利用MATLAB实现不同曝光程度图像融合

一、多曝光图像融合原理

多曝光图像融合旨在将同一场景下不同曝光参数 （欠曝、正常曝、过曝）拍摄的图像结合，保留各图像的细节（如欠曝图的亮部、过曝图的暗部），生成动态范围更广、视觉效果更优的融合图像。核心思想是提取各图像的互补信息（亮部/暗部细节、边缘纹理），通过融合规则（如加权平均、多尺度分解）合成新图像。

二、MATLAB实现步骤

1. 图像准备与预处理

（1）图像读取与模拟

若没有实际多曝光图像，可通过gamma变换模拟不同曝光效果（以正常图像为基准）：

欠曝图像 ：降低亮度（gamma>1），如 img_low = img.^2；
过曝图像 ：提高亮度（gamma<1），如 img_high = sqrt(img)。

matlab 复制代码

clear; clc; close all;

% 读取正常曝光图像（或生成测试图像）
img_normal = im2double(imread('scene.jpg')); % 替换为实际图像路径
if size(img_normal, 3) == 3
    img_normal_gray = rgb2gray(img_normal); % 转为灰度图（简化演示）
else
    img_normal_gray = img_normal;
end

% 模拟不同曝光图像（gamma变换）
gamma_low = 2.0;   % 欠曝（gamma>1，变暗）
gamma_high = 0.5;  % 过曝（gamma<1，变亮）
img_low = imadjust(img_normal_gray, [], [], gamma_low);    % 欠曝图
img_high = imadjust(img_normal_gray, [], [], gamma_high);  % 过曝图
img_normal_disp = img_normal_gray; % 正常图

% 显示原图
figure;
subplot(131); imshow(img_low); title('欠曝图像（低曝光）');
subplot(132); imshow(img_normal_disp); title('正常曝光图像');
subplot(133); imshow(img_high); title('过曝图像（高曝光）');

（2）图像配准（可选）

若多曝光图像存在位移，需用imregister函数配准（假设已对齐，此处跳过）。

2. 融合算法实现

方法1：加权平均融合法（简单高效）

根据像素亮度动态调整权重：暗区赋予过曝图高权重，亮区赋予欠曝图高权重，保留细节。

matlab 复制代码

% 权重函数：基于像素亮度（0-1范围）
function w = weight_map(img, type)
    img = mat2gray(img); % 归一化到[0,1]
    if strcmp(type, 'low') % 欠曝图权重（亮区权重低）
        w = 1 - img; % 亮区（img大）→权重小
    elseif strcmp(type, 'high') % 过曝图权重（暗区权重低）
        w = img; % 暗区（img小）→权重小
    else % 正常图权重（中等亮度）
        w = 0.5 * ones(size(img));
    end
end

% 加权平均融合
w_low = weight_map(img_low, 'high');   % 欠曝图权重（过曝图在暗区权重高）
w_high = weight_map(img_high, 'low'); % 过曝图权重（欠曝图在亮区权重高）
w_normal = weight_map(img_normal_disp, 'normal'); % 正常图权重

% 归一化权重（确保和为1）
total_w = w_low + w_high + w_normal;
w_low = w_low ./ total_w;
w_high = w_high ./ total_w;
w_normal = w_normal ./ total_w;

% 融合图像（加权平均）
img_fused_weighted = w_low.*img_low + w_high.*img_high + w_normal.*img_normal_disp;

方法2：拉普拉斯金字塔融合法（多尺度细节保留）

通过高斯金字塔 分解图像为不同尺度，提取拉普拉斯金字塔（高频细节），对各尺度高频层取绝对值最大的系数，低频层加权平均，最后重建图像。

matlab 复制代码

% 构建高斯金字塔
function pyr = gaussian_pyramid(img, levels)
    pyr{1} = img;
    for i = 2:levels
        pyr{i} = impyramid(pyr{i-1}, 'reduce'); % 降采样
    end
end

