带的不确定区域,利用特征差异驱动来融合低频子带的确定区域;对高频选取局部边缘信息保留量和局部方差提取差异特征,然后利用模糊逻辑融合高频方向子带的不确定区域,利用特征差异驱动来融合高频方向子带的确定区域。最后利用NSCT对高低频子带进行逆变换得到最后的融合图像。从而建立起基于模糊逻辑与特征差异驱动的红外偏振图像融合模型。实验仿真结果表明,该融合模型可融合源图像互补的差异特征,使其在目标识别和分类中具有一定的应用价值。