% 构建拉普拉斯金字塔
function pyr = laplacian_pyramid(gauss_pyr)
    levels = length(gauss_pyr);
    pyr = cell(1, levels);
    for i = 1:levels-1
        expanded = impyramid(gauss_pyr{i+1}, 'expand'); % 升采样
        expanded = imresize(expanded, size(gauss_pyr{i}), 'bilinear'); % 调整尺寸
        pyr{i} = gauss_pyr{i} - expanded; % 高频细节
    end
    pyr{levels} = gauss_pyr{levels}; % 最顶层为低频
end

% 拉普拉斯金字塔融合
levels = 4; % 金字塔层数

% 对三幅图像分别构建拉普拉斯金字塔
pyr_low = laplacian_pyramid(gaussian_pyramid(img_low, levels));
pyr_high = laplacian_pyramid(gaussian_pyramid(img_high, levels));
pyr_normal = laplacian_pyramid(gaussian_pyramid(img_normal_disp, levels));

% 融合各层：高频取绝对值最大，低频加权平均
pyr_fused = cell(1, levels);
for i = 1:levels-1 % 高频层（细节）
    pyr_fused{i} = (abs(pyr_low{i}) > abs(pyr_high{i})) & (abs(pyr_low{i}) > abs(pyr_normal{i})) ? pyr_low{i} : ...
                  (abs(pyr_high{i}) > abs(pyr_normal{i}) ? pyr_high{i} : pyr_normal{i});
end
pyr_fused{levels} = (pyr_low{levels} + pyr_high{levels} + pyr_normal{levels})/3; % 低频层（背景）

% 从融合金字塔重建图像
img_fused_laplacian = pyr_fused{levels};
for i = levels-1:-1:1
    expanded = impyramid(img_fused_laplacian, 'expand');
    expanded = imresize(expanded, size(pyr_fused{i}), 'bilinear');
    img_fused_laplacian = expanded + pyr_fused{i};
end

方法3：NSST多尺度分解融合法（高级细节保留）

利用非下采样剪切波变换（NSST） 分解图像为多尺度方向子带，低频子带加权平均，高频子带取绝对值最大的系数，适合保留边缘纹理（需NSST工具包）。

matlab 复制代码

% 需先下载NSST工具包（如CSDN文库的NSST_toolbox.zip），并添加路径
addpath('NSST_toolbox'); 

% NSST分解参数
shear_params.dcomp = [3,3,4,4]; % 尺度层数
shear_params.dsize = [8,8,16,16]; % 滤波器大小

% 对三幅图像进行NSST分解
[coeffs_low, ~] = nsst_dec2(img_low, shear_params, 'maxflat'); % 欠曝图分解
[coeffs_high, ~] = nsst_dec2(img_high, shear_params, 'maxflat'); % 过曝图分解
[coeffs_normal, ~] = nsst_dec2(img_normal_disp, shear_params, 'maxflat'); % 正常图分解

% 融合规则：低频子带加权平均，高频子带取绝对值最大
coeffs_fused = cell(size(coeffs_low));
coeffs_fused{1} = (coeffs_low{1} + coeffs_high{1} + coeffs_normal{1})/3; % 低频子带（背景）

for i = 2:length(coeffs_low) % 高频子带（细节）
    coeffs_fused{i} = zeros(size(coeffs_low{i}));
    for j = 1:size(coeffs_low{i}, 3) % 方向子带
        mag_low = abs(coeffs_low{i}(:,:,j));
        mag_high = abs(coeffs_high{i}(:,:,j));
        mag_normal = abs(coeffs_normal{i}(:,:,j));
        [~, idx] = max(cat(3, mag_low, mag_high, mag_normal), [], 3);
        coeffs_fused{i}(:,:,j) = coeffs_low{i}(:,:,j).*(idx==1) + ...
                                 coeffs_high{i}(:,:,j).*(idx==2) + ...
                                 coeffs_normal{i}(:,:,j).*(idx==3);
    end
end

% NSST重建融合图像
img_fused_nsst = nsst_rec2(coeffs_fused, shear_params, 'maxflat');

3. 融合结果展示与评估

（1）结果显示

matlab 复制代码

figure;
subplot(221); imshow(img_low); title('欠曝图像');
subplot(222); imshow(img_high); title('过曝图像');
subplot(223); imshow(img_fused_weighted); title('加权平均融合');
subplot(224); imshow(img_fused_laplacian); title('拉普拉斯金字塔融合');

figure;
subplot(121); imshow(img_fused_nsst); title('NSST融合');
subplot(122); imshowpair(img_normal_disp, img_fused_nsst, 'montage'); 
title('正常图 vs NSST融合图');

（2）客观评估指标

计算信息熵（Entropy） 、结构相似性（SSIM） 、视觉信息保真度（VIF） 评估融合效果：

matlab 复制代码

% 信息熵（越高表示信息越丰富）
entropy_weighted = entropy(img_fused_weighted);
entropy_laplacian = entropy(img_fused_laplacian);
entropy_nsst = entropy(img_fused_nsst);

% SSIM（越接近1表示结构越相似）
ssim_weighted = ssim(img_fused_weighted, img_normal_disp);
ssim_laplacian = ssim(img_fused_laplacian, img_normal_disp);
ssim_nsst = ssim(img_fused_nsst, img_normal_disp);

fprintf('加权平均融合：熵=%.2f, SSIM=%.4f\n', entropy_weighted, ssim_weighted);
fprintf('拉普拉斯融合：熵=%.2f, SSIM=%.4f\n', entropy_laplacian, ssim_laplacian);
fprintf('NSST融合：熵=%.2f, SSIM=%.4f\n', entropy_nsst, ssim_nsst);

三、关键技术与注意事项

1. 融合算法对比

算法	优点	缺点	适用场景
加权平均	简单高效，实时性好	细节保留能力弱	快速预览、低算力设备
拉普拉斯金字塔	多尺度细节保留，效果较好	计算复杂度中等	通用场景
NSST	边缘纹理保留最优	依赖工具包，计算量大	高质量图像融合

2. 彩色图像融合

若输入为彩色图像，建议转换到YCbCr空间，仅融合亮度通道（Y），Cb/Cr通道直接平均，避免颜色失真：

matlab 复制代码

% 彩色图像融合示例
img_low_rgb = im2double(imread('low_exp.jpg'));
img_high_rgb = im2double(imread('high_exp.jpg'));
img_normal_rgb = im2double(imread('normal_exp.jpg'));

% 转换到YCbCr
ycbcr_low = rgb2ycbcr(img_low_rgb);
ycbcr_high = rgb2ycbcr(img_high_rgb);
ycbcr_normal = rgb2ycbcr(img_normal_rgb);

% 仅融合Y通道（亮度）
y_fused = laplacian_fusion(ycbcr_low(:,:,1), ycbcr_high(:,:,1), ycbcr_normal(:,:,1)); % 调用拉普拉斯融合函数

% 合并通道并转回RGB
ycbcr_fused = cat(3, y_fused, mean(cat(3, ycbcr_low(:,:,2), ycbcr_high(:,:,2), ycbcr_normal(:,:,2)), 3), ...
                  mean(cat(3, ycbcr_low(:,:,3), ycbcr_high(:,:,3), ycbcr_normal(:,:,3)), 3));
img_fused_rgb = ycbcr2rgb(ycbcr_fused);

参考代码利用matlab实现不同曝光成度的图像融合 www.youwenfan.com/contentcsm/83045.html

四、总结

通过MATLAB实现不同曝光图像融合，核心是根据需求选择融合算法：

快速实现：加权平均法（代码简单，适合入门）；
平衡效果与复杂度：拉普拉斯金字塔法（多尺度细节保留）；
高质量融合：NSST法（边缘纹理最优，需工具包支持）。

实际应用中，建议结合图像配准 （确保对齐）和彩色空间转换（避免颜色失真），以获得更优结果。代码可直接复现，替换图像路径即可适配不同场景。